MKV in WAV umwandeln

OBS Studio schreibt standardmäßig Matroska, und das ist keine Nebensächlichkeit: Bricht die Aufnahme mitten in einer zweistündigen Podcast-Session ab — Stromausfall, voller Datenträger, ein Absturz —, bleibt eine MKV-Datei bis zu diesem Punkt lesbar, während ein unterbrochenes MP4 häufig komplett beschädigt ist. Wer in der deutschsprachigen Podcast- und Streamer-Szene mit OBS aufnimmt, bekommt deshalb eine Matroska-Datei, ob er ein Video wollte oder nicht.

Meist ist der Ton das eigentliche Ergebnis und das Bild ein Nebenprodukt, das niemand braucht. Diese Umwandlung holt die Aufnahme aus dem Sicherheitsbehälter, in den sie geschrieben wurde, damit ein Schnittprogramm sie öffnen kann.

Das kostet erfahrungsgemäß einen ganzen Nachmittag, wenn man es nicht vorher weiß. OBS leitet Mikrofon, Desktop-Ton, eine Browserquelle und einen Chat-Kanal bewusst auf getrennte Spuren derselben Aufnahme, damit sie später einzeln abgemischt werden können. Eine WAV-Datei hat Platz für genau eine Tonspur, und liegen in der MKV mehrere vor, wird nur die zuerst deklarierte verwendet — die übrigen werden stillschweigend verworfen.

Der Ausweg ist kurz: die MKV-Datei stattdessen als MOV oder MP4 umwandeln. Beide behalten jede Tonspur, die der Browser lesen kann, in der ursprünglichen Reihenfolge, und jede Schnittsoftware zeigt sie danach getrennt an. Die eigentliche Trennung passiert dort, und aus der fertig abgemischten Session lässt sich die gewünschte Spur anschließend hier als WAV exportieren.

PCM speichert jede Abtastung, die es bekommt, sodass diese Umwandlung nichts Eigenes hinzufügt. Das ist der eigentliche Grund, vor einer destruktiven Bearbeitung — Rauschunterdrückung, Kompression, Entzerrung — auf WAV zu wechseln: Jeder weitere Durchgang durch einen verlustbehafteten Codec zwischen zwei Bearbeitungsschritten summiert sich mit dem vorherigen.

Es ist nicht dasselbe wie die ursprüngliche Aufnahme wiederherzustellen. Der Ton in der MKV wurde beim Schreiben bereits von AAC oder Opus komprimiert, und die WAV-Datei bewahrt genau das, was diese Codecs zurückliefern — einschließlich dessen, was sie dabei entfernt haben. Das kann niemand zurückholen. Was die WAV-Datei garantiert, ist, dass zwischen hier und dem Schnitt nichts weiter verlorengeht.

Die Ausgabe ist 16-Bit-PCM in der Abtastrate der Quelle, bei Aufnahmen neben einem Bild fast immer 48 kHz. Sechzehn statt vierundzwanzig Bit ist wissenswert, wenn man Feldaufnahmen gewohnt ist: Das ist CD-Tiefe, ungefähr 96 dB Dynamikumfang, und es ist genau das, wozu die komprimierte Quelle beim Decodieren wird.

Deshalb gibt es weder eine Bittiefen- noch eine Qualitätseinstellung auf dieser Seite. Eine 16-Bit-Quelle auf 24 zu erweitern, fügt Nullen hinzu statt Auflösung, und es gibt keine Abwägung zwischen Klangtreue und Größe, weil PCM nicht komprimiert. Wer für ein Projekt bei 24 Bit arbeitet, stellt das in der Session so ein und importiert die WAV-Datei dorthin — die Umwandlung selbst und die Sessiontiefe sind zwei getrennte Fragen.

Unkomprimiertes Stereo bei 48 kHz und 16 Bit ergibt 192 Kilobyte pro Sekunde: etwa 11,5 MB pro Minute, rund 690 MB für eine Stunde Gespräch. Keine Schwankung, keine Überraschung — die Größe ist eine Multiplikation, was zu den wenigen angenehmen Eigenschaften dieses Formats zählt.

Für die aktive Bearbeitung ist das in Ordnung, für die Ablage nicht. FLAC speichert dieselben Abtastwerte in ungefähr der halben Größe, prüft sie mit einer Prüfsumme und wird von Audacity, Reaper, Auphonic und jedem brauchbaren Archivwerkzeug gelesen. Der übliche Ablauf ist WAV während der Bearbeitung und FLAC, sobald die Folge fertig geschnitten ist — beide lassen sich aus derselben MKV-Datei hier erzeugen.

Manche OBS-Setups zeichnen zusätzlich zum Ton mehrere Bildquellen gleichzeitig auf — Kamera, Bildschirmfreigabe, ein Overlay —, was für die Tonextraktion selbst keine Rolle spielt. Die Umwandlung liest ausschließlich die erste erreichbare Tonspur und ignoriert jede Bildspur vollständig, unabhängig davon, wie viele davon in der Datei stecken.

