Wie wird die Tonspur in einer Videodatei gespeichert? Demux- und Kopierlogik

Was geschieht in der Datei, wenn Sie den Ton aus einem Video gewinnen? Der Ton wird nicht "abgetrennt" – er liegt bereits als eigene Spur vor, ist lediglich mit den Videodaten verschachtelt verpackt. In diesem Beitrag erklären wir den inneren Aufbau von Containern, wie Spuren gespeichert werden und worin der technische Unterschied zwischen Kopieren und Neukodieren besteht.

Wie die Spuren im Container liegen

Öffneten Sie eine Videodatei und blickten hinein, sähen Sie keine geordnete Struktur nach dem Muster "zuerst das ganze Video, dann der ganze Ton". Stattdessen finden Sie einen Strom aus ineinander verschachtelten kleinen Paketen:

[Videopaket 0,00 s][Audiopaket 0,00 s][Videopaket 0,04 s]
[Audiopaket 0,02 s][Videopaket 0,08 s][Audiopaket 0,04 s]...

Das nennt man Multiplexing. Der Grund ist die Wiedergabeeffizienz: Beim Ansehen eines Videos brauchen Sie zu einem bestimmten Zeitpunkt Bild und Ton gleichzeitig. Lägen diese an verschiedenen Enden der Datei, müsste der Player ständig vor- und zurückspringen. Beim Streaming über das Netz wäre das eine völlig unbrauchbare Struktur.

Demux (Demultiplexing) ist der Vorgang, diesen vermischten Strom zu zerlegen und jede Spur für sich zusammenzuführen. Das ist der erste Schritt der Tonextraktion.

Der entscheidende Punkt: Demux enthält keinerlei Dekodierung. Es liest die Pakete, schaut, zu welcher Spur sie gehören, und trennt sie. In die Audiodaten selbst blickt es überhaupt nicht.

Spurstruktur und Metadaten

In jedem Container gibt es eine Struktur, die Informationen über die Spuren führt. In MP4 sind das die trak-Strukturen innerhalb des moov-Atoms; in MKV ist es das Element Tracks.

Die für jede Spur gespeicherten Informationen:

| Information | Bedeutung | |---|---| | Spurtyp | Video, Audio, Untertitel, Metadaten | | Codeckennung | AAC, H.264, AC3, Opus … | | Zeitskala | Die Einheit der Zeitstempel | | Dauer | Die Länge der Spur | | Sprache | Deutsch, Englisch … | | Kanalzahl | Mono, Stereo, 5.1 | | Abtastrate | 44100, 48000 Hz | | Bitrate | Die durchschnittliche Datenrate | | Codecspezifische Daten | Die Startparameter, die der Decoder benötigt |

Die letzte Zeile ist wichtig: Viele Codecs benötigen vor Beginn der Dekodierung einen Konfigurationsblock. Für AAC heißt er AudioSpecificConfig und trägt Daten wie Abtastrate, Kanalanordnung und Profilangabe. Dieser Block steckt nicht in den Audiopaketen, sondern in den Spur-Metadaten.

Bei der Tonextraktion muss auch dieser Konfigurationsblock korrekt in die neue Datei übernommen werden – andernfalls lässt sich die entstehende Datei nicht abspielen oder läuft in falscher Geschwindigkeit.

Kopieren: der verlustfreie Weg

Beim Stream Copy (Stromkopie) geschieht Folgendes:

1. Der Container wird demuxt, die Audiopakete werden getrennt.
2. In die Pakete wird überhaupt nicht hineingeschaut. Die kodierten Daten bleiben, wie sie sind.
3. Ein neuer Container (oder eine Rohdatei) wird angelegt.
4. Die Pakete werden samt ihren Zeitstempeln in den neuen Container geschrieben.
5. Spur-Metadaten und Codeckonfiguration werden übernommen.

Das Ergebnis: Die Audiodaten sind Bit für Bit identisch. Es gibt keinerlei Qualitätsverlust. Der Vorgang läuft mit der Geschwindigkeit eines Dateikopiervorgangs, weil keinerlei Berechnung stattfindet.

