MKV in OPUS umwandeln

Seit der BITV 2.0 müssen öffentliche Stellen in Deutschland ihre Videoinhalte barrierefrei anbieten, und für eine aufgezeichnete Vorlesung oder eine Ratssitzung heißt das in der Praxis: ein Transkript oder Untertitel dazu. Viele Hochschulen zeichnen über Opencast auf, das Matroska schreibt, und am Ende der Kette steht fast immer ein externer Transkriptionsdienst mit einer Obergrenze für die Uploadgröße.

Eine anderthalbstündige Vorlesung als MKV mit Bild ist für so einen Dienst oft schlicht zu groß. Das Bild wird für die Transkription nicht gebraucht, und genau das macht diese Umwandlung sinnvoll: Übrig bleibt eine Audiodatei, deren Größe nur noch von der Länge und der gewählten Qualitätsstufe abhängt.

Eine Vorlesungsaufnahme zeigt meist eine Folie, ein Rednerpult oder eine feststehende Kamera auf den Hörsaal — Bildinhalte, die sich kaum verändern und die trotzdem, Bild für Bild, den größten Teil der Datei ausmachen. Der gesprochene Teil ist demgegenüber winzig.

Diese Umwandlung verwirft das Bild vollständig und schreibt nur den Ton neu. Das Ergebnis hängt dann ausschließlich von der Dauer der Aufnahme und der gewählten Qualitätsstufe ab, nicht mehr von Auflösung oder Bitrate des Videos — deshalb fällt der Größenunterschied so drastisch aus.

Opus wurde 2012 als RFC 6716 standardisiert, mit Sprache bei niedrigen Bitraten als ausdrücklichem Entwurfsziel — genau das, was WebRTC für Telefonie und Videokonferenzen brauchte. Weil jeder Browser deshalb schon einen Opus-Encoder mitbringt, startet diese Umwandlung sofort, ohne dass wie bei MP3 erst ein Kodierer nachgeladen werden muss.

Für eine Spracherkennung zahlt sich das aus: Wo MP3 bei niedriger Bitrate Konsonanten ineinander verschwimmen lässt, hält Opus genau die Anteile des Signals sauber, an denen eine Erkennungssoftware sich orientiert. Die kleine Qualitätsstufe kostet hier also kaum Genauigkeit — anders als bei Musik.

Fehler in der Transkription kommen fast immer aus der Aufnahme selbst, nicht aus der Kompression: ein Mikrofon am anderen Ende des Raums, ein halliger Hörsaal, zwei Sprechende gleichzeitig, eine Klimaanlage im Hintergrund. All das ist in der Datei bereits festgeschrieben, bevor diese Seite sie überhaupt zu sehen bekommt.

Wer nach einer schlechten Transkription reflexhaft eine höhere Qualitätsstufe wählt, wird enttäuscht — das behebt nichts. Bei einer schlecht aufgenommenen Datei helfen nur Werkzeuge, die am Ton selbst ansetzen; bei einer guten Aufnahme transkribiert die kleine Stufe genauso zuverlässig wie die hohe, nur in einem Bruchteil der Uploadzeit.

Der Ogg-Container, in den Opus hier geschrieben wird, kennt keine Ein-Spur-Grenze, also landen alle Tonspuren im Ergebnis, die der Browser dekodieren kann. Bei einer Aufnahme mit einem Mikrofon spielt das keine Rolle.

Bei einer Ratssitzung mit Saalmikrofon, Rednerpult und womöglich einer Dolmetscherspur dagegen schon: Ein Transkriptionsdienst liest praktisch immer nur die erste Spur der Datei und ignoriert den Rest. Die Standard-Spur-Markierung in der Matroska-Datei wird dabei nicht berücksichtigt, weshalb sich die Reihenfolge vorher mit MediaInfo prüfen lässt — steht die falsche Spur vorn, holt MKVToolNix die richtige heraus, bevor hier umgewandelt wird.

