Den Ton aus einem Video holen, ohne eine zweite Verlustgeneration

„Extrahieren“ ist ein Versprechen, das der Knopf nicht hält

Hinter demselben Wort verstecken sich zwei völlig verschiedene Vorgänge. Der eine ist eine Stream-Kopie: die Audio-Bytes werden aus dem Videocontainer gehoben und in einen Audiocontainer gelegt, ohne je dekodiert zu werden. Nichts wird geprüft, nichts bewertet, nichts verworfen — auf der Kommandozeile heißt das -c:a copy, es ist selbst bei einer Zweistundendatei in einer Sekunde fertig, und das Ergebnis ist Bit für Bit die Spur, die im Video war. Der andere ist eine Neukodierung: die Spur zurück in rohe Abtastwerte dekodieren und diese Werte einem Encoder geben, damit er sie erneut komprimiert.

Dieses Werkzeug bietet den ersten nicht an. Lies nach, was es tatsächlich ausführt, und es sind genau drei Rezepte, alle Neukodierungen: MP3 läuft durch libmp3lame in variabler Qualität 2, AAC durch den AAC-Encoder bei festen 192 kbit/s, WAV durch 16-Bit-PCM in Little-Endian. Alle drei verwerfen den Videostrom, und keines gibt eine Anweisung zu Abtastrate oder Kanalzahl mit — die Ausgabe erbt also, was die Spur hatte. Das zu wissen lohnt nicht, weil es ein Mangel wäre — eine Stream-Kopie hat eigene Fallen und kann immer nur das Format schreiben, das die Spur ohnehin war — sondern weil es ändert, welcher Knopf der sichere ist. Wenn jeder Weg dekodiert und neu kodiert, ist der sichere Weg der, dessen Encoder verlustfrei ist.

Generationen — und warum die zweite die teure ist

Ein verlustbehafteter Encoder verkleinert Klang nicht, indem er Redundanz darin findet. Er entscheidet, welche Teile des Signals eine Hörerin nicht vermissen wird, und entfernt sie — anhand eines Hörmodells: ein leiser Ton neben einem lauten bei ähnlicher Frequenz ist unhörbar, muss also nicht übertragen werden. Das Ergebnis klingt für einen Menschen wie das Original, ist es aber nicht, und der Rückstand, den es hinterlässt — das Quantisierungsrauschen, das das Modell für akzeptabel hielt — gehört nun zum Signal.

Schick das durch einen zweiten Encoder, und das Modell schaut nun auf das Falsche. Es hält die Artefakte des ersten Encoders für Signal und gibt Bits aus, um sie zu schützen, während dem echten Inhalt, den es schützen sollte, die Ränder schon abgefressen sind. Deshalb klingt eine Spur, die einen Durchgang bei 128 kbit/s überstanden hat, nach einem zweiten bei 190 hörbar schlechter, obwohl die zweite Datei größer ist: du hast mehr Bits bezahlt und weniger Musik bekommen. Es gibt hier keine Rechnung, die sagt, wie viel schlechter — das hängt vom Material ab und davon, wie nah sich die beiden Modelle sind — aber die Richtung stand nie infrage, und sie kehrt sich nie um. Nichts weiter unten stellt wieder her, was der erste Durchgang entfernt hat.

Was jeder Knopf kostet, in nachprüfbaren Bytes

Unkomprimiertes Audio hat eine exakte Größe und keine Überraschungen: Bytes pro Sekunde = Abtastrate × Bittiefe ÷ 8 × Kanäle. Eine 48-kHz-Stereo-Filmspur mit 16 Bit sind 48 000 × 2 × 2 = 192 000 Byte je Sekunde, also 11,52 MB je Minute und 115,2 MB für zehn Minuten. Ist die Spur 5.1 statt Stereo, ist es das Dreifache, denn die Kanalzahl multipliziert direkt. Nichts im Werkzeug warnt dich, bevor es eine 350-MB-Datei schreibt — bei allem über ein paar Minuten lohnt es sich also, vorher zu multiplizieren.

Der AAC-Knopf ist ebenso vorhersagbar, denn seine Bitrate liegt fest bei 192 kbit/s: 24 000 Byte je Sekunde, 1,44 MB je Minute, 14,4 MB für zehn Minuten, gleich welches Material. Der MP3-Knopf ist der, der es dir vorher nicht sagt. Er läuft in LAMEs variabler Qualität 2, die Bits dort ausgibt, wo die Musik sie braucht, und dort spart, wo nicht — LAMEs eigene Dokumentation nennt im Mittel etwa 190 bis 200 kbit/s bei gewöhnlicher Musik, zehn Minuten landen also bei rund 14 oder 15 MB, aber eine ruhige gesprochene Passage fällt viel kleiner aus und ein dichtes Orchestertutti viel größer. Wenn du es wissen musst, wieg die Datei: Größe in Byte ÷ Dauer in Sekunden × 8 ist die erreichte Bitrate.