Die Bedingung: Das Zieldateiformat muss diesen Codec aufnehmen können.

| Audiocodec der Quelle | Mögliche Kopierziele | |---|---| | AAC | .m4a, .aac, .mp4, .mkv | | MP3 | .mp3, .mkv, .mp4 | | Opus | .opus, .ogg, .mkv, .webm | | Vorbis | .ogg, .mkv, .webm | | FLAC | .flac, .mkv | | PCM | .wav, .mkv, .mov | | AC3 / DTS | .ac3, .dts, .mkv |

Die praktische Folgerung aus dieser Tabelle: Wählen Sie beim Extrahieren von Ton aus Ihren MP4-Videos das Ziel M4A, wird kopiert und Sie verlieren keinerlei Qualität. Wollen Sie denselben Inhalt als MP3, wird eine Neukodierung zwingend.

Neukodierung: der verlustbehaftete Weg

Ist das Zielformat mit der Quelle unverträglich, ist ein zweistufiger Vorgang nötig:

1. Dekodierung. Die kodierten Audiopakete werden nach PCM (in ein rohes Samplearray) dekodiert.

2. Neukodierung. Diese PCM-Daten werden mit dem Zielcodec von Grund auf neu komprimiert.

Beim Weg von einer verlustbehafteten Quelle zu einem verlustbehafteten Ziel besteht das Problem darin, dass die vom ersten Encoder verworfene Information bereits verschwunden ist und der zweite Encoder nach seinem eigenen psychoakustischen Modell erneut Informationen verwirft. Zwei verschiedene "Verwerfungen" überlagern sich, und der Verlust summiert sich.

Zudem erscheint das vom ersten Kodiervorgang hinterlassene Quantisierungsrauschen dem zweiten Encoder wie "echter Klang", und er verbraucht Bitbudget, um es zu bewahren.

Deshalb sollte man die Zielbitrate eine Stufe über der Quelle ansetzen – das setzt den Verlust nicht auf null, begrenzt ihn aber.

Die Ausnahme: Ist die Quelle verlustfrei (PCM oder FLAC), fügt die Neukodierung nur einen einzigen Verlust hinzu, und das ist ein normaler Kodiervorgang. In diesem Fall hängt die Qualität vollständig von der gewählten Bitrate ab.

Zeitstempel und Synchronität

Jedes Paket trägt einen Zeitstempel. Eigentlich sogar zwei:

PTS (Presentation Timestamp): Wann dieses Paket gezeigt beziehungsweise abgespielt wird.

DTS (Decoding Timestamp): Wann dieses Paket dekodiert werden muss.

Beim Ton sind beide meist gleich. Beim Video können sie abweichen – weil B-Frames vorausschauend vorhersagen, unterscheidet sich die Dekodierreihenfolge von der Anzeigereihenfolge.

Bei der Tonextraktion sind Zeitstempel aus zwei Gründen wichtig:

Startversatz. Bei manchen Aufnahmen beginnt die Tonspur zu einem anderen Zeitpunkt als das Video. Im Container wird das durch eine edit list oder einen Versatzwert ausgeglichen. Wird diese Information beim Extrahieren nicht übernommen, ist der entstehende Ton gegenüber dem Video um einige Hundert Millisekunden verschoben.

Lücken. Bei manchen Aufnahmen (besonders bei über das Netz empfangenen Strömen) kann es Lücken in den Audiopaketen geben. Das Kopieren überträgt diese Lücken; manche Werkzeuge füllen sie, manche ignorieren sie, und die Dauer verkürzt sich.

Das Problem der variablen Bildrate

Bildschirmaufnahmesoftware und manche Telefonkameras verwenden eine variable Bildrate (VFR): Sie sparen Platz, indem sie bei fehlender Bewegung Bilder auslassen.

Der Ton fließt dagegen stets mit konstanter Rate – 48000 Samples pro Sekunde, ohne Ausnahme.

