MKV in MP3 umwandeln

Viele MKV-Dateien an deutschen Hochschulen sind Vorlesungsaufzeichnungen aus Systemen wie Opencast oder Panopto: eine feste Kameraeinstellung aufs Pult, eine Folie, die sich zehn Minuten lang nicht ändert. Das Bild trägt kaum etwas bei und macht die Datei um ein Vielfaches größer, als der Inhalt es rechtfertigt.

Genau dafür ist diese Umwandlung gedacht. Aus einer Stunde Vorlesung wird eine MP3-Datei von wenigen Dutzend Megabyte statt der oft gigabytegroßen Aufzeichnung — praktisch, wenn das Semester als Hörprogramm auf dem Weg zur Uni laufen soll.

Das ist der wichtigste Punkt auf dieser Seite. Eine MP3-Datei hat Platz für genau eine Tonspur, eine Matroska-Datei kann mehrere enthalten: eine Ansteck- und eine Raumsaal-Spur, Original- und Übersetzungston, oder bei einer mit OBS aufgenommenen Sitzung getrennte Mikrofon- und Systemton-Spuren.

Sind mehrere vorhanden, wird die erste im Dateiaufbau verwendet — nicht die, die Matroska als Standardspur markiert. Bei einer nachträglich zusammengestellten Aufnahme können das unterschiedliche Spuren sein. Wer eine bestimmte Spur braucht, wandelt stattdessen in ein Videoformat um, das alle Spuren behält, und wählt sie dort in einem Player aus.

Manche Umwandlungen brechen vorher ab mit der Meldung, dass nichts umgewandelt werden konnte. Das bedeutet: Der Browser wurde gefragt, ob er die Tonspur dekodieren kann, und die Antwort war nein — und da das Bild ohnehin verworfen wird, blieb nichts übrig, was geschrieben werden konnte.

Dahinter stecken fast immer dieselben Kino-Tonformate: AC-3, E-AC-3, DTS und Dolby TrueHD, für die kein Browser einen Dekoder mitbringt. Eine mit OBS oder einem Smartphone aufgenommene Datei trägt fast immer AAC oder Opus und lässt sich ohne Probleme umwandeln. Es gibt in diesem Fall keine Einstellung, die weiterhilft — der fehlende Dekoder ist eine Eigenschaft des Browsers, nicht dieser Seite, und eine andere Qualitätsstufe ändert daran nichts.

Drei Stufen stehen zur Wahl, standardmäßig die mittlere. Für eine reine Sprachaufzeichnung genügt die kleinste Stufe fast immer — der Unterschied ist beim Zuhören kaum wahrnehmbar, die Datei aber deutlich kleiner.

Bei einer Musikaufnahme, etwa einem mitgeschnittenen Konzert oder einer Chorprobe, lohnt sich die höchste Stufe, weil der Ton in der MKV schon einmal komprimiert wurde und dies die zweite Kompressionsrunde ist. Zwei Runden hintereinander sind bei Musik eher hörbar als bei gesprochenem Wort.

Wo die Matroska-Datei Titel, Beschreibung oder Datum als Tags mitführt, werden diese Angaben in die MP3-Datei geschrieben — genau das, was eine Podcast-App oder ein Musikprogramm anzeigt, statt nur des Dateinamens.

Die meisten Aufzeichnungsgeräte und -programme schreiben allerdings gar keine solchen Tags, sodass das übliche Ergebnis eine unbeschriftete MP3-Datei ist. Wer eine Reihe von Vorlesungen sammelt, gewinnt mit ein paar Minuten in einem Tag-Editor eine hörbare Ordnung statt eines Ordners gleichnamiger Dateien.

Kein Browser kann MP3 selbst kodieren, deshalb wird beim ersten Konvertieren einer Sitzung ein WebAssembly-Aufbau des LAME-Kodierers nachgeladen und danach für alle weiteren Dateien wiederverwendet. Es ist das einzige Zielformat in diesem Umfeld, das diesen zusätzlichen Schritt braucht.

Danach ist die Umwandlung deutlich schneller als eine Videoumwandlung, weil nur der Ton entschlüsselt und neu kodiert wird, nicht das Bild. Eine Stunde Aufzeichnung ist auf einem gewöhnlichen Laptop meist in weniger als einer Minute erledigt.

Die freie Grenze liegt bei 100 MB, gemessen an der MKV-Datei, die hineingeht — nicht an der MP3-Datei, die dabei herauskommt. Eine zweistündige Sitzungsaufnahme mit überwiegend unbewegtem Bild kann leicht ein Gigabyte groß sein, obwohl der Ton allein nur wenige Dutzend Megabyte wäre.

Das ist bei diesem Format-Paar eine unangenehme Grenze, die man besser offen benennt. Wer sie regelmäßig reißt, kommt mit einem lokalen Werkzeug wie ffmpeg schneller ans Ziel, das die Tonspur kopiert, ohne das Bild überhaupt zu dekodieren.

