Dateiformate für die Transkription erklärt: Ein Eingabe-Leitfaden für 2026

Das Format Ihrer Audiodatei ist fast nie der Grund dafür, dass ein Transkript fehlerhaft ausfällt. Die meisten Transkriptionstools akzeptieren MP3, WAV, M4A, FLAC, OGG, MP4, MOV und ein Dutzend weitere Formate. Dieser Beitrag stellt jedes Format vor, erklärt, wann die Wahl wirklich zählt, und sagt Ihnen, was Sie bei den heiklen Fällen tun sollten.

Für eine schnelle Ja/Nein-Tabelle zur Kompatibilität verschiedener Tools werfen Sie einen Blick auf die Referenz Unterstützte Audioformate für die Transkription. Die Ausgabeseite – SRT, VTT und TXT – behandelt der Beitrag Exportformate für Transkriptionen erklärt.

Audio vs. Video: Was Transkriptionstools tatsächlich verarbeiten

Laden Sie eine Videodatei hoch, extrahiert das Transkriptionstool zunächst die Audiospur (per FFmpeg oder einem gleichwertigen Werkzeug) und lässt dann das Sprachmodell über dieses Audio laufen. Die Videobilder werden vollständig ignoriert.

Eine 1-GB-MP4 und eine 50-MB-MP3 mit identischem Audio erzeugen identische Transkripte. Die MP4 braucht nur länger zum Hochladen. Für reine Transkriptionsarbeit sind reine Audioformate stets die effizientere Wahl. Die Ausnahme ist die Untertitelarbeit, bei der Sie die Videodatei als Referenz behalten wollen.

Die Audioformate

MP3

Der praktische Standard für fast alles. Universelle Unterstützung, kleine Dateien, keine Kompatibilitätsüberraschungen.

• Komprimierung: Verlustbehaftet. 128 kbps sind akzeptabel; 192 kbps sind der Genauigkeits-Sweet Spot für Sprache; 320 kbps sind die praktische Obergrenze.
• Abtastrate: Meistens 44,1 kHz. Transkriptionsmodelle resampeln intern auf 16 kHz.
• Dateigröße: 60-minütige Datei bei 192 kbps mono = rund 86 MB.
• Am besten für: Podcasts, Sprachmemos, Interviews, jede reine Sprachaufnahme, bei der Sie kleine Dateien möchten.

MP3 entfernt beim Kodieren hohe Frequenzanteile. Bei 192 kbps und darüber ist der Verlust für die Transkription vernachlässigbar. Bei 64 kbps und darunter verschmieren Frikative („f“, „s“, „sch“), und die Genauigkeit sinkt spürbar.

WAV

Unkomprimiertes PCM-Audio. Jedes Sample wird explizit gespeichert.

• Komprimierung: Keine.
• Abtastrate: 8 kHz bis 192 kHz. 16 kHz ist der Standard für Sprachmodelle.
• Dateigröße: 60-minütige Mono-Datei bei 16 kHz = rund 110 MB. Dieselbe Aufnahme bei 44,1 kHz stereo schwillt auf rund 600 MB an.
• Am besten für: Masteraufnahmen, die Sie bearbeiten möchten, professionelle Broadcast-Arbeit oder Situationen, in denen Sie keinen verlustbehafteten Schritt in der Kette wollen.

WAV ist für den Upload oft überdimensioniert. Sitzen Sie an einer langsamen Verbindung oder nahe an einem Größenlimit, kostet die Umwandlung in eine MP3 mit 192 kbps praktisch keine Genauigkeit. Für einen detaillierten Vergleich der beiden Formate siehe WAV vs. MP3 für die Transkription.

M4A

Das Standardformat für Apple-Geräte. Manchmal beschrieben als „AAC in einem MP4-Container“.

