OPUS in AAC umwandeln

Cloud-Telefonanlagen wie eine Placetel-, sipgate- oder easybell-Ansage, IVR-Systeme im Kundenservice und Warteschlangenmusik verlangen häufig „AAC-Audio" für hochgeladene Ansagetexte — und dahinter können zwei völlig verschiedene Dateien stecken. Diese Seite schreibt ADTS: aufeinanderfolgende AAC-Frames mit einem kurzen Header pro Frame, ohne Hülle, ohne Längenangabe, ohne Metadatenbereich. Die andere Datei, die ebenfalls AAC heißt, ist eine M4A — dasselbe kodierte Audio, verpackt in einen MP4-Container mit all dem drum herum.

Welche der beiden gebraucht wird, lässt sich nicht am Wort „AAC" ablesen. Nennt die Dokumentation des Anbieters ADTS, einen Elementarstream oder eine `.aac`-Endung, ist diese Seite richtig. Steht dort nur „AAC-Datei hochladen" und erwartet das System eine Dauer oder einen Titel, ist die M4A die sicherere Wahl.

ADTS existiert, damit ein Strom an jedem beliebigen Frame beginnen kann. Genau darauf sind Ansage-Player, Segmentierer und eingebettete Decoder in Telefonanlagen ausgelegt: Sie schneiden Audio in Stücke, beginnen mittendrin zu spielen und übergeben Fragmente an einen Decoder, der keinen Container zur Hand hat. Ein Header auf jedem Frame macht das sicher.

Aus demselben Grund lassen sich zwei ADTS-Dateien mit gleicher Samplerate und Kanalzahl byteweise aneinanderhängen, und das Ergebnis spielt als eine durchgehende Datei — ohne erneute Kodierung und damit ohne zusätzlichen Verlust. Ansagesysteme setzen Sätze auf genau diese Weise aus Textbausteinen zusammen.

Opus läuft auf einer festen 48.000-Hz-Uhr, ein Decoder meldet diese Rate unabhängig davon, womit ursprünglich aufgenommen wurde — die hier erzeugte AAC-Datei liegt deshalb bei 48 kHz, auch wenn die Quelle eine 16-kHz-Sprachaufnahme war. Diese Seite resampelt bewusst nicht, denn Resampling ist eine Entscheidung mit hörbaren Folgen und gehört in ein Werkzeug, in dem man das Ergebnis prüfen kann.

Das trifft genau den häufigsten Anwendungsfall: Telefonanlagen und IVR-Systeme verlangen in der Regel 8.000 oder 16.000 Hz, weil nur so viel die Leitung überträgt, und eine 48-kHz-Datei wird entweder abgelehnt oder beim Hochladen automatisch heruntergerechnet. Wer das selbst in einem Editor erledigt, bevor die Ansage live geht, prüft das Ergebnis, statt es an einer echten Leitung zu entdecken.

Opus taucht hier aus drei Gründen auf. WhatsApp-Sprachnachrichten und viele Messaging-Plattformen speichern in Opus, weil das Format für Echtzeit-Sprache gebaut wurde und von WebRTC vorgeschrieben ist. Anrufaufzeichnungen aus einer Konferenzsoftware liegen oft im gleichen Format vor. Und Sprachsynthese-Dienste für automatische Ansagen liefern zunehmend Opus, aus denselben Bandbreitengründen.

Die Ausgangsbitrate setzt die Grenze für alles Weitere. Eine bei 64 kbit/s oder besser synthetisierte Ansage ergibt bei der höchsten Qualitätsstufe eine AAC-Datei, an der niemand etwas auszusetzen hat. Eine für ein Telefongespräch bei 24 kbit/s aufgenommene Sprachnachricht liegt schon am unteren Ende dessen, was der Codec kann, und keine Einstellung auf dieser Seite verbessert das mehr — die höchste Stufe verhindert nur, dass der zweite Encoder noch etwas hinzufügt.

Die Auswahl ist Klein, Ausgewogen oder Hohe Qualität, und jede Stufe löst intern eine feste Bitrate auf, die für AAC anders ausfällt als für Opus oder MP3 — die Seite nennt bewusst keine Kilobit-Zahl dazu, weil dieser Wert vom Encoder der jeweiligen Kodierbibliothek kommt und nicht von dieser Seite festgelegt wird.

Vorgaben für AAC sind meist Obergrenzen, die eine Übertragungsstrecke setzt, nicht Qualitätsziele — ein schmaler Kanal, ein Budget, das vor Jahren festgelegt wurde. Ist nichts vorgegeben, ist Hohe Qualität die richtige Voreinstellung für eine zweite Kodierungsrunde, weil genau dieser Spielraum dafür sorgt, dass der Encoder kaum noch etwas Eigenes hinzufügt. Nennt eine Anbieter-Dokumentation eine konkrete Kilobit-Grenze, hilft nur ein Test: die Datei hochladen und prüfen, ob sie angenommen wird.

