MP4 in WAV umwandeln

Die klassische Anfrage kommt nicht aus dem Musikbereich, sondern aus Praxen und Kanzleien. Diktiersysteme wie Philips SpeechExec oder Grundig Digta, wie sie in vielen deutschen Arztpraxen und Anwaltskanzleien für das Diktat von Befunden und Schriftsätzen laufen, verlangen für die Weitergabe an eine Schreibkraft oder ein Transkriptionssystem meist WAV — nicht, weil das Format klingt, sondern weil das Bearbeitungsprogramm keine Kompression öffnen will.

Landet stattdessen ein per Videokonferenz aufgezeichnetes MP4 auf dem Schreibtisch — eine Fallbesprechung, ein Beratungsgespräch, ein Vortrag —, muss die Tonspur erst aus dem Container heraus, bevor sie in ein solches System passt. Genau das leistet diese Umwandlung, ohne dass die Aufnahme irgendwo hochgeladen wird.

Ein MP4 ist ein Container mit einer Video- und einer Tonspur nebeneinander. Diese Funktion liest die Tonspur, dekodiert sie und schreibt sie als WAV. Das Video wird dabei weder umgewandelt noch neu kodiert noch verschlechtert — es ist einfach nicht Teil der Ausgabe, und die Ursprungsdatei bleibt unangetastet.

Das erklärt auch, warum selbst eine lange Aufnahme schnell fertig ist. Videokodierung ist der teure Teil jeder Videoverarbeitung; eine Stunde AAC zu dekodieren und als Samples zu schreiben, ist im Vergleich dazu eine kleine Aufgabe.

Die Tonspur in einem MP4 ist fast immer AAC, und AAC ist verlustbehaftet — beim Erstellen des Videos wurden Teile des Signals bereits verworfen. Das Dekodieren nach WAV gibt exakt das wieder, was übrig geblieben ist, nicht mehr.

Die Ausgabe ist also eine große, unkomprimierte Datei mit Ton, der schon einmal komprimiert wurde. Das ist kein Fehler, aber es lohnt sich, es zu sagen, weil viele eine Verbesserung erwarten. Der Gewinn liegt darin, dass jetzt rohe Samples vorliegen, mit denen Schnitt- und Diktatsoftware arbeiten will — der Klang selbst bleibt derselbe wie im MP4.

Bearbeitung. Jeder Schnitt, jede Blende, jeder Filter in einer WAV-Datei geht von genau dem aus, was vorher da war, und Speichern kodiert nichts neu. Eine verlustbehaftete Datei muss bei jedem Speichern dekodiert, verändert und neu kodiert werden, und nach ein paar Bearbeitungsrunden wird der Schaden hörbar.

Kompatibilität ist der zweite Grund. Diktier- und Spracherkennungssysteme, Transkriptionsdienste und digitale Audioworkstations nehmen WAV meist ohne Nachfrage an, manche nehmen nichts anderes. Wenn der nächste Schritt im Arbeitsablauf das Format ausdrücklich verlangt, liegt genau daran.

Stereo bei 48 kHz und 16 Bit liegt bei etwa 11 Megabyte pro Minute. Ein zehnminütiges Beratungsgespräch sind 110 Megabyte, eine einstündige Fallbesprechung rund 650, eine dreistündige Fortbildung fast zwei Gigabyte.

Zwei praktische Folgen: WAV kann keine Datei über etwa vier Gigabyte beschreiben, was bei diesen Werten ungefähr sechs Stunden entspricht — genug für fast alles, aber nicht für einen ganzen Kongresstag. Und diese Dateien lassen sich hervorragend komprimieren, ein ZIP vor dem Versand halbiert die Größe meist ohne jeden Aufwand.

Ein Video kann mehrere Tonspuren tragen: Originalton und Synchronfassung, einen Kommentar, eine Audiodeskription oder getrennte Mikrofonspuren bei einer Aufnahme mit mehreren Geräten. Diese Umwandlung nimmt die erste.

Bei einer Handy- oder Bildschirmaufnahme ist das ohnehin die einzige, und die Frage stellt sich nicht. Bei einer professionell aufgezeichneten Sitzung oder einem Videomitschnitt mit mehreren Sprachen lohnt sich vorher ein Blick, welcher Ton tatsächlich drin ist — eine falsche Spur fällt sonst erst mitten in der Abschrift auf.

Soll die Aufnahme angehört statt bearbeitet werden — ein Fortbildungsmitschnitt zum Nachhören, eine Aufzeichnung für die eigenen Unterlagen —, ist MP3 oder AAC die richtige Wahl. Ein Zehntel der Größe, und bei ordentlicher Bitrate ist der Unterschied auf normalem Wiedergabegerät nicht zu hören.

Die Regel dahinter ist dieselbe wie beim Aufnehmen selbst: unkomprimiert arbeiten, komprimiert weitergeben. Erst die WAV-Datei extrahieren, dort schneiden, und am Ende einmal als MP3 exportieren, statt gleich zu Beginn zu komprimieren.