Diese Asymmetrie erschwert bei VFR-Videos die Zeitberechnungen. Manche Werkzeuge berechnen die mittlere Bildrate des Videos, nehmen sie als konstant an und legen die Audiozeitstempel danach aus. Das Ergebnis ist ein Versatz, der im Verlauf des Videos zunimmt.

Der aus einer einstündigen Bildschirmaufnahme extrahierte Ton kann gegen Ende um einige Sekunden verschoben sein. Die Lösung besteht darin, das Video zuvor auf eine konstante Bildrate umzuwandeln.

Mehrere Tonspuren

Der MKV-Container kann beliebig viele Tonspuren tragen. In einer typischen Filmdatei:

• Spur 1: Originalsprache, 5.1 AC3
• Spur 2: Deutsche Synchronfassung, 2.0 AAC
• Spur 3: Regiekommentar, 2.0 AAC
• Spur 4: Audiodeskription

Jede Spur trägt ihre eigene Sprachkennzeichnung, Kanalanordnung und ihren eigenen Codec.

Extraktionswerkzeuge nehmen meist die Standardspur oder die erste Spur. Wollen Sie eine bestimmte Spur, muss das Werkzeug eine Spurauswahl anbieten.

Auch der MP4-Container unterstützt mehrere Tonspuren, wird dafür aber seltener genutzt, und manche Player sehen nur die erste.

Kanalmischung

Filmton liegt meist in 5.1 oder 7.1 Kanälen vor. Beim Extrahieren in eine Stereodatei erfolgt ein Downmix (Heruntermischen): Sechs Kanäle werden auf zwei reduziert.

Die Standardformel lautet grob:

• Links = Front links + 0,707 × Center + 0,707 × Surround links
• Rechts = Front rechts + 0,707 × Center + 0,707 × Surround rechts
• Der LFE-Kanal (Bass) wird meist verworfen oder mit geringer Gewichtung ergänzt

Diese Mischung schafft mitunter Probleme: Im Filmton liegen die Dialoge im Centerkanal und die Effekte auf den Seitenkanälen. Stimmen die Mischungsverhältnisse nicht, können die Dialoge im Hintergrund verschwinden – deshalb sind Gespräche manchmal kaum zu hören, wenn man Ton aus einem Film extrahiert.

Manche Werkzeuge bieten "dialogorientierte" Optionen, die den Centerkanal stärker beimischen.

PCM: die verlustfreie Quelle

In manchen Videos liegt der Ton völlig unkomprimiert im Format PCM vor. Man findet ihn in professionellen Kameras, mancher Bildschirmaufnahmesoftware und auf Blu-ray-Discs.

PCM sind dieselben Daten, die in WAV-Dateien stecken. In diesem Fall gilt:

• Extraktion nach WAV: unmittelbares Kopieren, kein Verlust.
• Extraktion nach FLAC: verlustfreie Kompression, die Daten bleiben exakt erhalten, die Datei wird kleiner.
• Extraktion nach MP3/AAC: die erste verlustbehaftete Kodierung; die Qualität hängt vollständig von der gewählten Bitrate ab, und bei guter Bitrate ist das Ergebnis hervorragend.

Extraktionen aus PCM-Quellen sind der beste Ausgangspunkt für die Bearbeitung.

Zusammengefasst

In einer Videodatei liegt der Ton als eigene, mit den Videodaten verschachtelt verpackte Spur vor; der erste Schritt der Extraktion besteht darin, diese Pakete zu trennen (Demux), und dieser Schritt enthält keinerlei Dekodierung. Ist das Zielformat mit dem Quellcodec verträglich, werden die Pakete unverändert übernommen – Kopieren, null Verlust, ein Vorgang von Sekunden. Ist es unverträglich, sind Dekodierung und Neukodierung nötig, und bei verlustbehafteten Quellen kommt ein zweiter Verlust hinzu. Zeitstempel bestimmen die Synchronität und sind bei Quellen mit variabler Bildrate die Hauptursache für Versatzprobleme. Beim Heruntermischen mehrkanaligen Filmtons auf Stereo können Dialoge geschwächt werden – das ist eine natürliche Folge der Mischungsverhältnisse.