Wie Audio-Extraktion aus MP4 technisch funktioniert

Wenn aus einer MP4 eine MP3 wird, passiert mehr, als der einfache Vorgang vermuten lässt. Es ist kein bloßes Umbenennen und auch kein simples Herauskopieren. Tatsächlich durchläuft das Audio mehrere klar abgegrenzte Stufen: Der Container wird geöffnet, der Audiostream herausgelöst, dekodiert und anschließend in einem anderen Format neu kodiert. Dieser Ratgeber zeigt sachlich, was in jedem dieser Schritte geschieht und warum der vermeintlich einfache Weg, die Tonspur einfach zu kopieren, eben keine MP3 liefert.

MP4 ist ein Container, kein einzelnes Format

Der erste Punkt, der oft missverstanden wird: MP4 beschreibt kein Audio- oder Videoformat, sondern einen Container. Ein Container ist eine Hülle, die mehrere Datenströme ordentlich verpackt und mit Zeitinformationen versieht, damit Bild und Ton synchron bleiben. In einer typischen MP4 stecken mindestens zwei solche Ströme.

Bestandteil der MP4	Typischer Inhalt	Funktion
Videostream	H.264 oder H.265	Die bewegten Bilder
Audiostream	AAC	Die Tonspur
Metadaten	Titel, Dauer, Kapitel	Verwaltungsinformationen
Zeitstempel	Synchronisationsdaten	Hält Bild und Ton im Takt

Der Container weiß also, welche Daten zu welchem Zeitpunkt gehören, aber er kümmert sich nicht um deren innere Kodierung. Genau deshalb kann dieselbe Container-Hülle ganz unterschiedliche Codecs aufnehmen. Für die Extraktion bedeutet das: Wir müssen zuerst in den Container hineingreifen und gezielt den Audiostream ansprechen, ohne uns um das Video zu kümmern.

Schritt eins: Demuxen, das Trennen der Ströme

Der erste technische Schritt heißt Demuxen, abgeleitet vom Demultiplexen. Dabei werden die ineinander verschachtelten Datenströme des Containers wieder voneinander getrennt. Innerhalb der MP4 liegen Bild und Ton nämlich nicht hintereinander, sondern in kleinen Häppchen ineinander verzahnt, damit ein Player beide gleichzeitig und synchron abspielen kann. Der Demuxer liest die Verwaltungsstruktur des Containers, erkennt anhand der Zeitstempel, welche Häppchen zum Audiostream gehören, und setzt sie in der richtigen Reihenfolge wieder zusammen. Der Videostream wird verworfen, der Audiostream herausgezogen. An dieser Stelle findet noch keine Neuberechnung der Tonqualität statt. Es werden lediglich die rohen, bereits komprimierten AAC-Daten aus dem Container geholt.

Genau hier liegt ein verbreitetes Missverständnis. Würde man nach dem Demuxen einfach aufhören und die herausgelösten Daten speichern, bekäme man eine AAC-Datei, oft mit der Endung .m4a oder .aac. Das ist die Tonspur in voller Originalqualität, aber eben kein MP3. Wer eine Datei mit der Endung .mp3 erwartet, hat damit nichts gewonnen, denn die Player erkennen am Inhalt, dass es sich nicht um MP3 handelt.

Demuxen liefert die Tonspur, wie sie ist. Eine MP3 entsteht erst, wenn diese Tonspur dekodiert und in einem anderen Verfahren neu berechnet wird.

Das reine Demuxen hat trotzdem seinen Wert, nämlich dann, wenn man die Originaltonspur ohne weiteren Qualitätsverlust behalten möchte. Da nichts neu berechnet wird, bleibt die Klangqualität exakt erhalten. Der Preis dafür ist, dass das Ergebnis AAC ist und nicht die universell kompatible MP3.

Schritt zwei: Dekodieren in rohe Audiodaten

Um aus AAC eine MP3 zu machen, führt kein Weg an einer Zwischenstufe vorbei. Die komprimierten AAC-Daten müssen zunächst zurück in unkomprimierte Rohdaten verwandelt werden, in sogenannte PCM-Samples. Das sind die nackten Schwingungswerte, vergleichbar mit dem, was bei einer Aufnahme direkt vom Mikrofon kommt, bevor irgendeine Kompression stattfindet.

Diese Rohdaten sind groß. Eine Minute Stereo-Audio in CD-Qualität belegt unkomprimiert rund 10 Megabyte. Deshalb existieren komprimierte Formate überhaupt. Im Arbeitsspeicher liegt das Audio nun aber genau in dieser ausgepackten Form vor, denn nur so kann der nächste Schritt, das Kodieren nach MP3, darauf zugreifen. Der MP3-Encoder versteht kein AAC, er braucht die rohen Samples als Eingabe.

Ein PCM-Sample ist dabei nichts anderes als ein Zahlenwert, der die Auslenkung der Schallwelle zu einem bestimmten Zeitpunkt beschreibt. Bei CD-Qualität werden 44100 dieser Werte pro Sekunde und Kanal erfasst, jeder mit einer Auflösung von 16 Bit. Bei Stereo verdoppelt sich die Menge, weil linker und rechter Kanal getrennt vorliegen. Diese dichte Folge von Zahlen ist die gemeinsame Sprache, die jeder Encoder und jeder Decoder beherrscht. Sie ist der neutrale Zwischenstand, über den sich zwei ansonsten inkompatible Formate verbinden lassen. Genau deshalb ist der Umweg über PCM nicht etwa eine Bequemlichkeit der Software, sondern technisch unvermeidbar.