Die Umwandlung läuft vollständig im Browser-Tab, auf dem eigenen Prozessor. Wer das nachprüfen will, öffnet die Entwicklerwerkzeuge, beobachtet den Netzwerk-Tab während der Umwandlung und sieht: Es geht keine Anfrage hinaus, die die Datei enthält.

Bei Vorlesungsaufzeichnungen, kirchlichen Predigten oder internen Sitzungsmitschnitten ist das mehr als eine Formalität — solche Aufnahmen sind selten für eine dritte Instanz gedacht, und die Umwandlung im eigenen Browser bedeutet, dass keine entsteht.

Bis zu hundert Dateien lassen sich in einem Durchgang ablegen, jede bis 100 MB. Weil keine Serverkapazität dabei verbraucht wird, gibt es keine Warteschlange — die praktische Grenze ist der Arbeitsspeicher des eigenen Geräts, nicht eine von uns gesetzte Zahl.

Für ein ganzes Semester an Aufzeichnungen bedeutet das, den Ordner in Gruppen von jeweils unter 100 Dateien einzuteilen und jede Gruppe nacheinander abzulegen, statt eine Datei nach der anderen einzeln umzuwandeln. Alle Dateien einer Gruppe werden dabei nacheinander im selben Tab verarbeitet und am Ende gemeinsam als Ergebnis angeboten.

Das Problem betrifft ausschließlich die Größe der eingehenden Datei, nicht die Größe des Tons. Eine zweistündige, überwiegend unbewegte Aufnahme kann die Grenze reißen, obwohl der eigentliche Ton darin nur wenige Dutzend Megabyte wiegt — die Grenze zählt an der MKV-Datei, nicht am Ergebnis.

Der pragmatische Ausweg ist, die Aufnahme vor dem Hochladen mit einem lokalen Werkzeug wie ffmpeg auf ihre Tonspur zu reduzieren, ohne das Bild zu dekodieren — das dauert Sekunden statt Minuten und umgeht die Grenze, ohne dass diese Seite überhaupt gebraucht wird.

Klanglich ist MP3 nicht die beste Wahl auf dieser Seite — Opus und AAC klingen bei gleicher Größe besser, besonders bei Sprache. Der Grund, trotzdem MP3 zu wählen, liegt woanders: Es spielt seit 1993 auf so gut wie jedem Gerät, vom alten Autoradio bis zum betrieblichen Beschallungssystem.

Wo die Datei auf ein Gerät gehört, das man nicht vorher testen kann — ein geliehener MP3-Player, ein fremdes Soundsystem —, ist genau das der ausschlaggebende Vorteil. Für ein Gerät, das man selbst kontrolliert, ist Opus meist die klanglich bessere Wahl bei kleinerer Datei.

Bei dieser Umwandlung wird die Bildspur der MKV-Datei gar nicht erst entschlüsselt — nur die gewählte Tonspur wird dekodiert und neu kodiert. Das ist der Grund, warum eine Stunde Vorlesung in unter einer Minute fertig ist, obwohl dieselbe Datei als Videoumwandlung deutlich länger bräuchte.

Für die Größe der Ausgabedatei bedeutet das ebenfalls einen deutlichen Unterschied: Eine Stunde gesprochenes Wort landet als MP3-Datei bei wenigen Dutzend Megabyte, während dieselbe Aufzeichnung mit Bild oft ein Vielfaches davon wiegt — nicht weil der Ton komprimiert wurde, sondern weil das Bild komplett fehlt.

Weil MP3 nur eine Tonspur fasst, ist diese Umwandlung die falsche Wahl für eine Aufzeichnung, bei der mehrere Sprachfassungen oder eine getrennte Kommentarspur erhalten bleiben sollen. Eine Umwandlung derselben MKV-Datei in ein Videoformat wie MP4 behält dagegen jede Tonspur, die der Browser entschlüsseln kann, in der ursprünglichen Reihenfolge.

Für eine internationale Konferenz mit Original- und Übersetzungsspur oder eine Sitzung mit getrennter Wortmeldungs- und Raumtonspur ist das der Punkt, an dem sich die Wahl des Zielformats entscheidet: MP3 für den einen Zuhörer, der nur die Sprache hören will, die er versteht; ein Videocontainer für alle, die später zwischen den Spuren wählen sollen.

Weil eine falsch gewählte Tonspur oder ein stiller Fehlschlag erst beim Anhören auffällt, lohnt es sich, die entstandene MP3-Datei kurz anzuspielen, bevor die ursprüngliche MKV-Datei gelöscht wird — besonders bei einer Aufzeichnung mit mehreren Sprechern oder mehreren Sprachen.

Das kostet eine Minute pro Datei und erspart die Situation, eine mehrstündige Aufnahme erst dann noch einmal zu suchen, wenn sich herausstellt, dass die falsche Spur oder gar keine im Ergebnis gelandet ist.