Für ein Transkript wird fast alles, was du behältst, ohnehin weggeworfen

Spracherkennungssysteme hören nicht so wie du. Whisper, das Modell hinter den meisten genutzten Transkriptionsdiensten, tastet jede Eingabe auf 16 000 Abtastwerte je Sekunde in Mono um, bevor es irgendetwas ansieht, und macht dann aus Dreißig-Sekunden-Fenstern ein Spektrogramm. Sein eigener Quelltext sagt das in zwei Konstanten und zwei Kommandozeilenschaltern. Alles oberhalb von 8 kHz — der halben Abtastrate, nach Nyquist — ist weg, bevor die erste Schicht des Netzes den Ton sieht, und ebenso das Stereobild, und ebenso jeder Unterschied zwischen einer 320-kbit/s-Datei und einer mit 96 kbit/s, die beide die Umtastung unversehrt überstehen.

Die praktische Folge: optimiere einen Transkriptions-Upload auf Größe, nicht auf Treue — vermeide aber trotzdem eine zweite verlustbehaftete Generation, denn verlustbehaftete Artefakte sind genau die Art Rauschen, die eine Erkennung zum falschen Wort schiebt. Der saubere Weg ist WAV aus diesem Werkzeug, dann der Audio-Konverter, um es auf Mono bei 22,05 kHz zu setzen — das sind 44 100 Byte je Sekunde: 4,35-mal kleiner als das 48-kHz-Stereo-Original und immer noch weit über den 16 kHz, die das Modell benutzen wird. Der Konverter bietet 16 kHz nicht selbst an, 22,05 in Mono ist hier also das Nächste am Arbeitsformat des Modells — und nah genug, dass der letzte Schritt nichts kostet, was dich kümmert.

Die AAC-Datei, die du bekommst, ist kein M4A

Drück AAC, und du bekommst eine Datei, deren Name auf .aac endet: einen nackten Strom kodierter Audiorahmen, jeder mit einem kleinen Kopf, und nichts drumherum. Eine .m4a ist dasselbe Audio in einem MP4-Container, und der Container trägt Dauer, Suchindex, Titel, Interpret und Coverbild. Ein roher Strom hat davon nichts. Die meisten Player kommen zurecht — sie lesen die ersten Rahmen, nehmen an, die Bitrate halte, und schätzen die Länge — aber die Schätzung liegt bei variablem Material daneben, das Springen im File ist ungefähr, und überall, wo Metadaten erwartet werden, siehst du eine Datei ohne Namen und ohne Bild.

Daraus folgen zwei praktische Regeln. Ist das Ziel ein Podcast-Hoster, eine Musikbibliothek oder irgendetwas, das Metadaten indiziert, gib ihm nicht die .aac — nimm MP3, das seine Tags im Strom selbst trägt und überall verstanden wird, oder nimm WAV und lass das Ziel kodieren. Und ist die Videospur 5.1-Surround, rechne damit, dass MP3 der Knopf ist, der scheitert: MP3 ist ein Zweikanalformat, und das Werkzeug übergibt keine Abmisch-Anweisung, also sagt dem Encoder nichts, was er mit sechs Kanälen tun soll. AAC und WAV kommen beide damit zurecht, und der Audio-Konverter faltet das Ergebnis danach auf Stereo oder Mono, wenn du das wolltest.

Es nimmt die ganze Spur — und es läuft auf deinem Rechner

Es gibt hier keinen Anfangs- oder Endregler: das Werkzeug nimmt den gesamten Audiostrom der Datei, die du ihm gibst. Willst du nur neunzig Sekunden aus einer vierzigminütigen Aufnahme, hast du zwei Reihenfolgen zur Wahl, und sie sind nicht gleichwertig. Erst das Video schneiden heißt, die Extraktion sieht nur den Teil, der dich interessiert — schneller und mit kleinerem Zwischenprodukt. Erst extrahieren und danach den Ton schneiden heißt, ein sehr großes WAV landet auf deiner Platte, bevor du es kürzt — dafür kannst du präzise nach Gehör an der Wellenform schneiden statt Zeitmarken gegen eine Videovorschau zu raten.

Welche Reihenfolge du auch wählst, nichts davon verlässt den Rechner. Die Extraktion fährt eine nach WebAssembly übersetzte FFmpeg-Fassung in der Seite, und die Engine wird von dieser Seite ausgeliefert statt aus einem fremden Netz — das Einzige, was je reist, ist der einmalige Engine-Download von rund 32 MB bei deiner ersten Umwandlung der Sitzung. Das zählt hier mehr als bei den meisten Werkzeugen: die Tonspur eines Videos ist der Teil, der am ehesten ein privates Gespräch, eine unveröffentlichte Aufnahme, ein Kundengespräch oder die Stimme eines anderen Menschen enthält, und der Unterschied zwischen lokaler Verarbeitung und dem Hochladen auf einen Server ist keine Gradfrage.

Häufige Fragen

Warum ist mein extrahiertes MP3 größer als die Tonspur, die im Video war?

