So wandelst du MP4 in Text um (direkt hochladen, keine Extraktion nötig)

Die kurze Antwort

Du musst die Audiospur nicht aus deiner MP4 extrahieren, bevor du sie transkribierst. Lade die Datei direkt bei einem seriösen Transkriptionstool hoch, und der Server zieht den Ton automatisch mit ffmpeg heraus. Vorher lohnt sich nur zweierlei zu prüfen: Hat die Datei überhaupt eine Audiospur – und falls es mehr als eine gibt, welche Spur willst du?

Was wirklich in einer MP4 steckt

MP4 ist ein Container, kein Codec. Das Video, das du letzte Woche aufgenommen hast, nutzt wahrscheinlich H.264 oder HEVC (H.265) fürs Bild und AAC für den Ton. Der Container hält alles zusammen – mitsamt Timing-Metadaten, Untertitelspuren und Kapitelmarken.

Dieser Unterschied ist für die Transkription wichtig, weil das Spracherkennungsmodell nur den Audiostream sieht, nicht das Video. Das Tool demuxt den Container, extrahiert die Audiospur, resampelt auf 16 kHz Mono (das Format, das Modelle der Whisper-Klasse erwarten) und führt die Inferenz aus. Keiner dieser Schritte hängt davon ab, welcher Videocodec darin steckt.

Worauf es ankommt:

• AAC (am verbreitetsten): lässt sich in jedem Transkriptionstool sauber extrahieren.
• AC-3 / Dolby: findet sich in MP4s, die aus Broadcast oder Blu-ray gerippt wurden. Manche Tools kommen damit klar; andere verlangen, dass du vorher zu AAC transkodierst.
• Opus in MP4: seltener, wird von im Web aufgezeichneten Aufnahmen zunehmend genutzt. In modernen Tools gut unterstützt, bringt gelegentlich ältere Pipelines ins Straucheln.

Der Videocodec (H.264 vs. H.265) ist für die Transkriptionsgenauigkeit irrelevant.

Das Problem mit mehreren Audiospuren

Das ist der häufigste stille Fehler bei der MP4-Transkription. Eine MP4-Datei darf problemlos mehrere Audiostreams in einem einzigen Container führen, und die meisten Transkriptionstools greifen standardmäßig auf Stream-Index 0 zu – ohne dich darüber zu informieren.

Wo dir das begegnet:

• Synchronisiertes Material: In einer Film- oder Dokumentations-MP4 kann auf Spur 0 der englische Kommentar liegen und auf Spur 1 die Originalsprache – oder umgekehrt, je nachdem, wie die Datei zusammengestellt wurde.
• OBS-Bildschirmaufnahmen: OBS im Advanced-Output-Modus kann Spielaudio auf Spur 1 und ein Mikrofon auf Spur 2 aufnehmen, beide eingebettet in dieselbe MP4. Transkribiert man eine solche Datei mit Standardeinstellungen, erhält man eine gemischte Spur – nicht unbedingt die mit der Sprache.
• Mehrsprachige Konferenz-Exporte: Manche Webinar-Plattformen betten eine Dolmetscher-Spur als Spur 2 ein. Automatische Erkennung bei einer Datei, die mit Englisch beginnt, aber Französisch in Spur 2 enthält, führt zu Chaos.
• Kommentaraufnahmen: Podcast-Setups, die einen Rohmix plus eine Stamm-Spur pro Sprecher in separaten eingebetteten Spuren aufzeichnen.

Um vor dem Hochladen zu sehen, womit du es zu tun hast, führe ffprobe lokal aus:

ffprobe -i video.mp4 -show_streams -select_streams a -v quiet

Damit listest du jeden Audiostream samt Codec, Sprach-Tag und Kanallayout auf. Siehst du zwei oder mehr Streams, entscheide dich, welchen du willst, und gib ihn entweder beim Hochladen an (sofern das Tool die Spurauswahl unterstützt) oder extrahiere zuerst genau diesen Stream:

ffmpeg -i video.mp4 -map 0:a:1 -c copy track2.m4a

(Ersetze 0:a:1 durch den Index des gewünschten Streams, nullbasiert gezählt.)

