Wie funktioniert das Extrahieren von Ton aus Video? Der Weg von MP4 zu MP3

Was steckt in einer Videodatei?

Von außen betrachtet wirkt eine MP4-Datei wie ein einziges Ganzes. Von innen sieht es anders aus: MP4 ist ein Container, also eine Kiste, in die verschiedene Teile geordnet eingelegt sind.

In einer typischen MP4-Datei finden sich:

• Videospur: die Daten des bewegten Bildes
• Tonspur: der Ton selbst
• Metadaten: Laufzeit, Auflösung, Bildrate, Aufnahmeangaben
• Synchronisationsdaten: welcher Tonabschnitt zu welchem Einzelbild gehört

Der wichtigste Punkt dabei: Ton und Bild werden getrennt gespeichert. Sie sind nicht vermischt oder ineinander verschachtelt. Sie sind wie zwei nebeneinander verlaufende Bahnen; der Player liest beide gleichzeitig und richtet sie anhand der Synchronisationsdaten aus.

Deshalb ist "Ton aus einem Video extrahieren" eigentlich kein Erzeugen, sondern ein Heraustrennen. Der Ton ist bereits da; man nimmt ihn lediglich in eine eigene Datei.

Warum ist das Heraustrennen nicht sofort erledigt?

Wenn der Ton ohnehin in der Datei liegt, warum wird er nicht einfach kopiert?

In manchen Fällen lässt er sich wirklich kopieren. Akzeptiert das Zielformat den Audio-Codec der Quelle, kann die Tonspur unverändert entnommen und in einen neuen Container gelegt werden. Dieser Vorgang ist schnell und verursacht keinen Qualitätsverlust.

Beim Ziel MP3 sieht es jedoch anders aus. Um den Grund zu verstehen, müssen wir den zweiten Begriff ins Spiel bringen: den Codec.

Der Codec bestimmt, mit welchem Algorithmus der Ton komprimiert wurde. In MP4-Dateien ist der Ton typischerweise mit AAC komprimiert. Eine .mp3-Datei trägt dagegen definitionsgemäß Ton, der mit dem MP3-Codec komprimiert ist. Das sind zwei verschiedene Algorithmen; was der eine erzeugt, kann der andere nicht lesen.

Der Ablauf sieht deshalb so aus:

1. Die Tonspur wird aus dem Container gelöst
2. Die AAC-Daten werden dekodiert und in eine rohe Klangwelle überführt
3. Diese rohe Welle wird an den MP3-Encoder übergeben und von Grund auf komprimiert
4. Das Ergebnis wird als .mp3-Datei geschrieben

Der dritte Schritt führt zum wichtigsten Satz dieses Textes.

Der ehrliche Punkt: Hier entsteht Qualitätsverlust

AAC und MP3 sind beide verlustbehaftete Formate. Verlustbehaftete Kompression funktioniert so: Der Algorithmus verkleinert die Datei, indem er jene Informationen aus dem Signal verwirft, von denen er annimmt, dass das menschliche Ohr sie am wenigsten bemerkt. Verworfene Information ist dauerhaft weg und lässt sich nicht zurückholen.

Als die Tonspur Ihres Videos als AAC komprimiert wurde, wurde bereits ein Teil der Information verworfen. Dekodieren Sie diesen Ton nun und geben ihn an den MP3-Encoder, nimmt ein zweiter Algorithmus nach seinen eigenen Regeln eine weitere Auslese vor.

Überlagern sich zwei verschiedene Auslesen, ist das Ergebnis etwas stärker verfälscht als ein Ton, der nur eine Auslese durchlaufen hat. Das ist eine technische Tatsache, und sie sollte nicht verschwiegen werden.

Aber wie wichtig ist das? Auch hier gilt Ehrlichkeit: In der Praxis meist sehr wenig. Bei einer vernünftigen Bitrate – etwa 192 kbit/s und mehr für Musik – ist dieser Unterschied unter normalen Hörbedingungen sehr schwer auszumachen. Bei reinen Sprachaufnahmen ist der Verlust nahezu nicht wahrnehmbar.

Wo der Verlust deutlich wird, ist klar: bei hohen und komplexen Klängen. Becken, Pfeifen, dichte Orchestrierung, schnelle Übergänge. Hier kann ein metallischer Klang oder Dumpfheit entstehen. Haben Sie eine niedrige Bitrate gewählt, werden diese Spuren viel leichter hörbar.

Die Rolle der Bitrate

Die Bitrate bestimmt, wie viele Kilobit pro Sekunde der MP3-Encoder zur Darstellung des Tons verwendet. Je großzügiger Sie sind, desto weniger Information muss der Encoder verwerfen.

Da Sie ein zweites Mal komprimieren, kommt Geiz hier teuer zu stehen. Würden Sie MP3 aus einer unkomprimierten Aufnahme erzeugen, wäre eine niedrige Bitrate eher verzeihlich; doch wenn Sie ein bereits einmal ausgesiebtes Signal erneut aussieben, sollten Sie dem Encoder Luft zum Atmen lassen.