• Komprimierung: Verlustbehaftet (AAC-Codec). Etwas effizienter als MP3 bei derselben Bitrate.
• Abtastrate: Meistens 44,1 kHz.
• Dateigröße: 60-minütige Datei bei 128 kbps = rund 58 MB.
• Am besten für: iPhone-Sprachmemos, GarageBand-Exporte, jegliches Audio aus Apple-Umfeld.

M4A und AAC sind praktisch identisch: M4A ist der Container, AAC der Codec darin. Die meisten Tools behandeln beide gleich. Es gibt keinen Grund, ein iPhone-Sprachmemo vor dem Hochladen zu konvertieren.

FLAC

Verlustfreie Komprimierung. Dieselbe Audioqualität wie WAV, nur kleinere Datei.

• Komprimierung: Verlustfrei (es werden keine Audiodaten entfernt).
• Abtastrate: Typischerweise 44,1 kHz oder 48 kHz.
• Dateigröße: 60-minütige Stereo-Datei = rund 300 MB.
• Am besten für: Archivierungs-Workflows, bei denen Sie sich keinen verlustbehafteten Schritt leisten können und kleinere Dateien als bei WAV wünschen.

FLAC ist für den Transkriptions-Upload selten das richtige Format. Der Genauigkeitsgewinn gegenüber einer sauberen MP3 mit 192 kbps ist bei Sprache praktisch null, und die Dateien bleiben deutlich größer als MP3. Am nützlichsten ist FLAC in audiophilen und archivarischen Pipelines, in denen das Audio noch weiterverarbeitet wird.

OGG / Opus

Open-Source-Formate. Opus insbesondere nutzen WhatsApp, Discord und die meisten WebRTC-Apps für Sprachnachrichten.

• Komprimierung: Verlustbehaftet. Opus ist bei niedrigen Bitraten hocheffizient und übertrifft oft MP3 und AAC.
• Dateigröße: 60-minütige Datei bei 64 kbps Opus = rund 29 MB.
• Am besten für: WhatsApp-Sprachnachrichten, WebRTC-Aufnahmen, Open-Source-Tooling.

OGG ist ein Container (wie MP4); Vorbis und Opus sind Codecs, die darin Platz finden können. Ab 64 kbps bewahrt Opus die Sprachverständlichkeit gut.

AAC

Der nackte Codec, meist in einem M4A-Container ausgeliefert, gelegentlich aber auch als eigenständige .aac-Datei.

• Komprimierung: Verlustbehaftet. Etwas effizienter als MP3 bei derselben Bitrate.
• Dateigröße: Ähnlich wie M4A.
• Am besten für: Inhalte aus Apple Podcasts, dem iTunes Store oder modernen Broadcast-Workflows.

AAC und M4A werden von Transkriptionstools identisch verarbeitet. In der Praxis müssen Sie zwischen beiden selten unterscheiden.

WMA

Windows Media Audio. 2026 eher unüblich, aber auf Altsystemen noch anzutreffen.

• Komprimierung: Verlustbehaftet (Microsofts proprietärer Codec).
• Am besten für: Legacy-Windows-Aufnahmen. Konvertieren Sie zu MP3, wenn Sie viele Dateien stapelweise verarbeiten.

WMA wird von den meisten modernen Tools akzeptiert, aber bei vielen Dateien lohnt sich die vorherige Konvertierung zu MP3: So vermeiden Sie nachgelagerte Randfälle bei der Codec-Dekodierung.

Die Videoformate

MP4

Der dominierende Videocontainer. Das Audio darin ist meist AAC; das Video typischerweise H.264 oder H.265.

• Am besten für: YouTube-Downloads, Bildschirmaufnahmen, Smartphone-Videos, Loom-Exporte.
• Audioqualität: Meist 128–192 kbps AAC, was sich gut transkribieren lässt.

MOV

Apples Videocontainer. Funktional ähnlich wie MP4.

• Am besten für: QuickTime-Aufnahmen, iPhone-Videos, ScreenFlow, Final-Cut-Pro-Exporte.