Bildschirmaufnahmen vs. Kameramaterial: Unterschiedliche Qualitätsprofile

Beide liefern MP4-Dateien, aber für die Transkription verhalten sie sich sehr unterschiedlich.

Kameramaterial (Smartphone, Systemkamera, Camcorder): Der Ton wird von einem physischen Mikrofon in einem physischen Raum aufgenommen. Die Qualität leidet mit der Entfernung. Ein Interview, das 30 cm vom Smartphone-Mikrofon entfernt gedreht wird, transkribiert mit 96–98 % Genauigkeit. Eine aus 10 Metern Entfernung mit dem Raum-Mikrofon gefilmte Podiumsdiskussion fällt auf 85–90 % ab – manchmal niedriger, wenn deutliches Echo oder Störgeräusche von Lüftung und Klimaanlage dazukommen.

Bildschirmaufnahmen (OBS, Loom, ScreenFlow, Camtasia, Windows Game Bar, macOS-Screenshot): Die Audioquelle ist meist ein USB- oder Headset-Mikrofon, das wenige Zentimeter vom Mund des Sprechers entfernt sitzt. Das ist nahezu ideal für die Transkription. Der Signal-Rausch-Abstand ist hoch, es gibt keinen Raumhall, die Bitrate ist konstant (meist 128–320 kbps AAC). Die Herausforderung ist nicht die Audioqualität, sondern der Wortschatz. Bildschirmaufnahmen enthalten gern Kommandozeilen-Syntax, Bibliotheksnamen, Fehlermeldungen, Tastenkürzel und Produktnamen, die Spracherkennungsmodelle selten gesehen haben. Rechne auch bei technischen Begriffen mit gelegentlichen Fehlern, selbst wenn die Genauigkeit bei umgangssprachlichen Wörtern über 97 % liegt.

Ein struktureller Unterschied: Bildschirmaufnahmen erzeugen oft eine einzige Mono- oder Stereospur ohne Schwankungen über die gesamte Laufzeit der Datei. Bei Kameramaterial ändert sich die Qualität mitunter mitten in der Datei (der Sprecher geht vom Mikrofon weg, Publikumsgeräusche schnellen hoch). Im Kamerafall ist ein sauberer Schnitt vor dem Hochladen besser als eine längere Nachbearbeitung am Transkript.

Dateigrößen und was zu tun ist, wenn deine MP4 zu groß ist

Die meisten Transkriptionstools akzeptieren Dateien bis 500 MB bis 2 GB. Eine einstündige Zoom-Besprechung (ca. 4,2–7,2 GB) kann das überschreiten.

Deine Optionen, sortiert nach Aufwand:

1. Lade bei einem Tool hoch, das große Dateien per URL annimmt. Ist deine MP4 über eine URL erreichbar (ein YouTube-Video, ein Loom-Freigabelink, ein Link zu einer Zoom-Cloud-Aufnahme), kannst du den Download komplett überspringen. Das Video-zu-Text-Tool von ConvertAudioToText nimmt aus diesem Grund direkte URLs entgegen.

2. Extrahiere vor dem Hochladen nur die Audiospur. Eine einstündige 1080p-MP4 kann 4 GB groß sein; die daraus extrahierte AAC-Audiospur ist nur rund 55–70 MB groß. Für die Transkription geht dabei keine Qualität verloren, weil du das Videosignal wegwirfst, nicht den Ton. Der ffmpeg-Befehl kopiert den Audiostream verlustfrei:

   ffmpeg -i recording.mp4 -vn -c:a copy audio.m4a
   

3. Trenne an einer natürlichen Stelle. Brauchst du Wort-Level-Zeitstempel über die gesamte Aufnahme, ist das manuelle Zerteilen und Wiederzusammenfügen der Zeitstempel mühsam. Extraktion ist einfacher.

