WebM in WAV umwandeln

Wer diese Seite aufruft, will die Datei fast nie abspielen. Sie geht an ein Programm, das ausdrücklich unkomprimierte Samples verlangt: ein Transkriptionsmodell, Audacity, eine Analyse-Bibliothek, eine Diktiersoftware in einer Kanzlei oder Arztpraxis. Der Umweg über WAV ist der Preis dafür, dass dieses Programm eine WebM-Datei gar nicht erst öffnet.

Der Unterschied zur PCM-Datei ist rein mechanisch: Opus, wie es der Browser beim Aufnehmen schreibt, wird einmal dekodiert und die rohen Samples werden unverändert als PCM in eine RIFF-WAVE-Datei gepackt. Nichts wird dabei besser, nur les­bar für Software, die mit Kompression nichts anfangen kann.

16-Bit-PCM, in dem Container, den praktisch jedes Audioprogramm seit den Neunzigern liest. Abtastrate und Kanalzahl kommen unverändert aus der WebM-Datei — bei einer im Browser aufgenommenen Sprachnotiz sind das in der Regel 48 kHz, mono oder stereo je nach Aufnahmegerät.

Sechzehn Bit ist die Tiefe, die zum Ausgangsmaterial passt: Die Quelle war ein verlustbehafteter Stream, aus dem der Decoder Gleitkommawerte macht, und 24 oder 32 Bit würden nur den Rundungsfehler des Decoders genauer speichern, ohne dass Information dazukäme.

Jedes andere Audioziel auf dieser Seite bietet eine Qualitätsstufe an, weil ein verlustbehafteter Encoder wissen muss, wie viele Bits pro Sekunde er ausgeben darf. PCM ist kein Codec — es sind die Samples selbst, ohne Kodierung dazwischen. Es gibt schlicht nichts zu verhandeln.

Änderbar wären allenfalls Abtastrate und Bittiefe, aber das wäre Resampling und keine Umwandlung mehr — eine eigene Operation mit eigenen Kompromissen, die in das Werkzeug gehört, das einen Grund dafür hat. Deshalb fehlt der Regler, statt eine Zahl vorzutäuschen, die nichts bedeutet.

Das ist die Erwartung, die diese Seite am häufigsten korrigieren muss: Eine verlustfreie Umwandlung stellt nichts wieder her. Opus hat beim Aufnehmen dauerhaft entschieden, welche Anteile des Signals als unhörbar gelten, und diese Entscheidung ist nicht rückgängig zu machen. Die WAV-Datei bewahrt exakt das, was übrig geblieben ist.

Der Nutzen liegt nach vorn, nicht zurück: Von der WAV-Datei an verliert jeder weitere Schnitt, jeder Filter und jeder Export nichts mehr durch erneute Kompression. Genau das erwarten ein Transkriptionsmodell oder ein Editor — nicht eine bessere Aufnahme, sondern eine, die kein zweites Mal komprimiert wurde.

Unkomprimiertes Audio kostet eine feste Anzahl Bytes pro Sekunde: 96 kB je Kanal und Sekunde bei 48 kHz und 16 Bit. Das ergibt rund 5,8 MB pro Minute mono und 11,5 MB pro Minute stereo, unabhängig davon, ob gesprochen, geschwiegen oder Musik gespielt wird — eine einstündige Aufnahme in mono liegt bei etwa 350 MB.

Zum Vergleich: Dieselbe Stunde als WebM kann vierzig Megabyte groß sein. Das ist keine Schwäche des einen Formats gegenüber dem anderen — Opus ist auf Sprache hin optimiert, PCM versucht gar nicht, klein zu sein, sondern nur, exakt zu sein. Bevor du eine ganze Sitzung umwandelst, lohnt sich ein Blick auf den freien Speicherplatz.

In Deutschland stellt § 201 StGB das nicht öffentlich gesprochene Wort unter besonderen Schutz — die Vertraulichkeit des Wortes ist strafbewehrt, nicht nur eine Frage guter Sitte. Aufnahmen, die transkribiert werden sollen, sind fast immer genau das: Beratungsgespräche, Vernehmungen, Sitzungen eines Betriebsrats, Interviews mit einer schutzbedürftigen Quelle.

Die Umwandlung läuft vollständig im Browser, die Datei verlässt das Gerät also nicht. Das ist bei diesem Paar mehr als eine technische Randbemerkung: Wer ohnehin eine Aufnahme besitzt, deren Existenz rechtlich heikel sein kann, muss sie nicht zusätzlich einem fremden Server anvertrauen, nur um sie in ein lesbares Format zu bringen.