Eine grobe Orientierung: Für reine Sprache genügen 128 kbit/s, für Musik und gemischte Inhalte sind 192 kbit/s eine vernünftige Untergrenze, für Musik, die Sie aufmerksam hören, sind 256 kbit/s eine komfortable Wahl.

Auch das hat eine Obergrenze: Sie können die Qualität der Quelle nicht übertreffen. Liegt der AAC-Ton im Video bereits bei einer niedrigen Bitrate, holt eine sehr hohe MP3-Bitrate die verlorenen Details nicht zurück, sie vergrößert nur die Datei.

Praktische Folgerungen

Haben Sie diesen Mechanismus verstanden, werden drei Verhaltensweisen von selbst richtig.

Halten Sie die Kette kurz. Jede verlustbehaftete Umwandlung fügt einen neuen Verlust hinzu, und diese summieren sich. Gehen Sie in einem Schritt von der ursprünglichsten verfügbaren Quelle zum Ziel. Nehmen Sie beim Extrahieren von MP3 aus MP4 das Originalvideo als Quelle, keine bereits umgewandelte Zwischendatei.

Bewahren Sie das Original auf. Die MP3-Ausgabe ist eine Fassung, die gegenüber der Quelle Information eingebüßt hat. Brauchen Sie später ein anderes Format, gehen Sie nicht von der MP3-Datei, sondern vom Originalvideo aus.

Wählen Sie das Ziel nach Ihrem Zweck. Extrahieren Sie den Ton zum Hören oder zum Bearbeiten? Zum Hören ist MP3 die richtige Wahl: klein, tragbar, überall abspielbar. Wollen Sie den Ton aber bearbeiten, schneiden, mit Effekten versehen oder in ein Schnittprogramm übernehmen, ist WAV das passendere Ziel, denn als unkomprimiertes Format fügt es bei der Bearbeitung keinen neuen Verlust hinzu.

Fälle, in denen sich kein Ton extrahieren lässt

Diesen Mechanismus zu kennen, hilft Ihnen auch zu verstehen, warum ein Vorgang nicht so ausgeht wie erwartet. Ein paar Szenarien können Ihnen begegnen.

Das Video hat womöglich gar keine Tonspur. Manche Bildschirmaufnahmen entstehen bei ausgeschaltetem Systemton, manche Kameras nehmen stumm auf, aus manchen bearbeiteten Videos wurde die Tonspur vollständig entfernt. In diesem Fall gibt es nichts zu extrahieren – der Konverter kann keine Spur erzeugen, die nicht existiert. Im Zweifel öffnen Sie die MP4-Datei in einem Player und prüfen, ob wirklich Ton vorhanden ist.

Die Tonspur kann beschädigt sein. Bei einer halb heruntergeladenen oder während der Aufnahme abgebrochenen Datei kann die Tonspur unvollständig oder fehlerhaft sein. In solchen Fällen fehlt das Ende der Ausgabe. Die Quelle bis zum Ende abzuspielen, deckt dieses Problem im Voraus auf.

Der Ton kann sehr leise sein. Ist der Aufnahmepegel der Quelle niedrig, ist auch die Ausgabe leise. Hier ist eine wichtige Unterscheidung zu treffen: Die Umwandlung erhöht die Lautstärke nicht, denn ihre Aufgabe ist es, das Signal zu übertragen, nicht es zu verändern. Wollen Sie den Pegel korrigieren, ist das eine Aufgabe der Audiobearbeitung, und dafür arbeitet man besser mit einer unkomprimierten Quelle, also mit WAV.

Der gemeinsame Nenner lautet: Eine Umwandlung erzeugt nicht, was in der Quelle nicht vorhanden ist. Sie holt weder verlorene Details zurück, noch repariert sie fehlerhaften Ton, noch hebt sie eine leise Aufnahme an. Alles, was sie tut, ist, die vorhandene Tonspur in das gewünschte Format zu überführen.

Zusammengefasst

Ton aus einem Video zu extrahieren, heißt nicht, etwas Nichtvorhandenes zu erzeugen, sondern die Tonspur herauszutrennen, die ohnehin im Container liegt. Deshalb ist der Vorgang leicht – das Bild wird gar nicht angerührt. Da der Ton in einer MP4-Datei jedoch meist AAC ist und MP3 ein anderer Codec, enthält dieses Heraustrennen auch eine Neukodierung. Dieser Wechsel zwischen zwei verlustbehafteten Formaten erzeugt einen kleinen, aber realen Qualitätsverlust. Mit einer vernünftigen Bitrate können Sie ihn praktisch unhörbar machen; was Sie nicht tun sollten, ist, denselben Ton wiederholt zwischen verschiedenen verlustbehafteten Formaten hin und her zu schicken.