WAV in AAC umwandeln

Wer hier landet, sucht selten ein Format zum Anhören. Es ist eher die Spezifikation einer Telefonanlage, die für ihre Warteschleifen- oder Ansagemodule ausdrücklich „.aac" verlangt, oder das Datenblatt eines Aufzugsteuerungssystems, dessen Sprachmodul keinen Container versteht, sondern nur einen nackten Strom aus Audioblöcken.

Diese Seite liefert genau das: keine Musikdatei mit Titel und Cover, sondern ADTS — Audio Data Transport Stream. Eine Folge selbstbeschreibender Blöcke, jeder mit eigenem kurzen Kopf, ohne Inhaltsverzeichnis und ohne irgendetwas darüber, was gespielt wird.

Business-Telefonanlagen, wie sie in vielen deutschen Betrieben für „Ansage vor Melden" oder Warteschleifenmusik verbaut sind, sprechen häufig keinen Container. Die Dokumentation des Herstellers nennt schlicht „.aac", und was dahintersteckt, ist ein Decoder-Chip, der Blöcke liest und keinen MPEG-4-Header parst, weil das zusätzlicher Code wäre, den niemand pflegen wollte.

Dieselbe Logik gilt für Fahrstuhlansagen, Werkshallen-Lautsprecheranlagen und eingebettete Systeme aller Art: Sie wählen das Format nicht wegen des Klangs, sondern weil ihr Pflichtenheft es so vorschreibt. Diese Seite existiert, damit die Datei bei der Abnahmeprüfung nicht drei Schritte später wegen eines falschen Formats zurückkommt.

Ein ADTS-Strom hat kein Feld für irgendetwas außer der Audiokonfiguration selbst — Abtastrate, Kanalzahl, Profil. Wer eine Ansage „Warteschleife_Weihnachten_2025" nennen möchte, kann das nur im Dateinamen tun, denn im Inneren der Datei gibt es keine Stelle dafür.

Für eine Sammlung von Ansagetexten ist das unproblematisch, solange die Dateinamen sauber gepflegt sind. Für eine Musiksammlung ist es der Grund, warum diese Seite die falsche Wahl wäre — dafür braucht es den M4A-Container mit demselben Codec.

Weil jeder Block seinen eigenen Kopf trägt, lassen sich zwei ADTS-Dateien mit gleicher Abtastrate und Kanalzahl einfach hintereinanderhängen — byteweise, ohne dass irgendetwas neu kodiert wird. Das Ergebnis ist ein gültiger dritter Strom.

Für ein System, das viele kurze Ansagen zu einer Playlist zusammensetzt — etwa eine Fahrplanansage aus Ortsname, Uhrzeit und Gleisnummer —, ist das der eigentliche Grund, warum der Standard so aussieht, wie er aussieht. Bei fast jedem anderen Format kostet das Zusammensetzen eine erneute Kodierung.

Es gibt kein Feld für die Gesamtdauer. Ein Abspielprogramm schätzt sie aus der Dateigröße und der beobachteten Bitrate, und bei variabler Bitrate wandert diese Schätzung während der Wiedergabe sichtbar.

Das ist normal und kein Zeichen einer beschädigten Datei. Wo eine exakte Dauer wichtig ist — etwa für eine Steuerung, die genau weiß, wann die nächste Ansage beginnt —, braucht es einen Container, der die Dauer tatsächlich speichert. Das wäre wieder M4A.

Der Encoder trifft dieselben Entscheidungen, egal ob das Ergebnis in einen MPEG-4-Container verpackt oder direkt als Blockfolge geschrieben wird. Eine WAV-Aufnahme klingt als roher AAC-Strom bei gleicher Qualitätsstufe identisch zu ihrer M4A-Version.

Der Unterschied liegt allein in ein paar Kilobyte Struktur — und in dem, was diese Struktur ermöglicht: Sprungmarken, Titelangaben, eine gespeicherte Dauer. Die Wahl zwischen den beiden ist eine Frage des Ziels, nicht der Klangqualität.

Diese Seite erzeugt aus einem Musikstück ohne Weiteres eine brauchbare .aac-Datei, und genau das sollte man fast nie tun. Das Stück käme unbetitelt, unsortiert, ohne Cover und mit unzuverlässiger Laufzeitanzeige in einer Musikbibliothek an, und ein gutes Stück Software auf dem Handy würde den Import gleich verweigern.

Die Faustregel ist einfach: Verlangt eine Maschine oder ein System das Format, ist es hier richtig. Soll ein Mensch zuhören, gehört das WAV in M4A oder MP3, und die WAV-Datei bleibt als Original erhalten.

Anforderungen in technischen Spezifikationen sind meist Obergrenzen einer Übertragungsstrecke, keine Qualitätsziele — 64 kbps, weil ein Kanal schmal ist, 128, weil ein Budget vor Jahren so festgelegt wurde. Statt einer Kilobit-Zahl gibt es hier drei Stufen, weil sich die Zuordnung von Codec zu Codec unterscheidet und der Encoder sie selbst auflöst.

Die nächstliegende Stufe wählen und das Ergebnis prüfen dauert wenige Sekunden und klärt die Frage zuverlässig. Bei Sprachaufnahmen — Ansagen, Prompts, Durchsagen — liegt die kleinste Stufe fast immer schon unter der geforderten Zahl. Auf Mono zu setzen, um darunterzukommen, bringt hier nichts: Es gibt keine Kanalregelung für dieses Paar, die Stufe legt die Bitrate allein über den Codec fest, unabhängig von Mono oder Stereo.

Eine WAV-Aufnahme braucht rund 10 MB pro Minute, und die Obergrenze pro Datei liegt hier bei 100 MB — knapp zehn Minuten Stereo. Diese Grenze kommt vom Arbeitsspeicher des Browsertabs während der Umwandlung, nicht von einer Upload-Quote, denn es wird nichts hochgeladen.

Für eine Ansagen-Pipeline ist das fast immer die richtige Größenordnung: Prompts und Durchsagen sind naturgemäß kurz, und hundert davon lassen sich auf einmal ablegen und als ZIP zurückholen. Ein durchgehendes Programm müsste vorher zerlegt werden — und das wäre für den Segmentierer ohnehin nötig gewesen.