Anleitung

M4A, MP3, WAV, MOV: Text aus jeder Aufnahme herausholen

Das Format, in dem Ihre Aufnahme zufällig vorliegt, sollte nicht darüber entscheiden, ob Sie sie transkribieren können. Meistens tut es das auch nicht — aber es gibt ein paar echte Fallstricke.

30 August 2026

Suchen Sie nach „m4a to text", und Sie finden hundert Websites, die Ihre Datei hochladen wollen. Sie brauchen sie so gut wie nie: Das Format ist selten das eigentliche Hindernis, und wo es das ist, liegt die Lösung nicht auf einer Konverter-Website.

Hier steht, was jedes Format, das Sie wahrscheinlich in der Hand halten, tatsächlich bedeutet.

Die kurze Antwort #

Für die Transkription wandelt ein gutes Werkzeug alles, was Sie ihm geben, intern in dasselbe um — 16-kHz-Mono-Audio — und arbeitet damit weiter. Der Container ist ein Detail. Worauf es ankommt:

1. Ist überhaupt eine Audiospur enthalten?
2. Wurde sie so stark komprimiert, dass die Sprachdetails verloren sind?
3. Kann das Werkzeug diesen bestimmten Container öffnen?

Nur die dritte Frage hängt von der Dateiendung ab, und auch nur in ein paar unangenehmen Fällen.

Die Formate #

M4A — Das, was eine iPhone-Sprachmemo ist. AAC-Audio in einem MP4-Container. Komprimiert, aber bei den Bitraten, die Telefone verwenden, ist die Qualität gut und die Transkription unbeeinträchtigt. Die mit Abstand häufigste Datei, die Leute transkribiert haben wollen — und völlig unproblematisch.

MP3 — Das universelle Format. Dieselbe Geschichte: verlustbehaftet, in der Praxis unproblematisch. MP3s mit sehr niedriger Bitrate (64 kbit/s und darunter, verbreitet in alten Podcast-Archiven und Telefonanlagen-Aufzeichnungen) schaden der Genauigkeit messbar, weil die Kompression die hohen Frequenzen entfernt, die ähnliche Konsonanten unterscheidbar machen. Das kann nichts wiederherstellen.

WAV — Unkomprimiert. Der beste Fall für die Genauigkeit und der schlechteste für die Dateigröße: Zwei Stunden sind mehrere hundert Megabyte, weshalb Upload-basierte Dienste gerade an WAVs oft scheitern. Der lokalen Transkription ist das egal.

AAC — Der Codec in den meisten M4A-Dateien, gelegentlich auch als reines .aac anzutreffen. Dieselben Eigenschaften wie M4A.

CAF — Apples Core Audio Format. Taucht bei Aufnahmewerkzeugen unter macOS und iOS auf. Anderswo unüblich, wird von allem, was auf Apples Audio-Frameworks aufbaut, problemlos verarbeitet.

OGG / Opus — Die Web- und Android-Seite der Welt. WhatsApp-Sprachnachrichten sind Opus. Ein hervorragender Codec für Sprache bei niedrigen Bitraten, bei gleicher Größe tatsächlich besser als MP3. Manche Apple-nativen Werkzeuge können ihn ohne einen Dekodierschritt nicht öffnen, was eine Einschränkung des Werkzeugs ist und keine der Qualität.

MOV und MP4 — Video. Die Transkription braucht nur die Audiospur, die zuerst extrahiert wird. So gut wie jede Bildschirmaufnahme, jedes Handyvideo und jede Kameradatei ist eines von beiden.

Die Fallstricke, die real sind #

Eine Videodatei ohne Audiospur #

Offensichtlich, sobald man es weiß, und unsichtbar bis dahin. Manche Bildschirmaufnahmen entstehen ohne Ton, und manche Kameras schreiben eine separate Audiodatei. Ein Transkriptionswerkzeug kann mit einem stummen Video nichts anfangen, und ein gutes sollte das sagen, statt ein leeres Transkript zurückzugeben.

Alte MOV-Dateien #

Nicht alle .mov-Dateien sind gleich. Ältere QuickTime-Dateien können einen einzelnen gemuxten MPEG-Stream enthalten, ohne separate Audiospur, die moderne Frameworks ansprechen können. Apples eigene Werkzeuge melden dann null Audiospuren. Wenn eine bestimmte alte .mov überall scheitert, während moderne funktionieren, ist das meist der Grund. Der praktische Ausweg ist, sie aus QuickTime Player neu zu exportieren.

Alles mit sehr niedriger Bitrate #

Unterhalb von etwa 64 kbit/s für Sprache verlieren Sie an Genauigkeit, ganz gleich womit Sie transkribieren. Wenn Sie beim Aufnehmen die Wahl haben, ist das die Einstellung, um die es sich zu kümmern lohnt — weit mehr als die Frage, welche App Sie danach verwenden.

Eine Datei, die nicht das ist, was ihre Endung behauptet #

recording.aiff in recording.mp3 umzubenennen wandelt sie nicht um, und Werkzeuge, die der Endung vertrauen, scheitern auf verwirrende Weise. Wenn sich eine Datei seltsam verhält, prüfen Sie, was sie tatsächlich ist (file recording.mp3 im Terminal sagt es Ihnen).

Müssen Sie vorher konvertieren? #

Meistens nein, und Konvertieren kann Sie etwas kosten.

Jede Umwandlung zwischen verlustbehafteten Formaten — etwa MP3 zu M4A — dekodiert und kodiert neu und verliert dabei jedes Mal ein wenig mehr Detail. Wenn Ihr Ziel eine genaue Transkription ist, ist es strikt besser, die Originaldatei einem Werkzeug zu geben, das sie direkt liest, als sie vorher zu konvertieren.

Die Ausnahme ist ein Format, das Ihr Werkzeug wirklich nicht öffnen kann. Dann konvertieren Sie einmal, vom Original aus, nach WAV statt in ein anderes verlustbehaftetes Format.

Was wir unterstützen #

Offline Transcription liest MP3, WAV, M4A, AAC, CAF und OGG für Audio sowie MOV und MP4 für Video, sowohl auf dem Mac als auch auf dem iPhone. Alles wird intern in das 16-kHz-Mono umgewandelt, das das Modell erwartet, Sie legen also die Originaldatei ab und sonst ist nichts nötig.

Nicht unterstützte oder nicht dekodierbare Dateien werden mit einer klaren Begründung aufgeführt, statt still zu scheitern — einschließlich des oben genannten alten .mov-Falls, den wir genau deshalb als Test-Fixture behalten, weil er derjenige ist, der überall scheitert.

Die Kurzfassung #

Das Format ist fast nie das Problem. Kompression unterhalb von etwa 64 kbit/s ist ein echtes Problem, Videodateien ohne Audiospur sind ein echtes Problem, und alte MOV-Dateien sind ein gelegentliches echtes Problem. Alles andere — M4A, MP3, WAV, AAC, CAF, OGG, MP4 — wird direkt transkribiert, und vorheriges Konvertieren macht die Sache meist eher etwas schlechter als besser.