Spracherkennungssoftware nimmt in der Regel direkt WAV, und manche verlangen eine bestimmte Abtastrate oder mono statt Stereo. Rohe Samples zu übergeben spart einen Dekodierschritt und jeden Zweifel daran, was das Werkzeug mit einer komprimierten Datei intern anstellt.

Bei einer langen Aufnahme wird auch alles Weitere schneller: Eine 650-Megabyte-WAV-Datei läuft durch eine Transkriptionspipeline spürbar zügiger als ein mehrere Gigabyte großes Video, das bei jedem Schritt erst entpackt werden muss.

Die Extraktion läuft im Browser-Tab auf dem eigenen Prozessor. Das Video wird nicht hochgeladen, es gibt also keine Serverkopie, keine Warteschlange hinter anderen Nutzern und kein Tageslimit — die Obergrenze der kostenlosen Nutzung liegt bei 100 Megabyte pro Datei, und genau daran scheitert bei langen Aufnahmen manchmal schon der erste Versuch.

Das spielt bei genau dem Material eine Rolle, das hier üblicherweise ankommt: Patientenberatungen, Mandantengespräche, interne Besprechungen. Der zuverlässigste Weg, eine Aufnahme vertraulich zu halten, bleibt der, sie nirgendwohin zu schicken.

Ein wachsender Anteil dieser Anfragen kommt nicht von einer Kamera, sondern von einer aufgezeichneten Videokonferenz — ein Beratungsgespräch, eine Fallbesprechung im Team, eine Fortbildung, die als MP4 aus Teams, Zoom oder einem vergleichbaren Dienst exportiert wurde. Solche Aufnahmen bringen häufig eigene Eigenheiten mit: eine leichte Kompression der Sprache durch den Dienst selbst, gelegentliches Echo bei schlechter Raumakustik, und oft nur eine zusammengemischte Spur statt getrennter Kanäle je Teilnehmer.

Für die WAV-Extraktion ändert das nichts an der Vorgehensweise, ist aber wichtig für das, was danach passiert. Eine Rauschunterdrückung oder eine Lautstärkeanpassung in einem Editor arbeitet zuverlässiger auf unkomprimierten Samples als auf einer Datei, die bei jedem Bearbeitungsschritt neu komprimiert würde — ein weiterer Grund, warum Diktier- und Transkriptionssoftware WAV statt eines MP4-Anhangs verlangt.

Die meisten Diktier- und Transkriptionssysteme in Praxen und Kanzleien erwarten die Audiodatei über einen festen Ordner, ein Netzlaufwerk oder eine kleine Importfunktion in der Software selbst — nicht über eine Cloud-Anbindung. Weil die Umwandlung hier lokal auf dem eigenen Rechner läuft, landet die fertige WAV-Datei direkt im Download-Ordner des Browsers und kann von dort ohne Umweg in dieses System verschoben werden.

Bei einem größeren Praxisbetrieb mit mehreren Aufnahmegeräten lohnt sich eine feste Dateibenennung, etwa nach Datum und Fallnummer, bevor die Datei überhaupt umgewandelt wird — die Umwandlung selbst übernimmt den ursprünglichen Dateinamen, ändert also nur die Endung, nicht den Namen davor.

Manche Diktiergeräte und Konferenzrekorder speichern von Haus aus nicht in einem Audioformat, sondern schreiben ein einfaches MP4 als Container, weil das dieselbe Aufnahmehardware auch für kurze Videonotizen nutzt. Die Tonspur darin unterscheidet sich technisch nicht von der eines gefilmten Interviews — sie ist ebenso AAC-kodiert und lässt sich genauso extrahieren.

Für ein solches Gerät lohnt sich vorab ein Blick in die Einstellungen: Manche bieten inzwischen eine direkte WAV-Aufnahme an, was diesen Umweg von vornherein erspart. Ist das nicht der Fall oder ist die Datei bereits als MP4 aufgenommen, ändert sich am Vorgehen hier nichts.

Wer eine ganze Sprechstunde oder mehrere Beratungstermine als einzelne MP4-Dateien vorliegen hat, kann den ganzen Ordner auf einmal ablegen. Jede Datei wird für sich extrahiert, behält ihren Namen mit getauschter Endung, und alle zusammen kommen als ein ZIP zurück.

Weil nichts hochgeladen wird, gibt es dabei keine Warteschlange, aber einen Ordner mit mehr als hundert Dateien nimmt ein Durchgang nicht auf einmal — die Obergrenze liegt bei hundert Dateien, der Rest braucht einen zweiten Durchgang. Innerhalb dieser Grenze ist bei vielen langen Aufnahmen der Arbeitsspeicher des eigenen Rechners der praktische Engpass, nicht die Dateizahl.