MOV in MP3 umwandeln

Die deutsche Gesprächsforschung transkribiert nach festen Konventionen — am verbreitetsten das Gesprächsanalytische Transkriptionssystem GAT2 —, und keine davon verlangt ein Bild. Wer ein Interview mit dem Handy oder einer Kamera aufgezeichnet hat, weil kein separates Aufnahmegerät zur Hand war, sitzt trotzdem auf einer MOV-Datei, wenn die eigentliche Arbeit beginnt.

Ein Transkriptionsprogramm, eine studentische Hilfskraft oder ein externer Dienstleister braucht davon nur die Tonspur, und zwar in einem Format, das jede Software ohne Rückfrage öffnet. Das Bild bleibt für die Archivierung interessant, für die Transkription ist es reiner Ballast, der die Datei unnötig groß macht und beim Hochladen zu einem Dienstleister unnötig lange dauert.

Kein Browser bringt einen MP3-Encoder mit — MP3 wird überall dekodiert und nirgends kodiert, weil das Format lange patentbehaftet war und sich seither niemand die Mühe gemacht hat, das nachzuholen. Beim ersten Wandeln in dieses Format lädt die Seite deshalb einen Encoder nach, danach ist er im Browser zwischengespeichert.

Alles andere läuft ohne Nachladen: Das Lesen der MOV-Datei und das Dekodieren der Tonspur nutzt, was das eigene Gerät ohnehin mitbringt. Nur dieser eine Baustein kommt von außen, und dabei verlässt keine Aufnahme das Gerät — es kommt lediglich Software an, keine Datei geht hinaus.

Die Bedienung bietet niedrig, ausgewogen und hoch an. Welche Bitrate dahintersteckt, legt nicht diese Seite fest, sondern der MP3-Encoder selbst, deshalb steht hier bewusst keine Kilobit-Zahl. Für ein Interview, das transkribiert werden soll, reicht die niedrige Stufe technisch völlig aus — Sprachverständlichkeit hängt kaum von der gewählten Stufe ab, solange es nicht die knappste am unteren Rand des Sinnvollen ist.

Ausgewogen ist trotzdem die vernünftige Grundeinstellung, weil die zusätzliche Dateigröße gegenüber der niedrigen Stufe beim Versand an eine Transkriptionsstelle kaum spürbar ist. Die hohe Stufe lohnt sich nur, wenn im Video auch Musik vorkommt — bei reinem Gesprächston verbrät sie zusätzliche Bitrate an Raumhall und Nebengeräusche.

Die Tonspur der MOV-Datei ist bereits komprimiert, meist als AAC. Wer daraus MP3 macht, komprimiert ein zweites Mal, und was beim ersten Durchgang schon verworfen wurde, kommt dabei nicht zurück. Für die Verständlichkeit von Sprache spielt das praktisch keine Rolle.

Hörbar wird es höchstens bei Umgebungsgeräuschen mit viel Struktur — Applaus, Blätterrauschen, ein Raum voller Nebengespräche —, die bei doppelter verlustbehafteter Kompression einen leicht schwimmenden Klang annehmen. Für ein reines Gesprächsprotokoll ist das ohne Bedeutung, für eine musikalische Aufnahme ein Grund, WAV oder FLAC vorzuziehen.

Eine MP3-Datei hat Platz für genau eine Tonspur. Trug die Kamera zusätzlich ein Funkmikrofon oder eine separate Zuspielung auf einer zweiten Spur mit, geht diese verloren — die erste Spur der Containerdatei entscheidet, und welche das ist, legt die Kamera beim Aufnehmen fest, nicht diese Seite.

Vor einer größeren Stapelverarbeitung lohnt sich deshalb eine einzelne Testdatei. Kommt die falsche Spur heraus, etwa das eingebaute Mikrofon statt des Ansteckmikrofons, hilft nur der Export der gewünschten Spur aus einer Schnittsoftware oder die direkte Umwandlung der separaten Aufnahme, falls eine existiert.

Die Umwandlung übergibt dem Encoder keine eigenen Angaben zu Titel, Datum oder Interviewpartner, und was davon am Ende als ID3-Tag in der MP3-Datei steht, ist von hier aus nicht zugesichert. Verlassen kann man sich darauf jedenfalls nicht, und ein Feld für die befragte Person gibt es in den QuickTime-Metadaten einer Kamera ohnehin nicht, ein Titel setzt kaum ein Gerät von selbst.