Weil der Encoder auf ein Qualitätsziel zielt, nicht auf die Bitrate deiner Quelle, und keine Ahnung hat, dass deine Quelle schon komprimiert war. Variable Qualität 2 ist so abgestimmt, dass sie auf Originalmusik etwa transparent ist, was sie bei gewöhnlichem Material nahe 190 kbit/s bringt — bequem über den 128 kbit/s, die ein Telefon oder ein Schnittprogramm üblicherweise in ein MP4 schreibt. Die neue Datei ist also rund anderthalbmal so groß wie die alte Spur und klingt etwas schlechter, weil sie diese zusätzlichen Bits darauf verwendet hat, die Artefakte des ersten Encoders getreu wiederzugeben. Das ist der klarste Beleg dafür, dass Bitrate nicht Qualität ist: man kann keine Bits ausgeben, um einem Signal zurückzugeben, was es schon verloren hat.

Gibt es einen Weg, die Originalspur unangetastet herauszubekommen?

Mit diesem Werkzeug nicht, und der Grund verdient Verständnis statt Umgehung. Eine echte Stream-Kopie kann immer nur das Format ausgeben, das die Spur schon ist — enthält das Video AAC, gibt eine Kopie AAC und sonst nichts; man kann eine AAC-Spur nicht „nach MP3 kopieren“. Ein Kopier-Knopf müsste dir also erst sagen, was in deiner Datei steckt, und dann genau eine Ausgabe anbieten, und für den häufigsten Wunsch — ein Format, das das Ziel annimmt — wäre er nutzlos. Der Kompromiss dieses Werkzeugs lautet: immer neu kodieren und dich wählen lassen. Und der Weg, diesen Kompromiss kostenlos zu machen, ist WAV zu wählen, das verlustfrei neu kodiert. Brauchst du wirklich die Originalbytes, ist die Kommandozeile die ehrliche Antwort: -c:a copy in einen Container, der sie annimmt.

Es ist fehlgeschlagen und fragt, ob das Video eine Tonspur hat. Was löst das sonst noch aus?

Diese Meldung ist der einzige Sammeltopf des Werkzeugs für alles, was die Engine abgelehnt hat — die fehlende Spur ist also nur der erste Verdächtige. Die übrigen, grob nach Häufigkeit: eine Surround-Spur am MP3-Knopf, der nicht mehr als zwei Kanäle darstellen kann; ein Container, für den dieser Build keinen Dekoder mitbringt, was eher bei alten oder ungewöhnlichen Formaten passiert als bei MP4, WebM und MOV; eine Bildschirmaufnahme, die mit ausgeschaltetem Ton exportiert wurde und wirklich keine Spur hat; und eine Datei, die groß genug ist, dass dem Tab unterwegs der Speicher ausgeht, was deutlich jenseits einer Stunde Video vorkommt. Probier zuerst WAV — es hat von den dreien die wenigsten Einschränkungen — und wenn dieselbe Datei als WAV geht, als MP3 aber nicht, war die Antwort die Kanalzahl.

Sollte ich für einen Podcast direkt nach MP3 extrahieren?

Nur, wenn mit der Datei sonst nichts mehr passiert. Eine Podcast-Folge wird fast immer gepegelt, mit einem Gate bearbeitet, vorne und hinten beschnitten, an ein Intro gehängt und auf ein Lautheitsziel normalisiert — und jede dieser Operationen dekodiert den Ton, verändert ihn und schreibt ihn zurück. Machst du das an einem MP3, sammelst du jedes Mal eine Generation. Nimm hier WAV, mach den ganzen Schnitt auf WAV, und kodiere genau einmal ganz am Ende — und lass den Hoster diese Kodierung machen, wenn er es anbietet, denn die meisten kodieren ohnehin neu, was du hochlädst, um ihre eigene Auslieferungsbitrate zu treffen. Ein MP3 zu einem neu kodierenden Hoster hochzuladen ist der Klassiker, um drei verlustbehaftete Generationen in einer Folge zu verbrauchen.

Das extrahierte WAV ist viel zu groß für eine E-Mail. Was ist die kleinste ehrliche Option?

Es hängt davon ab, wofür die Datei ist, und die beiden Antworten liegen weit auseinander. Hört ein Mensch sie, ist das AAC mit 192 kbit/s achtmal kleiner als das WAV und bei Sprache nicht davon zu unterscheiden — eine zusätzliche verlustbehaftete Generation auf einer Sprachspur ist ein Preis, den fast niemand hört. Liest sie eine Maschine, komprimiere gar nicht: schick das WAV durch den Audio-Konverter, stell es auf Mono bei 22,05 kHz, und du bekommst eine 4,35-mal kleinere Datei ohne jede verlustbehaftete Stufe in der Kette. Und ist die Aufnahme eher lang als groß — eine Stunde Interview —, ist die richtige Antwort keine von beiden: schneide zuerst den Teil heraus, den du wirklich brauchst, denn die Hälfte dessen, was solche Dateien unhandhabbar macht, ist, dass niemand sie gekürzt hat.