Das bedeutet in der Praxis, dass eine aufwendig produzierte Multi-Kamera-Aufnahme genauso einfach ihren Ton hergibt wie eine einzelne Bildschirmaufnahme — die Komplexität des Bildes hat keinen Einfluss auf die Größe oder Qualität der resultierenden WAV-Datei.

Manche Dateien brechen mit der Meldung ab, dass nichts darin umgewandelt werden konnte. Das bedeutet, dass der Browser die Tonspur nicht decodieren kann — und da das Bild ohnehin verworfen wird, blieb keine Spur mehr zum Schreiben übrig, weshalb die Umwandlung ablehnt statt eine leere Datei auszugeben.

Betroffen ist immer dieselbe kleine Gruppe von Codecs: AC-3, E-AC-3, DTS und Dolby TrueHD — Disc-Ton, wie er von DVDs und Blu-rays stammt. Eine Aufnahme aus OBS, einer Aufnahmekarte oder einem Telefon ist davon nie betroffen, weil diese Quellen AAC oder Opus schreiben. Bei Material von einem Datenträger hilft es, den Ton einmal mit einem Desktop-Werkzeug nach AAC zu bringen; danach verhält sich alles Weitere normal.

Audacity und die meisten Werkzeuge für die Tonbearbeitung lesen Audiodateien, nicht Videobehälter, und selbst Programme mit Videoeingang erwarten meist MP4 oder MOV. Matroska liegt außerhalb dieser Erwartung, aus demselben Grund, aus dem es in vielen Schnittprogrammen fehlt: Es ist so freizügig aufgebaut, dass Unterstützung dafür praktisch alles bedeuten würde, was das Format überhaupt tragen kann.

Auphonic, ein im deutschsprachigen Raum verbreitetes Werkzeug zur automatischen Tonnachbearbeitung von Podcasts, verlangt ebenfalls eine reine Audiodatei als Eingabe. Diese Umwandlung übernimmt genau den Schritt dazwischen, im Browser statt über eine Bibliothek, die das Schnittprogramm vielleicht mitbringt und vielleicht nicht.

Der Umweg über MP4 oder MOV lohnt sich, sobald mehr als eine Spur wichtig ist — praktisch immer bei einer OBS-Session mit getrenntem Mikrofon- und Desktop-Ton. Der zusätzliche Schritt kostet wenig, weil nur gelesen und nicht neu codiert wird, und er verhindert genau den stillen Datenverlust, den eine direkte WAV-Umwandlung sonst verursacht.

Bei einer Aufnahme mit von vornherein nur einer Spur — ein einzelnes Mikrofon, eine Bildschirmaufnahme mit Systemton — entfällt dieser Schritt, und die direkte Umwandlung nach WAV liefert bereits das gewünschte Ergebnis.

Podcast-Plattformen und Auphonic richten sich bei der Lautstärkeanpassung meist am EBU-R128-Standard aus, der in der deutschsprachigen Rundfunk- und Podcast-Produktion weit verbreitet ist. Diese Anpassung misst die tatsächliche Lautheit über die gesamte Aufnahme und verschiebt den Pegel entsprechend — ein Vorgang, der auf unkomprimierten Abtastwerten sauberer arbeitet als auf einer bereits verlustbehaftet kodierten Datei, weil er nicht zusätzlich mit den Artefakten eines Kompressionscodecs rechnen muss.

Diese Umwandlung selbst nimmt keine Lautheitsanpassung vor — sie liefert nur die Rohabtastwerte, mit denen ein Werkzeug wie Auphonic oder ein Plug-in in der DAW anschließend arbeitet. Die Reihenfolge WAV zuerst, Lautheit danach, ist der übliche Ablauf in dieser Produktionskette.

Alles geschieht im Browser-Tab auf dem eigenen Prozessor. Nichts, was die Aufnahme enthält, wird irgendwohin gesendet, was für ein unveröffentlichtes Interview oder eine vertrauliche Aufnahme selten eine Vorliebe ist, sondern meist eine Voraussetzung — die übliche Alternative wäre, die ganze Aufnahme einer Website anzuvertrauen, die man gerade erst gefunden hat.

Die kostenlose Stufe nimmt Dateien bis 100 MB, gemessen an der MKV-Datei beim Hochladen — was hier unpassend eng werden kann, weil eine lange Aufnahme überwiegend aus Bild besteht: eine Stunde Gespräch vor einem statischen Bild kann ein Gigabyte Video um vierzig Megabyte Ton herum verpacken. Ist die Datei zu groß, hilft entweder vorheriges Kürzen oder ein lokales Werkzeug, das die Tonspur ohne Decodierung herauskopiert.