WebM in MP3 umwandeln

Kaum ein Land nutzt Sprachnachrichten so selbstverständlich wie Deutschland — WhatsApp Web, Discord, ein Meeting-Tool oder ein browserbasierter Rekorder speichern sie fast durchweg als WebM-Datei mit Opus-Ton, oft nur wenige hundert Kilobyte groß und häufig ganz ohne Bildspur. Wer eine solche Datei herunterlädt, tut das selten absichtlich, und wenn die Datei nur ein paar hundert Kilobyte wiegt, ist sie fast nie ein Video.

Das erklärt das vertraute Symptom: Die Datei spielt im Browser, aus dem sie stammt, tadellos ab und verweigert sich überall sonst. Das Autoradio findet sie auf dem USB-Stick nicht, die Musik-App auf dem Telefon überspringt sie, ein Transkriptionsdienst lehnt den Upload ab, und die Kollegin, der man die Datei geschickt hat, fragt zurück, was das eigentlich sei. An der Datei liegt es nicht — sie ist schlicht in einem Format, das für Browser gebaut wurde.

Der Ton darin ist Opus, 2012 von der Xiph.Org Foundation veröffentlicht und als RFC 6716 standardisiert. Es ist einer der besten Audiocodecs überhaupt — bei jeder Bitrate deutlich vor MP3 und besonders stark bei Sprache, weshalb jeder Sprachnachrichtendienst im Web darauf setzt. Jeder Browser kann Opus dekodieren, weil WebRTC das verpflichtend gemacht hat.

Außerhalb des Browsers kehrt sich das Bild um. Autoradios, HiFi-Streamer, Diktiersoftware, viele Windows-Medienplayer in ihrer Grundeinstellung und ein großer Teil professioneller Audiosoftware kennen Opus schlicht nicht. MP3 ist neunzehn Jahre älter und in jeder Messung schlechter — und trotzdem das einzige Format, das man einem Fremden ohne Rückfragen schicken kann.

Das ist der eigentümliche Fall, der dieses Paar von den anderen unterscheidet. WebCodecs stellt einer Webseite die Encoder des Betriebssystems zur Verfügung, und ausgerechnet MP3 verweigert es dabei durchgängig — das meistgefragte Audioformat im Netz ist zugleich das einzige, das kein Browser selbst schreibt.

Beim ersten Wunsch nach einer MP3-Datei lädt diese Seite deshalb eine kompilierte Version des LAME-Encoders herunter und meldet sie an. Das ist die kurze Pause vor dem ersten Fortschrittsbalken. Sie tritt einmal pro Sitzung auf; wer zehn Aufnahmen hintereinander umwandelt, wartet nur beim ersten Mal. An diesem Download ist die Audiodatei selbst nicht beteiligt, und in die andere Richtung geht ebenfalls nichts.

Der Opus-Ton einer Sprachnachricht hat bereits Details verworfen. Eine MP3-Datei daraus zu erzeugen, verwirft eine zweite Portion, weil der MP3-Encoder mit dem arbeitet, was übrig geblieben ist, nicht mit dem ursprünglichen Ton. Einen Weg daran vorbei gibt es nicht, außer gar nicht umzuwandeln — es ist Arithmetik, keine Schwäche eines bestimmten Werkzeugs.

Ob das etwas ausmacht, hängt vollständig davon ab, was aufgenommen wurde. Gesprochene Sprache in normaler Aufnahmequalität übersteht den Umweg ohne für ein menschliches Ohr wahrnehmbaren Unterschied, was auf so gut wie jede Sprachnachricht, jede Besprechungsaufnahme und jedes Interview zutrifft. Musik übersteht ihn schlechter: Becken und Nachhall sind die Stellen, an denen sich die zweite Kompressionsrunde bemerkbar macht. Handelt es sich um eine Proben- oder Mitschnittaufnahme, lohnt sich die hohe Qualitätsstufe, und das Original sollte aufbewahrt bleiben.

Bei der ausgeglichenen Einstellung landet man ungefähr bei einem Megabyte pro Minute, nahezu unabhängig davon, wie viel die WebM-Datei wog. Eine neunzigminütige aufgezeichnete Besprechung liegt bei etwa neunzig Megabyte, egal ob die Quelle sechs Megabyte kompakt gepacktes Opus war oder eine zwei Gigabyte große Bildschirmaufnahme mit demselben Ton darin.