Die HEVC-Falle

Apple-Geräte zeichnen seit 2017 standardmäßig in HEVC (H.265) auf. HEVC-Container tragen weiterhin die Endung .mp4 – der Dateiname verrät dir also nichts. Die meisten aktuellen Transkriptionstools kommen mit HEVC gut zurecht, weil sie den Container durch ffmpeg schicken, das HEVC robust unterstützt. Aber einige ältere Tools oder browserbasierte Uploader versuchen, das Video vor dem Senden clientseitig zu lesen, und ältere Browser können H.265 nicht dekodieren. Bekommst du bei einer eindeutigen MP4-Datei die Fehlermeldung „Format nicht unterstützt“, ist der Videocodec der wahrscheinlichste Übeltäter.

Lösung: Extrahiere zuerst die Audiospur (Befehl oben) – das ergibt eine reine AAC-Datei, die jedes Tool akzeptiert. Oder kodiere das Video nach H.264 um:

ffmpeg -i hevc_video.mp4 -c:v libx264 -c:a copy h264_video.mp4

Das dauert länger und erzeugt eine größere Datei; brauchst du nur das Transkript, nimm lieber die reine Audioextraktion.

Wo diese Dateien herkommen (und worauf du achten solltest)

Zoom-Cloud-Aufnahmen

Zoom kodiert Cloud-Aufnahmen als H.264-Video mit AAC-Ton bei etwa 64–128 kbps Mono. Der Ton ist bandbegrenzt und komprimiert, um Speicherplatz zu sparen – Frequenzen außerhalb des Sprachbereichs werden herausgefiltert. Für die Transkription ist das sogar gut: Hohe Frequenzen, die Rauschen verursachen, fallen weg, und das Modell bekommt ein sauberes Sprachsignal. Die Genauigkeit bei Zoom-Besprechungen mit ein bis zwei Sprechern liegt bei klarem Englisch typischerweise bei 95–97 %, bei starkem Akzent oder schnellem Sprechen darunter.

Für einen Zoom-spezifischen Workflow ohne vorherigen MP4-Download führt dich die Anleitung zum Transkribieren von Zoom-Besprechungen durch den Zugriff auf Plattformebene.

iPhone- und Android-Videos

iPhones zeichnen in MOV-Container auf (H.264 oder HEVC, AAC-Ton) und können als MP4 mit identischem Inhalt geteilt werden. Android-Geräte nehmen direkt als MP4 auf. Beides lässt sich ohne Zutun hochladen und transkribieren. Der Haken bei der Dateigröße ist real: Ein 10-minütiger iPhone-Clip in 4K mit 30 fps wiegt grob 3,5 GB. Extrahiere die Audiospur, bevor du hochlädst.

OBS-Bildschirmaufnahmen

OBS-Nutzer im Advanced-Output-Modus haben manchmal 6 Audiospuren in einer einzigen MP4 eingebettet. Spur 1 ist meist der vollständige Mix; die folgenden Spuren sind Einzelquellen-Stems. Wenn dein Transkript in einer unerwarteten Sprache daherkommt oder Spielaudio statt deines Voiceovers transkribiert, bist du auf der falschen Spur. Nutze ffprobe, um zu sehen, was drinsteckt, und extrahiere dann die konkrete Spur.

Um nach der Transkription Untertitel wieder ins aufgenommene Material einzuspielen, erzeugt das Untertitel-Generator-Tool SRT- und VTT-Dateien, die du zurück in OBS oder jeden Videoeditor importieren kannst.

YouTube-Downloads

Hast du ein YouTube-Video mit yt-dlp oder einem ähnlichen Tool heruntergeladen, trägt die resultierende MP4 den Ton in der Qualität, in der YouTube ihn ausgeliefert hat – typischerweise 128 kbps AAC für Standard und 256 kbps für Premium-fähige Inhalte. Beides reicht für die Transkription völlig. Das YouTube-Transkript-Generator-Tool überspringt den Downloadschritt komplett, indem es die URL direkt liest.

