AAC in WAV umwandeln

Eine rohe .aac-Datei ist meistens ADTS: eine Kette von Frames ohne Datei-Header, ohne Index und ohne Angabe, wie lange die Aufnahme dauert. Für Rundfunk ist das eine sinnvolle Bauweise, weil ein Empfänger mitten im Signal einsteigen können muss. Auf einer Festplatte wird daraus ein Problem, sobald etwas anderes als ein Player die Datei lesen soll.

Genau dort setzt diese Umwandlung an. Die WAV-Datei trägt ihre Eigenschaften in den ersten 44 Bytes: Abtastrate, Kanalzahl, Bittiefe und die genaue Länge der folgenden Daten. Ein Programm kann daraus einen Puffer anlegen, ohne vorher zu raten oder einen Decoder zu bemühen.

Dashcams sind in Deutschland ein Sonderfall, weil der Bundesgerichtshof 2018 entschieden hat, dass eine permanente, anlasslose Aufzeichnung des Straßenverkehrs gegen Datenschutzrecht verstößt. Erlaubt ist eine kurze Endlosschleife, die nur bei einem Ereignis wie einer Kollision dauerhaft gespeichert wird — und genau diese kurzen Ereignisclips liefern Kameras häufig als rohen AAC-Ton neben dem Videostream.

Ein Kfz-Sachverständiger, der eine solche Aufnahme für ein Unfallgutachten auswertet, öffnet sie in der Regel mit einer Analyse-Software, die WAV liest und kein AAC decodiert. Dieselbe Lücke entsteht bei Türsprechanlagen, Gegensprechsystemen an Firmentoren und älteren IP-Kameras, deren Firmware ADTS-Frames schreibt, weil das am wenigsten Rechenleistung kostet.

Das RIFF-WAVE-Format stammt aus dem Jahr 1991 und ist absichtlich langweilig aufgebaut. Ein Block nennt Formatkennung, Kanalzahl, Abtastrate, Byte-Rate und Bittiefe, der nächste sagt, wie viele Bytes an reinen Abtastwerten folgen. Danach ist keine Interpretation mehr nötig — die Daten sind bereits die Samples.

Deshalb bringt die Python-Standardbibliothek ein `wave`-Modul mit und kein AAC-Modul, deshalb setzt `libsndfile` in wissenschaftlicher Software WAV als Grundannahme voraus, und deshalb kann ein Mikrocontroller mit wenig Speicher eine WAV-Datei von einer Speicherkarte abspielen, ohne einen Codec zu kennen.

Herauskommt vorzeichenbehaftetes 16-Bit-PCM in Little-Endian-Byteordnung, bei der Abtastrate und Kanalzahl der Quelle. Das ist die Voreinstellung, die `wave.open` in Python ohne jede Konfiguration liefert und die `scipy.io.wavfile.read` als `int16`-Array zurückgibt — die Zielsoftware verlangt in der Praxis fast immer genau das.

Eine höhere Bittiefe würde hier nichts gewinnen. AAC hat beim Kodieren bereits entschieden, welche Information erhalten bleibt; 24 oder 32 Bit zu schreiben würde die Datei vergrößern, ohne ein einziges echtes Bit an Signal hinzuzufügen. Wer später mit Fließkommazahlen weiterrechnen will, wandelt beim Einlesen um, wo es nichts kostet.

Sechzehn Bit Stereo bei 44.100 Hz ergibt rund 10 MB pro Minute. Mono halbiert das, eine niedrigere Abtastrate skaliert proportional dazu — eine Stunde 16-kHz-Mono-Sprache liegt bei rund 115 MB gegenüber etwa 600 MB für dieselbe Stunde in CD-Stereo. Eine Qualitätsstufe gibt es nicht, weil WAV grundsätzlich nicht komprimiert.

Wichtig zu wissen, bevor man eine längere Aufnahme plant: RIFF-Größenfelder sind 32-Bit-Werte, was eine WAV-Datei bei 4 GB kappt — ungefähr sechseinhalb Stunden Stereo in CD-Qualität. Wer eine mehrstündige Überwachungsaufnahme umwandelt, sollte vorher segmentieren statt am Ende gegen die Grenze zu laufen.