Die Qualitätsstufe verschiebt diesen Wert um etwa das Doppelte in jede Richtung. Die niedrige Stufe passt zu Sprache, die über einen Telefonlautsprecher läuft oder per E-Mail verschickt wird; die hohe Stufe verdoppelt die Dateigröße ungefähr und lohnt sich nur, wenn Musik in der Aufnahme steckt. Opus ist bei niedrigen Bitraten deutlich effizienter als MP3, weshalb die MP3-Datei einer kleinen Sprachnachricht so oft ein Vielfaches der ursprünglichen WebM-Datei wiegt.

Nicht jede WebM-Datei hier ist reiner Ton. Bildschirmaufnahmen, aufgezeichnete Webinare und mitgeschnittene Besprechungen kommen ebenfalls als WebM mit Bildspur an, und oft ist genau das Bild der Teil, den niemand braucht — eine Präsentation, die ohnehin schon per E-Mail verschickt wurde, oder eine Stunde geteilter Bildschirm hinter zwanzig Minuten eigentlich wichtiger Diskussion.

Die Bildspur wird vollständig verworfen statt nur ignoriert, sodass aus einer Stunde 1080p-Aufnahme eine Stunde Sprache bei einem Bruchteil der Größe wird — genug, um sie problemlos auf ein Telefon zu bekommen. Enthält die WebM-Datei überhaupt keine Tonspur, bricht die Umwandlung ab und sagt das auch, was die ehrliche Reaktion auf ein Video ohne aufgenommenes Mikrofon ist.

Eine WebM-Datei kann mehrere Tonspuren enthalten, eine MP3-Datei genau eine. Welche Spur zuerst im Container steht, ist die, die ankommt. Für eine Sprachnachricht spielt das keine Rolle; bei einer aufgezeichneten Besprechung, deren Aufnahmetool Mikrofon und Systemton als getrennte Spuren geschrieben hat, entscheidet diese Reihenfolge, welche Hälfte des Gesprächs im Ergebnis landet.

Eine Auswahl zwischen den Spuren gibt es an dieser Stelle nicht, und das zu verschweigen wäre schlechter, als es zu sagen. Sind beide Spuren wichtig, müssen sie separat aus der Software exportiert werden, die die Aufnahme erstellt hat, oder die WebM-Datei wird in Audacity geöffnet, das den Container liest und die Spuren mischen oder trennen kann.

Der Umgang mit Aufnahmen von Personen ist in Deutschland bewusst zurückhaltend geregelt, und eine Sprachnachricht ist genau das: die Stimme eines Menschen, häufig mit Inhalt, der nicht für Dritte gedacht war. Ein Konvertierungsdienst, der die Datei zuerst auf einen fremden Server hochlädt, macht aus einer privaten Aufnahme für einen Moment eine Kopie außerhalb der eigenen Kontrolle — bei einer beruflichen Aufnahme kann das zusätzlich vertrags- oder arbeitsrechtlich heikel sein.

Dieser Schritt entfällt hier vollständig. Die Opus-Dekodierung und die MP3-Kodierung laufen im Browser-Tab, die Aufnahme verlässt das Gerät nicht. Im Netzwerktab des Browsers lässt sich das nachprüfen, statt einer Datenschutzerklärung glauben zu müssen: Bei der Umwandlung geht keine Anfrage mit der Audiodatei nach außen.

Ein häufiger Grund, hier zu landen, ist ein Transkriptionswerkzeug, das WebM oder Opus rundheraus ablehnt. Nahezu jeder Diktier- und Transkriptionsdienst nimmt MP3 an, und das gilt für Journalisten, die ein Interview verschriftlichen, ebenso wie für Anwaltskanzleien, die ein Diktat protokollieren lassen.

Akzeptiert der Dienst auch WAV, ist das die geringfügig bessere Wahl, weil dort nichts ein zweites Mal komprimiert wird — MP3 ist aber das Format, das so gut wie überall angenommen wird, ohne Rückfrage zur Kompatibilität.

Sprachnachrichten treten selten einzeln auf. Bis zu hundert WebM-Dateien lassen sich gleichzeitig ablegen, jede wandelt sich unabhängig mit eigenem Fortschrittsbalken um, und sobald mehr als eine fertig ist, steht ein Button für ein ZIP mit allen Ergebnissen bereit. Eine Warteschlange entsteht nicht, weil kein gemeinsamer Server im Hintergrund bedient wird.

Hier hört die lokale Umwandlung auf, nur eine Frage der Privatsphäre zu sein, und wird eine Frage der Zeit. Vierzig Sprachnachrichten über einen Dienst umzuwandeln, der sie hochlädt, bedeutet vierzig Uploads, ein Tageslimit und eine Wartezeit, die von der eigenen Internetverbindung abhängt. Hier hängt sie vom eigenen Prozessor ab, der schneller ist und nicht ausgeht.