Spatial-Pipeline-Helper — FootstepPro DSP-Check

Du pruefst die Spatial-Pipeline-Komponenten von FootstepPro auf bekannte Drift-Muster aus REVIEW_REPORT_audio.md (v4 / 2026-05-05).

Vor dem Start

Datenbasis ist (Windows-lokal) — FootstepPro/FootstepAnalyzer liegt nur auf dem PC (EqualizerAPO-Setup, kein Syncthing-Sync, auf netcup nicht vorhanden). In netcup-Sessions nur mit explizit bereitgestellten Dateien arbeiten:

• Aktuelles File: C:\Users\<user>\OneDrive\Dokumente\AudioSetup\FootstepAnalyzer\spatial_analyzer.py (Windows-lokal)
• Score-Logik: C:\Users\<user>\OneDrive\Dokumente\AudioSetup\FootstepAnalyzer\metrics.py (Windows-lokal; Funktionen spatial_health + compute_psychoacoustic_metrics)
• Profile: C:\Users\<user>\OneDrive\Dokumente\AudioSetup\FootstepAnalyzer\constants.py (Windows-lokal; TRANSIENT_PROFILES)

Checks

1. spatial_health-Adjustment-Asymmetrie (AUD-H1)

Lies metrics.py und pruefe ob spatial_health(levels, spatial=...) Adjustment direkt auf result addiert (FALSCH) ODER als separater Bonus auf spatial_bonus-Score (RICHTIG).

Falsch (Sabotage-Risiko):

result = spatial_db - foot_db
result += iacc_bonus + spread_bonus  # schiebt aus Idealband [-8,-3] heraus

Richtig:

sh = spatial_health(bands.levels)  # ohne spatial-Argument
# ... Score-Mapping ergibt spatial_bonus ...
if spatial is not None and not spatial.is_mono:
    spatial_bonus = min(100.0, spatial_bonus + iacc_bonus_pts + spread_bonus_pts)

2. TRANSIENT_PROFILES-Konflikt-Matrix (AUD-H3)

Lies constants.py:TRANSIENT_PROFILES und baue eine Konflikt-Matrix:

• Profile mit gleichen primary_bands UND ueberlappenden centroid_range_hz
• Speziell: footstep_grass darf B9 NICHT in primary haben (Killstreak-Kollision)
• Speziell: crate_idle_hum und footstep_concrete duerfen sich nicht in primary_bands UND centroid_range gleichzeitig ueberlappen ohne Disambiguierung (z.B. min_above_db-Differenz >=2 oder duration-Filter)

3. Performance-Estimate (AUD-H2)

Bei einer Aufnahmen-Laenge L (in Sekunden) bei sr=48000:

• ITD-Loop: n_windows × ~2 ms (FFT-correlate 24k Samples)
• ILD-Loop: 12 × n_windows × ~80 us (per-window RMS)
• n_windows ≈ (L × 48000 - 24000) / 2400 + 1

Bei L=1800 (30 Min): ~140 s. Empfohlene Vektorisierung via sliding_window_view.

4. ITD-Vorzeichen-Konvention

ITD-Test soll mit Rauschen (nicht Sinus!) erfolgen:

L = np.random.randn(96000)
R = np.roll(L, 30)  # R kommt 30 Samples spaeter
# Erwartung: ITD ≈ -0.625 ms (negativ = L fuehrt)

Bei Sinus-Tests ist Cross-Correlation aliasinganfaellig (Periode-Aliasing).

Output

🎚 Spatial-Pipeline-Check

✅ AUD-H1 spatial_health Adjustment: <PASS|FAIL — Begruendung>
✅ AUD-H3 TRANSIENT_PROFILES Konflikte: <PASS|FAIL — Liste der Konflikte>
ℹ AUD-H2 Performance-Estimate: ~<X> s fuer 30-Min Stereo
✅ ITD-Vorzeichen-Konvention: <PASS|FAIL>

**Empfehlungen:** ...

Constraints

• Read-only — keine Auto-Fixes
• Niemals spatial=None-Default in Code aendern ohne der Nutzer-Approval
• Bei TRANSIENT_PROFILES-Konflikten: zuerst dokumentieren, dann erst diskutieren