Schritt drei: Re-Encoding und das psychoakustische Modell

Jetzt kommt der eigentlich interessante Teil. Aus den rohen Samples berechnet der MP3-Encoder die endgültige Datei. MP3 ist ein verlustbehaftetes Verfahren, es wirft also bewusst Informationen weg, um die Datenmenge drastisch zu senken. Der Trick liegt darin, dass nicht wahllos gekürzt wird, sondern entlang der Grenzen des menschlichen Gehörs. Diese Steuerung übernimmt das psychoakustische Modell.

Das Modell nutzt Eigenschaften unserer Wahrnehmung aus. Zwei davon sind zentral:

• Verdeckung im Frequenzbereich: Ein lauter Ton macht leisere Töne in benachbarten Frequenzen unhörbar. Diese verdeckten Anteile müssen nicht gespeichert werden.
• Verdeckung in der Zeit: Direkt vor und nach einem lauten Geräusch ist das Ohr für leise Signale kurzzeitig taub. Auch diese kurzen Fenster lassen sich einsparen.

Der Encoder analysiert das Audio in kleinen Zeitblöcken, ermittelt für jeden Block, welche Anteile hörbar sind und welche nicht, und verteilt die verfügbaren Bits auf die hörbaren Anteile. Was unter der Hörschwelle liegt, fällt weg. Das Ergebnis ist eine Datei, die nur einen Bruchteil der Rohdaten belegt, aber für die meisten Ohren kaum vom Original zu unterscheiden ist.

Die gewählte Bitrate steuert dabei, wie streng der Encoder kürzen muss. Bei 320 kBit pro Sekunde stehen viele Bits zur Verfügung, das Modell kann großzügig sein und auch grenzwertige Anteile behalten. Bei 96 kBit muss es deutlich aggressiver weglassen, was bei komplexer Musik hörbar werden kann, bei Sprache aber kaum auffällt.

Hinter dem psychoakustischen Modell steckt eine mathematische Transformation, die das Audiosignal vom Zeitbereich in den Frequenzbereich überführt. Der Encoder zerlegt jeden Block in einzelne Frequenzbänder und schätzt für jedes Band, wie viel Quantisierungsrauschen es verträgt, ohne dass ein Mensch es bemerkt. In Bändern, die durch lautere Nachbarn verdeckt sind, darf das Rauschen größer sein, dort wird gröber gerundet und Speicher gespart. In freistehenden, gut hörbaren Bändern bleibt die Rundung fein. Dieses gezielte Verteilen der zulässigen Ungenauigkeit ist der eigentliche Kniff. Es ist der Grund, warum eine MP3 bei nur einem Zehntel der Datenmenge dem Original so nahekommt, dass die meisten Hörer im direkten Vergleich keinen Unterschied benennen können.

Warum direktes Kopieren keine MP3 ergibt

Fassen wir den Kernpunkt technisch zusammen. AAC und MP3 sind beide verlustbehaftete Verfahren, aber sie nutzen unterschiedliche mathematische Transformationen und unterschiedliche Strukturen, um das Audio zu beschreiben. Es gibt keine direkte Übersetzung von einem ins andere auf der komprimierten Ebene. Man kann AAC-Datenblöcke nicht einfach als MP3-Datenblöcke umetikettieren, weil die Player sie dann nicht interpretieren könnten.

Deshalb ist der Umweg über die rohen PCM-Samples zwingend. Erst dekodieren, dann neu kodieren. Dieser Vorgang heißt Tandemkodierung, weil zwei verlustbehaftete Verfahren hintereinandergeschaltet werden. Jede verlustbehaftete Stufe wirft Information weg, also summiert sich ein kleiner zusätzlicher Verlust gegenüber dem Original-AAC. In der Praxis ist dieser zweite Verlust bei vernünftigen Zielbitraten gering, weil das Original-AAC meist schon in guter Qualität vorliegt und 192 kBit pro Sekunde genug Reserve bieten.

Lokale Verarbeitung im Browser

All diese Rechenschritte, das Demuxen, das Dekodieren und das psychoakustisch gesteuerte Neukodieren, sind rechenintensiv. Lange war das ein Argument, die Arbeit auf einen Server auszulagern. Moderne Browser haben das geändert. Über WebAssembly lassen sich hochoptimierte Audio-Bibliotheken direkt im Browser ausführen, mit einer Geschwindigkeit nahe an nativem Code.

Auf mp4-mp3.de geschieht deshalb die gesamte Kette lokal. Der Browser öffnet den Container, löst die Tonspur, dekodiert sie zu PCM und füttert diese Samples in den MP3-Encoder, alles auf deinem eigenen Gerät. Die Videodatei wird zu keinem Zeitpunkt zu einem Server übertragen. Das spart die Upload-Zeit und hält deine Daten bei dir.

Was die Kette für die Praxis bedeutet

Wer versteht, dass zwischen MP4 und MP3 ein Dekodier- und ein Kodierschritt liegen, trifft bessere Entscheidungen. Klar wird damit, warum die Qualität der Originaltonspur die Obergrenze bildet, warum eine sehr hohe Zielbitrate ab einem gewissen Punkt nur Speicher kostet und keinen hörbaren Gewinn bringt, und warum die Wahl der Bitrate beim Kodieren der entscheidende Hebel ist. Die Technik dahinter ist kein Hexenwerk, sondern eine nachvollziehbare Folge von Schritten, bei der jeder Schritt einen klaren Zweck erfüllt. Mit diesem Bild im Kopf lässt sich das Werkzeug bewusster einsetzen.