Konferenz- und Eventaufnahmen

Mehrkamera-Konferenzexporte beziehen ihren Ton oft aus der Raum-Beschallungsanlage (PA), nicht von einem Lavalier-Mikrofon am Sprecher. Rechne mit 85–92 % Genauigkeit, wenn der Raum groß ist oder Publikumsgeräusche enthält. Stammt die Datei von einem Anbieter, der separate Mikrofonfeeds vor dem Export gemischt hat, fällt die Genauigkeit höher aus. Prüfe den Ton vor dem Hochladen in VLC oder einem anderen Player: Klingt er für dein Ohr matschig, wird auch das Modell kämpfen.

Was serverseitig passiert

Du lädst die MP4 hoch. Das Transkriptions-Backend führt ungefähr Folgendes aus:

1. Den Container inspizieren und alle Audiostreams identifizieren.
2. Stream 0 (oder den vom Nutzer angegebenen Stream) in eine temporäre Audiodatei extrahieren. Das ist eine verlustfreie Kopieroperation: ffmpeg -i input.mp4 -map 0:a:0 -vn -c:a copy temp.m4a.
3. Auf 16 kHz Mono-PCM resampeln, das Format, das Modelle der Whisper- und Deepgram-Klasse erwarten.
4. In 30-Sekunden-Fenster mit 5 Sekunden Überlappung zerlegen, für präzise Segmentgrenzen.
5. Die Inferenz ausführen und die Wort-Level-Zeitstempel wieder zusammensetzen.
6. Satzzeichen-Wiederherstellung, Sprecher-Diarisierung (falls aktiviert) und Nachbearbeitung anwenden.
7. Die temporäre Datei löschen.

Der Schritt, der bei einer großen Datei am meisten Zeit kostet, ist Schritt 3 (Resampling), besonders bei 4K-HEVC-Dateien, deren Container langsam zu lesen ist. Eine vorab extrahierte Audiodatei überspringt Schritt 1–2 komplett.

Hat die MP4 eine Videospur mit variabler Bildrate (häufig bei Bildschirmaufnahmen bestimmter Apps), bleiben die Audio-Zeitstempel nach der Extraktion korrekt, weil nichts neu kodiert wird: -c:a copy bewahrt das exakte Timing aus den Zeitstempeln des Audiostreams – unabhängig von der Videospur.

So lädst du hoch: Die Kurzfassung

1. Öffne das Transkriptionstool und zieh deine MP4 hinein – oder füge eine URL ein, wenn die Datei gehostet ist.
2. Prüfe: Enthält die Datei mehrere Audiospuren und du bist unsicher, welche die Sprache trägt, extrahiere zuerst die richtige mit ffprobe und ffmpeg.
3. Wähle die gesprochene Sprache manuell aus. Die automatische Erkennung funktioniert zwar, aber die manuelle Auswahl bringt bei akzentbehafteten oder mehrsprachigen Inhalten 2–5 Genauigkeitspunkte zusätzlich.
4. Absenden. Eine 30-minütige 1080p-Zoom-Aufnahme liefert das Tool typischerweise in 3–6 Minuten zurück.
5. Korrekturlesen: Eigennamen, Fachbegriffe und alle Überlappungsstellen, an denen Sprecher gleichzeitig gesprochen haben.
6. Exportiere als TXT, DOCX, SRT oder VTT – je nachdem, ob du den Inhalt zum Lesen, Bearbeiten oder Untertiteln brauchst.

Brauchst du nur ein Transkript, ohne extra ein Konto anzulegen: ConvertAudioToText transkribiert die ersten 10 Minuten einer MP4 ganz ohne Konto, und ein kostenloses Konto schenkt dir einmalig bei der Anmeldung 10 zusätzliche Transkriptionsminuten – keine Kreditkarte erforderlich.