Ein Datum, ein Kürzel für die befragte Person und eine Teilenummer im Dateinamen kosten beim Umbenennen wenige Sekunden, sind verlässlicher als das übernommene Kameradatum und überstehen jeden Transfer an eine Transkriptionsstelle. Wer die Dateien danach in eine Bibliothek einsortiert, kann Titel und weitere Angaben nachträglich mit einem Tag-Editor ergänzen und dabei die übernommenen Reste überschreiben.

Eine Minute 1080p-Video von einem Smartphone liegt bei rund 65 MB, dieselbe Minute als MP3 in der ausgewogenen Stufe bei einem Bruchteil davon — das Bild macht den weit größeren Teil des Platzes aus, den der Ton, der für die Transkription tatsächlich gebraucht wird, gar nicht braucht. Bei einem längeren Projekt mit mehreren Stunden Material summiert sich das schnell zu einem Unterschied zwischen einer externen Festplatte und einem USB-Stick.

Genau deshalb lohnt sich diese Umwandlung bei Forschungsprojekten mit vielen Aufnahmen: Eine Transkriptionsstelle rechnet meist nach Minuten ab, unabhängig vom Format, verarbeitet Audio aber schneller als Video, und ein Archiv aus MP3-Dateien lässt sich, sobald transkribiert wurde, auch durchsuchen.

Die Obergrenze der kostenlosen Nutzung liegt bei 100 MB je hochgeladener Datei, und das ist die Videodatei, die weit größer ist als das, was am Ende herauskommt. Eine 4K-Aufnahme vom iPhone erreicht diese Grenze schon nach rund fünfunddreißig Sekunden, in 1080p nach etwa anderthalb Minuten — die MP3-Datei daraus wiegt in beiden Fällen nur wenige Megabyte.

Für ein längeres Interview führt der praktikable Weg über die Software, mit der bereits geschnitten wird: Jedes Schnittprogramm kann Audio separat exportieren, und dort lässt sich auch gleich die richtige Spur auswählen und der Anfang beschneiden. Diese Seite ist für die kurze Aufnahme gedacht, die gerade auf dem eigenen Gerät liegt.

Das Lesen der Containerdatei, das Dekodieren des Tons und das Kodieren zu MP3 laufen vollständig in diesem Browser-Tab. Nichts, was die Aufnahme trägt, wird irgendwohin gesendet, und der Netzwerk-Tab zeigt während der Umwandlung nur den ankommenden Encoder und nichts, das den umgekehrten Weg nimmt.

Für Interviews mit besonderen Auskunftspflichten — im Forschungskontext oft durch eine Einwilligungserklärung geregelt — ist das mehr als eine Nebensächlichkeit. Ein Zeitzeugengespräch, ein betriebliches Gespräch oder ein Kundentermin sollte nicht erst bei einem unbekannten Onlinedienst zwischenlanden, nur um daraus den Ton herauszulösen, und hier passiert genau das nicht.

Ein ganzer Ordner mit MOV-Dateien lässt sich auf einmal ablegen, jede Datei wird einzeln umgewandelt und am Ende gemeinsam als ZIP angeboten. Bei einer Feldforschungsphase mit mehreren Aufnahmen pro Tag ist das der Normalfall und keine Ausnahme.

Weil nichts hochgeladen wird, entsteht dabei keine Warteschlange und kein Datenvolumen — die Rechenzeit fällt auf dem eigenen Gerät an, und bei mehreren Stunden Material ist das der Punkt, an dem man die Umwandlung starten und in der Zwischenzeit etwas anderes tun sollte.

Die MP3-Datei ist für die Transkription gedacht, nicht als Ersatz für das Rohmaterial. Bei einem Zitat, das später überprüft werden muss, bei einer Nachfrage zur Tonlage oder bei einer Frage, ob eine Aussage ironisch gemeint war, hilft nur das Bild — Mimik und Situation stecken nicht in der Tonspur, und eine Transkription allein beantwortet solche Fragen nicht.

Die MP3-Datei ist die Arbeitskopie für die Verschriftlichung, das MOV bleibt die Grundlage, auf die man bei Zweifeln zurückgreift. Für ein länger laufendes Projekt lohnt es sich, beides mit demselben Namensschema abzulegen, damit sich eine Transkriptzeile jederzeit dem passenden Videoabschnitt zuordnen lässt.