Drei Stufen stehen zur Wahl, ausgewogen ist voreingestellt. Es ist bewusst eine Stufe und keine Bitrate in Kilobit, weil eine Zahl allein noch nichts über die Klangqualität aussagt — Opus erreicht bei gegebener Dateigröße mehr als ältere Codecs, und ein direkter Zahlenvergleich würde in die Irre führen.

Für Sprache, die an eine Erkennungssoftware geht, ist die kleine Stufe der richtige Ausgangspunkt, und nur bei enttäuschendem Ergebnis lohnt sich der Wechsel auf ausgewogen. Für ein Interview, das später auch als Audio veröffentlicht werden soll, ist ausgewogen der vernünftigere Standard.

Beide Ziele auf dieser Seite schreiben Opus-Audio in einen Ogg-Container mit demselben Muxer, sodass die Bytes identisch sind und sich nur der Name unterscheidet. Am Inhalt der Datei ändert die Wahl nichts.

Trotzdem entscheiden Uploadformulare und Transkriptionsdienste erstaunlich oft anhand der Endung, bevor sie überhaupt hineinschauen — welche der beiden gefordert wird, steht meist in der Dokumentation des Dienstes. Ohne Angabe ist .ogg die bekanntere der beiden Endungen.

Bricht die Umwandlung mit dem Hinweis ab, dass sich nichts in der Datei umwandeln ließ, steckt darin fast immer eine Tonspur in AC-3, E-AC-3, DTS oder Dolby TrueHD — Formate, für die kein Browser einen Decoder mitbringt. Ist das Bild ohnehin verworfen, bleibt dann nichts mehr zu schreiben.

Bei einer Vorlesungs- oder Sitzungsaufzeichnung kommt das praktisch nie vor: Opencast, Zoom, Teams oder ein Konferenzsystem schreiben AAC oder Opus. Das Problem betrifft eher archivierte Mitschnitte von einer DVD oder einem älteren Sendeformat, deren Ton vorher einmal mit einem Desktop-Werkzeug umgewandelt werden muss.

Am Ende dieser Umwandlung steht fast immer ein Versand an einen externen Dienst, und deshalb lohnt sich der Blick auf die Alternative: eine mehrere Gigabyte große Aufzeichnung erst zu einem Konverter hochladen, warten, den Ton herunterladen und ihn danach an die Transkription weiterschicken — dieselbe Sitzung läuft dann durch zwei fremde Server statt durch einen.

Hier laufen Dekodierung und Opus-Kodierung im Browser-Tab auf dem eigenen Rechner, sodass vor dem eigentlichen Versand nichts von der Aufnahme unterwegs ist. Die freie Nutzung erlaubt bis zu hundert Megabyte je MKV-Datei, was für eine kurze Sitzung reicht und für eine lange Vorlesung eng wird — dann hilft, den Ton vorher lokal mit ffmpeg herauszulösen und erst diesen hier umzuwandeln.

Nach § 201 StGB macht sich strafbar, wer das nichtöffentlich gesprochene Wort ohne Einwilligung aller Beteiligten aufzeichnet — bei einer Personalgespräch- oder Gremiensitzung ist die Zustimmung deshalb keine Formalie, sondern Voraussetzung für die Aufnahme selbst. Wo diese Zustimmung eingeholt wurde, benennt sie meist auch, wer eine Kopie erhalten darf.

Ein Konverter, der die Datei zwischenzeitlich auf einen fremden Server lädt, schafft genau die zusätzliche Kopie, die in einer solchen Einwilligung nicht vorgesehen ist. Läuft die Umwandlung stattdessen im eigenen Browser, bleibt die Aufnahme bis zum bewussten Versand an die Transkription auf dem eigenen Gerät — im Netzwerk-Tab der Entwicklertools lässt sich das während der Umwandlung direkt nachsehen.