Manche Recorder setzen einen ID3v2-Block an den Anfang der ADTS-Datei. Was davon in der WAV-Datei ankommt, ist nicht festgelegt und hier bewusst nicht versprochen — die Umwandlung übergibt kein Tag-Feld an den Schreibvorgang, verlässt sich also auf das, was die zugrunde liegende Bibliothek ohne weitere Angabe tut, statt eine bestimmte Zuordnung zu behaupten.

Für Beweismaterial und Messdaten ist das fast immer irrelevant und manchmal sogar erwünscht — eine Aufnahme, die zur Auswertung geht, muss keine beschreibenden Metadaten mitführen. Wo die Herkunft dokumentiert werden muss, gehört sie ohnehin in ein separates Protokoll oder eine Akte, nicht in einen Chunk, auf dessen Inhalt sich niemand verlassen sollte.

Ein Streamrekorder, der mitten in einem Frame gestoppt wird, hinterlässt eine Datei, die im Datenstrom abbricht. Die Umwandlung liest bis zu dieser Stelle und hört dann auf — das Ergebnis ist eine brauchbare WAV-Datei, die um einen Bruchteil einer Sekunde kürzer ist als das Original, was besser ist als eine Ablehnung der Datei.

Anders liegt der Fall, wenn eine Datei mit der Endung .aac gar kein ADTS-Strom ist, sondern zum Beispiel ein umbenanntes MP4-Fragment. Dann lässt sich kein Frame finden, und die Umwandlung meldet das statt zu raten. In diesem Fall lohnt sich ein Versuch als M4A — ein MP4-Demuxer öffnet die Datei häufig anstandslos.

AAC erlaubt bis zu 48 Kanäle, WAV bis zu 18, sodass gewöhnliches Mehrkanalmaterial als mehrkanalige WAV-Datei ankommt statt heruntergemischt zu werden. Abtastraten bleiben exakt erhalten, auch die für Sprachsysteme typischen 8.000 und 16.000 Hz — was zählt, wenn ein nachgeschaltetes Analysewerkzeug auf eine bestimmte Rate trainiert wurde.

Für ein Kanallayout, das kein Pfad annimmt, greift ein Ausweichwert: zwei Kanäle bei 48.000 Hz statt eines Fehlers. Das ist eine bewusste Entscheidung zugunsten einer nutzbaren Datei, weshalb sich ein Blick in den Header der ersten Datei eines neuen Stapels lohnt, bevor eine Auswertung auf falschen Annahmen läuft.

Diese Umwandlung lädt nichts nach. Der AAC-Decoder ist der, den das eigene Gerät ohnehin mitbringt, und eine WAV-Datei zu schreiben bedeutet, einen Header zu bauen und Abtastwerte zu kopieren — der einzige Zielformat in der Audio-Sammlung, das ganz ohne Encoder auskommt.

Das bedeutet auch, dass nichts hochgeladen wird. Kamera- und Türsprechanlagen-Aufnahmen enthalten oft Stimmen anderer Personen, und für die gilt in Deutschland ein eigenes Persönlichkeitsrecht am gesprochenen Wort. Eine Umwandlung, die im Tab bleibt, erzeugt keine zweite Kopie auf fremder Infrastruktur — der Netzwerktab im Browser bestätigt das, statt es nur zu behaupten.

Nicht jede .aac-Datei ist eine Maschinen-Aufnahme. Musikdateien, die versehentlich diese Endung tragen, oder ein Export aus einer Schnittsoftware sind eher M4A mit vertauschter Endung als echtes ADTS. Diese Seite ist auf die zweite Gruppe ausgerichtet — auf Aufnahmen, deren nächster Halt ein Skript oder ein Analyseprogramm ist, nicht ein Ohr.

Wer Musik hört und lediglich ein anderes Zielformat sucht, ist mit einer Umwandlung nach M4A oder MP3 meist besser bedient, weil die Datei dort deutlich kleiner bleibt. WAV lohnt sich hier gezielt für den Fall, dass die Zielsoftware wirklich nur PCM mit einem klassischen Header akzeptiert.