Eine WebM-Datei kann mehrere Tonspuren enthalten, die hier geschriebene WAV-Datei genau eine. Es ist die erste Spur im Container, die durchkommt — bei Meeting-Aufzeichnungen, die Mikrofon und Systemton getrennt speichern, ist das genau die Stelle, an der eine Spur unbemerkt fehlt.

Bei einer Aufnahme, die transkribiert werden soll, lohnt sich deshalb ein kurzer Blick in die WAV-Datei, bevor sie weitergereicht wird. Wo beide Spuren gebraucht werden, öffnet Audacity mit installierter FFmpeg-Komponente die WebM-Datei direkt und liest die Spuren getrennt ein — der einmalige Mehraufwand lohnt sich bei einer Aufnahme, die sich nicht wiederholen lässt.

Ein häufiger Grund für dieses Paar: Ein Diktat oder ein Gespräch wurde im Browser aufgenommen, weil kein spezielles Aufnahmegerät zur Hand war, und die Praxis- oder Kanzleisoftware, die daraus einen Text macht, erwartet PCM in einer WAV-Datei, keine Opus-Datei in einem WebM-Container.

Der Umweg ist nur einmalig lästig. Danach liest die Software die WAV-Datei genauso ein wie eine, die mit einem eigens dafür gekauften Diktiergerät entstanden ist — der Unterschied zwischen den beiden Aufnahmewegen ist für die Weiterverarbeitung unsichtbar.

Whisper und die vielen Werkzeuge, die darauf aufbauen, dokumentieren PCM als das Format, das sie annehmen, und wandeln alles andere zuerst selbst um. Diese Umwandlung vorher selbst zu machen, hat einen konkreten Vorteil: Man sieht das Ergebnis, bevor der Text entsteht.

Ist die WAV-Datei stumm, eine halbe Sekunde lang oder die falsche von zwei Mikrofonspuren, fällt das in einem Audio-Editor in Sekunden auf — statt erst in einem Transkript voller Unsinn eine Stunde später. Genau diese Fälle kommen häufiger vor, als man erwartet.

Ein Betriebsrat, der eine Sitzung zur eigenen Protokollführung mitschneidet, bewegt sich in einem besonderen Rahmen: Nach ganz herrschender Auffassung darf die Aufnahme nur so lange existieren, wie sie für das Protokoll gebraucht wird, und muss danach gelöscht werden — anders als das Protokoll selbst, das dauerhaft aufbewahrt wird. Wer die Tonspur zwischenzeitlich in ein besser handhabbares Format bringt, um sie zu transkribieren, will diesen Zeitraum so kurz wie möglich halten.

Eine Umwandlung, die lokal läuft, passt zu genau dieser Anforderung: Es entsteht keine zusätzliche Kopie auf einem fremden Server, die separat gelöscht werden müsste und die im Zweifel eine eigene Aufbewahrungsfrist und ein eigenes Datenschutzrisiko mitbringt. Die einzige Kopie, um die sich jemand kümmern muss, bleibt die auf dem eigenen Gerät.

Nicht jede Software, die eine Aufnahme entgegennimmt, verlangt tatsächlich unkomprimiertes PCM — viele akzeptieren auch eine komprimierte Datei und geben nur in ihrer Dokumentation PCM als bevorzugtes Format an. Reicht eine kleinere Datei, ist die WebM-zu-MP3-Umwandlung auf dieser Seite oft die praktischere Wahl: ein Fünftel der Größe, bei kaum wahrnehmbarem Unterschied für Sprache.

Der Unterschied zählt vor allem bei der Übertragung selbst — eine WAV-Datei per E-Mail zu verschicken oder in ein Ticketsystem mit Anhanggrenze hochzuladen, scheitert bei einer längeren Aufnahme schnell an der Dateigröße. Ist PCM aber ausdrücklich verlangt, etwa weil eine Analyse-Bibliothek keinen Decoder mitbringt, führt an dieser Seite kein Weg vorbei.

Eine WAV-Datei aus einem einstündigen Gespräch ist mehrere hundert Megabyte groß, und genau diese Größe macht das Hoch- und wieder Herunterladen bei einem serverbasierten Konverter zum langsamsten Teil der ganzen Aufgabe. Hier laufen Dekodierung und Schreiben im Tab, mit der Geschwindigkeit der eigenen Festplatte — die Länge der Aufnahme ist das Einzige, was Zeit kostet.

Das nimmt auch die unangenehme Frage vorweg, die bei diesem Paar besonders oft mitschwingt: Wer eine Aufnahme zur Transkription bringt, hat meist genau die Art Material, die auf keinem fremden Server landen sollte. Der Netzwerk-Tab zeigt in der Zeit, die eine einzige Umwandlung dauert, dass dort nichts gesendet wird.