Für ein System aufgenommene Sprache liegt üblicherweise schon in Mono vor, und das sollte so bleiben: Zwei identische Kanäle tragen dieselbe Information bei doppelter Bitrate, und ein Ansage-Player, der Mono erwartet, kann eine Stereodatei unvorhersehbar behandeln. Diese Seite befördert keine Mono-Datei zu Stereo, eine Mono-Opus-Datei ergibt also eine Mono-AAC-Datei.

Der ADTS-Header trägt die Kanalkonfiguration auf jedem Frame mit sich, was die oben beschriebene Aneinanderreihung sicher macht — ein Mono-Fragment lässt sich nicht versehentlich an ein Stereo-Fragment hängen, ohne dass der Unterschied auffällt. Liegen beide Varianten in einem Ordner, ist es einfacher, das vor der Umwandlung zu bereinigen als hinterher in einem Strom aus Frames.

Eine ADTS-Datei enthält an keiner Stelle eine Dauerangabe. Software, die eine Länge braucht, schätzt sie — entweder durch Abtasten jedes Frames oder durch Teilen der Dateigröße durch eine angenommene Bitrate, und variable Bitraten machen diese Rechnung ungenau. Deshalb zeigen manche Player bei einer `.aac`-Datei eine falsche Länge an oder verweigern das Springen im Stream.

Für ein Ansagesystem ist das folgenlos, weil die Plattform die Dauer beim Einlesen selbst misst und in ihrer eigenen Datenbank speichert. Wo ein Mensch eine Fortschrittsanzeige sieht, ist es ein sichtbarer Mangel — und der deutlichste praktische Hinweis darauf, dass ein roher Strom hier die falsche Lieferung war. Die M4A trägt die Dauer im Header und hat dieses Problem nicht.

Opus steckt in einem Ogg-Container mit Vorbis-Kommentaren — einer offenen Liste von Schlüssel-Wert-Paaren —, und eine synthetisierte Ansage oder ein exportierter Mitschnitt trägt darin nicht selten eine brauchbare Beschreibung. ADTS kennt keinen Metadatenbereich, jedes Feld fällt also weg, übrig bleibt nur der Ton.

In diesem Zusammenhang ist das meist unproblematisch: Ansagen werden über ihren Pfad und den Datensatz der Plattform identifiziert, nicht über eingebettete Tags. Zählt eine Beschreibung trotzdem — eine Lizenz, eine Herkunftsangabe, eine Versionsnummer eines Ansage-Sets —, gehört sie vor der Umwandlung in den Dateinamen oder eine separate Liste, oder man wählt gleich die M4A, die dafür Platz hat und dasselbe Audio enthält.

Cloud-Telefonanlagen, die sich an kleinere deutsche Betriebe richten, dokumentieren ihre Upload-Formate häufig knapp, mit einem einzigen Satz wie „AAC, 8 oder 16 kHz" ohne weitere Angabe zum Container. In der Praxis erwarten die meisten dieser Systeme genau den rohen Strom, weil ihre Ansage-Engine intern auf Fragmenten arbeitet, nicht auf vollständigen Dateien mit Header.

Im Zweifel hilft ein kurzer Test: Eine hochgeladene ADTS-Datei, die sich im Anlagen-Portal ohne Fehlermeldung abspielen lässt und dort korrekt lang angezeigt wird, war die richtige Wahl. Zeigt das Portal eine falsche oder gar keine Dauer an, ist das der Hinweis, stattdessen die M4A hochzuladen.

Dateien sind auf 100 MB begrenzt — für Opus entspricht das Stunden an Sprache —, und bis zu hundert lassen sich gemeinsam ablegen und als ZIP zurückholen, was der Art entspricht, wie Ansage-Sets und Bot-Aufzeichnungen tatsächlich anfallen. Die Arbeit läuft als Rechenzeit auf dem eigenen Rechner, nicht als Datenübertragung, sodass sich ein großer Stapel auch dann lohnt, wenn man ihn einfach laufen lässt.

Opus wird von jedem Browser nativ decodiert, weil WebRTC das vorschreibt. Chrome, Edge und Safari kodieren AAC ebenfalls nativ; Firefox nicht, dort wird einmalig ein WebAssembly-Encoder nachgeladen. Dieses Paket ist das Einzige, was über das Netzwerk geht — aufgezeichnete Anrufe und Kundenansagen im selben Stapel bleiben auf dem Rechner, was sich in den Entwicklertools während einer Umwandlung nachprüfen lässt.