MP3 in AAC umwandeln

Ein Betrieb wechselt von einer alten, physisch im Serverraum stehenden Telefonanlage auf eine cloudbasierte Lösung eines deutschen Anbieters wie sipgate oder Placetel, und plötzlich verlangt die Ansageverwaltung nicht mehr MP3, sondern rohes AAC. Übrig bleibt ein Ordner mit Warteschleifenmusik, Begrüßungsansagen und Menüoptionen aus MP3-Dateien, die über Jahre gewachsen sind und von denen einige mit einer Sprecherin oder einem Sprecher aufgenommen wurden, die längst nicht mehr verfügbar sind.

Neu aufnehmen ist in solchen Fällen selten eine Option — die Stimme, das Studio oder schlicht das Budget dafür existiert nicht mehr. Die einzig sinnvolle Aufgabe ist deshalb, die vorhandenen MP3-Dateien so umzuwandeln, dass die neue Anlage sie annimmt, ohne dass die Sprachqualität dabei sichtbar leidet.

Das Ergebnis ist ein reiner ADTS-Strom — AAC-Frames, jeder mit seinem eigenen kurzen Kopf, ohne umgebende Dateistruktur. Genau das meint eine Telefonanlage, wenn sie eine .aac-Datei verlangt, und genau das erwartet ein IVR-System oder eine Warteschleifenverwaltung, die Ansagen in einzelnen Häppchen abspielt. Wer stattdessen eine Datei für eine Musikbibliothek bräuchte, wäre mit demselben Codec in einem M4A-Container besser bedient.

Ein solcher Strom lässt sich von einem Decoder an jeder Frame-Grenze aufnehmen, ohne dass er zuerst eine Datei-Kopfstruktur lesen müsste. Genau deshalb setzen Telefonanlagen und eingebettete Systeme unabhängig voneinander auf diese Bauweise — sie ist die einfachste Form, die ein kleiner Decoder ohne viel Code verarbeiten kann.

Eine Umwandlung zwischen zwei verlustbehafteten Formaten bei ähnlicher Bitrate ist meist kaum wahrnehmbar. Kritisch wird es, wenn die Zielbitrate deutlich niedriger liegt als die Ausgangsdatei — und genau das verlangen viele Telefonanlagen, weil ihre Ansagekanäle historisch auf schmale Bandbreiten ausgelegt sind, oft 48 Kilobit pro Sekunde oder weniger.

Eine mit 128 Kilobit pro Sekunde aufgenommene MP3-Ansage auf 48 herunterzurechnen bedeutet zwei aufeinanderfolgende Kompressionsentscheidungen, und die zweite verbraucht ihre Bits vor allem darauf, die Fehler der ersten zu verwalten statt echte Sprachinformation zu übertragen. Nennt die Spezifikation der Anlage eine Obergrenze statt eines festen Werts, lohnt sich der Spielraum nach oben; nennt sie einen exakten Wert, ist der bindend.

Der größte Teil dessen, was durch eine Ansageverwaltung läuft, ist eine einzelne Stimme in einem ruhigen Raum, und das ist für einen Codec der einfachste denkbare Fall: schmales Frequenzspektrum, vorhersehbare Struktur, keine Becken und keine Effekte. Solches Material übersteht eine zweite Kompressionsrunde selbst bei niedriger Bitrate mit erhaltener Verständlichkeit.

Bei der Warteschleifenmusik zeigt sich ein zweiter Durchgang dagegen deutlich. Instrumentalstücke mit Nachhall oder mehreren Instrumenten sind die Dateien, die man nach der Umwandlung tatsächlich anhören sollte — bei den gesprochenen Ansagen lohnt sich die Kontrolle in aller Regel nicht.

Der Strom behält die Abtastrate der ursprünglichen MP3-Datei, meist 44.100 Hertz bei allem, was irgendwann von einer CD oder aus dem Netz stammt. Diese Umwandlung passt die Rate an keiner Stelle an ein Zielsystem an, und ein Frame-Kopf, der ehrlich 44.100 Hertz meldet, ist nicht das, was ein Telefonsystem lesen will, das 8 oder 16 Kilohertz erwartet.