Häufig gestellte Fragen

Muss ich die Audiospur aus einer MP4 extrahieren, bevor ich sie transkribiere?

Nein. Lade die MP4 direkt hoch. Transkriptionsdienste extrahieren die Audiospur serverseitig mit ffmpeg oder einer vergleichbaren Bibliothek. Manuelle Extraktion lohnt sich nur, wenn deine Datei das Größenlimit des Dienstes überschreitet – in dem Fall verkleinert die Audioextraktion die Datei auf einen Bruchteil ihrer ursprünglichen Größe, ganz ohne Qualitätsverlust.

Mein MP4-Transkript ist in der falschen Sprache herausgekommen. Was ist passiert?

Zwei wahrscheinliche Ursachen. Erstens ist die automatische Spracherkennung bei einer Datei mit kurzem oder akzentbehaftetem Intro gescheitert: Stelle die Sprache manuell ein. Zweitens – und das kommt häufiger vor, als man denkt – enthält deine MP4 mehrere Audiostreams, und das Tool hat Stream 0 transkribiert, der eine andere Sprache enthält als die gewünschte. Führe ffprobe -i video.mp4 -show_streams -select_streams a aus, um alle Audiostreams samt ihrer Sprach-Tags aufzulisten, und extrahiere anschließend den richtigen.

Warum kann ich mein 4K-Video vom iPhone nicht hochladen? Es heißt, die Datei sei zu groß.

iPhone 4K mit 30 fps zeichnet in HEVC rund 350 MB pro Minute auf. Ein 10-minütiger Clip kommt so auf etwa 3,5 GB und übersteigt damit die meisten Upload-Limits. Führe ffmpeg -i input.mp4 -vn -c:a copy audio.m4a aus, um nur den Ton zu extrahieren – für dieselben 10 Minuten sind das nur etwa 10–15 MB. Lade stattdessen die Audiodatei hoch.

Wirkt sich HEVC (H.265) in einer MP4 auf die Transkriptionsqualität aus?

Nein. Der Videocodec wird bei der Audioextraktion verworfen. Ob HEVC oder H.264 – für die Transkriptionsgenauigkeit macht das keinen Unterschied. Das einzige praktische Problem: Manche browserbasierten Uploader versuchen, das Video vor dem Hochladen clientseitig zu dekodieren, und ältere Browser beherrschen H.265 nicht. Erhältst du die Fehlermeldung „Format nicht unterstützt“, extrahiere zuerst die Audiospur oder kodiere das Video nach H.264 um.

Meine OBS-Aufnahme hat getrennte Spiel- und Mikrofon-Audiospuren. Transkribiert das Tool beide?

Die meisten Tools transkribieren nur Stream 0, der in einem typischen OBS-Mehrspur-Setup der vollständige Mix ist. Willst du nur die Mikrofonspur (üblicherweise Stream 1 in der Standardkonfiguration von OBS), extrahiere sie vor dem Hochladen: ffmpeg -i recording.mp4 -map 0:a:1 -c copy mic.m4a. Nur die Mikrofonspur zu transkribieren verbessert die Genauigkeit der Sprecher-Diarisierung, wenn andere Audioquellen in den Mix hineingespielt haben.

Quellen

• Zoom-Dokumentation zu Aufnahmeformaten: https://support.zoom.com/hc/en/article?id=zm_kb&sysparm_article=KB0064394
• Descript-Preise: https://www.descript.com/pricing
• Rev-Preise: https://www.rev.com/pricing
• TurboScribe-Preise: https://turboscribe.ai/pricing (via Suchergebnis gelistet)
• Happy Scribe-Preise: https://www.happyscribe.com/pricing
• Otter.ai-Preise: https://otter.ai/pricing (referenziert über mehrere Bewertungsaggregatoren)
• ffprobe-Dokumentation: https://ffmpeg.org/ffprobe.html
• OBS-Anleitung zur Mehrspur-Audioaufnahme: https://obsproject.com/kb/multiple-audio-track-recording-guide