Genau diese schmalen Raten sind in der Telefonie noch immer üblich. Steht in der Spezifikation der Anlage eine feste Abtastrate, lohnt sich ein Blick in die vorhandenen MP3-Dateien, bevor eine ganze Ansagebibliothek umgewandelt wird — und ein Werkzeug, das tatsächlich resampelt, wenn die Werte nicht zusammenpassen. Diesen Unklang erst nach der Umstellung auf die neue Anlage zu bemerken, ist der teurere Zeitpunkt dafür.

Sind die umgewandelten Dateien einmal fertig, lassen sich Stücke mit gleicher Abtastrate und Kanalzahl direkt aneinanderhängen. Eine Stunde Ansagen aus vierzig Einzelstücken zusammenzusetzen kostet dabei keine weitere Qualität, weil dafür kein Decoder und kein Encoder eingreifen muss — die Bytes folgen einfach aufeinander.

Das lohnt sich als bewusste Entscheidung gegenüber dem naheliegenden Weg, alles in einem Audioprogramm zusammenzuschneiden und neu zu exportieren, was einer bereits zweifach komprimierten Datei einen dritten Durchgang hinzufügen würde. Das Zusammenfügen von ADTS-Strömen ist der einzige Schritt in dieser Kette, der wirklich nichts kostet.

ADTS trägt überhaupt keine Metadaten. Was auch immer die MP3-Datei an ID3-Tags mitführte — ein Titel, eine Ansagenkennung, ein Aufnahmedatum, eine Versionsnummer — hat im Ergebnis keinen Platz mehr, weil ein Frame-Kopf nur die Decoder-Konfiguration beschreibt und nichts über die Aufnahme selbst.

Der Dateiname wird damit zur einzigen verbliebenen Kennzeichnung, und es lohnt sich, ihn vor der Umwandlung sorgfältig zu setzen statt hinterher zu raten. Hängt die Verwaltung der Ansagebibliothek an den Tags, gehört diese Information vorher in eine eigene Übersicht exportiert — die Umwandlung wird sie nicht bewahren, und kein späterer Schritt kann sie rekonstruieren.

Der eigentlich bessere Weg überspringt die MP3-Datei ganz. Professionell eingesprochene Ansagen wurden meist als WAV geliefert, und diese Dateien liegen mitunter noch auf einer alten Festplatte, in einem Projektordner oder beim Tonstudio, das die Aufnahme damals gemacht hat. Eine AAC-Kodierung direkt aus dem WAV ist eine einzige Kompressionsrunde statt zwei aufeinanderfolgender.

Es lohnt sich, kurz nachzufragen, bevor eine ganze Ansagebibliothek aus MP3-Dateien umgewandelt wird — der Unterschied ist bei den niedrigen Bitraten, die Telefonanlagen verlangen, tatsächlich hörbar. Sind die Originale wirklich nicht mehr auffindbar, was nach einem Anlagenwechsel und etlichen Jahren durchaus vorkommt, ist die Umwandlung aus MP3 die richtige, bewusst getroffene Entscheidung.

Jeder Durchgang nimmt bis zu hundert Dateien mit je hundert Megabyte entgegen, und Ansagedateien sind so klein, dass keine der beiden Grenzen je erreicht wird — eine MP3 mit 128 Kilobit pro Sekunde liegt bei etwa 0,96 Megabyte pro Minute, hundert Megabyte reichen also weit über eine Stunde. Der Stapel kommt als ZIP zurück, mit je einem Strom pro Ausgangsdatei.

Nichts davon wird zu irgendeinem Zeitpunkt hochgeladen, was bei Ansagen unter Vertrag mit einer Agentur oder Aufnahmen, die eine Sprecherin nur für eine bestimmte Nutzung freigegeben hat, durchaus zählt. Der Encoder wird auf das eigene Gerät geladen, wo der Browser selbst keinen mitbringt — die Audiodatei bewegt sich in keiner Richtung darüber hinaus.