WebM

Open-Source-Videoformat. Üblich für Google-Meet-Aufnahmen und browserbasierte Aufnahmetools.

• Audio: Meist Opus.
• Am besten für: Google-Meet-Aufnahmen, webbasierte Aufnahmetools, Twitch-Downloads.

MKV

Der Matroska-Container. Flexibel, oft für hochwertige heruntergeladene Videos verwendet.

• Am besten für: Konferenzmitschnitte, heruntergeladene Vorträge, HD-Videos mit mehreren Audiospuren.

AVI, WMV, FLV

Ältere Formate, auf die Sie noch stoßen werden.

• AVI: Legacy-Windows-Video. Von den meisten Tools akzeptiert; konvertieren Sie zu MP4, wenn Sie die Wahl haben.
• WMV: Legacy Windows Media. Derselbe Rat.
• FLV: Legacy-Flash-Video. Nach 2020 selten zu sehen, aber einige ältere Aufnahmen nutzen es weiterhin.

Bei allen diesen Formaten liefert die Konvertierung zu MP4 vor dem Hochladen kleinere Dateien und vermeidet jede exotische Codec-Dekodierung.

Wann die Formatwahl wirklich zählt

Meistens spielt die Formatwahl keine Rolle: Jedes moderne Tool verarbeitet MP3, WAV, M4A und MP4 anstandslos. Die Fälle, in denen es doch zählt:

Verlustbehaftete Dateien mit niedriger Bitrate. Eine MP3 mit 32 oder 48 kbps oder eine stark komprimierte Telefontonaufnahme verschmiert die Konsonanten so sehr, dass selbst das beste Modell ins Straucheln gerät. Können Sie mit höherer Bitrate neu aufnehmen, tun Sie das vor dem Transkribieren.

Konvertierung von verlustbehaftet zu verlustfrei. Wandeln Sie eine MP3 in WAV um, erhalten Sie eine große WAV-Datei mit exakt denselben Datenverlusten wie die ursprüngliche MP3. Die Konvertierung ist endgültig; das entfernte Audio lässt sich nicht zurückholen. Das Transkript fällt genauso aus wie aus der ursprünglichen MP3.

DRM-geschützte Dateien. iTunes-Käufe von vor 2009 und einige Hörbuchdateien tragen DRM, das die Extraktion verhindert. Wer sie transkribieren will, muss das DRM zuerst entfernen – was je nach Anwendungsfall eine Lizenzverletzung sein kann.

Randfälle mit variabler Bitrate. Einige VBR-kodierte Dateien haben fehlerhafte Header, die Decoder durcheinanderbringen. Eine Neukodierung mit konstanter Bitrate (CBR) behebt das zuverlässig.

Mehrkanaliger Surround-Sound. Eine 5.1-Audiospur aus einer Filmproduktion ist als Transkriptionseingabe ungewöhnlich. Die meisten Tools mischen automatisch auf Mono herunter; manche lehnen die Datei ab.

Mono vs. Stereo

Mono halbiert die Dateigröße ohne Genauigkeitskosten bei Inhalten mit einem Sprecher. Sprache ist inhärent mono: Ihre Stimme ist dasselbe Signal auf beiden Kanälen einer Stereo-Aufnahme.

Die eine Ausnahme ist die Split-Track-Interviewaufnahme, bei der ein Sprecher auf den linken Kanal und ein anderer auf den rechten gelegt ist. Manche Tools können diese Kanaltrennung für die Sprecher-Diarisierung nutzen und die Sprecher anhand des Kanals beschriften, ohne akustisches Clustering zu benötigen. Unterstützt Ihr Rekorder Split-Track und Ihr Transkriptionstool die kanalbasierte Diarisierung, lohnt sich das Aktivieren. Für alles andere: in Mono aufnehmen.

Abtastrate

Der Standard für Sprachmodelle ist 16 kHz. Diese Rate erfasst den gesamten Frequenzbereich der menschlichen Stimme (der unter 8 kHz liegt) mit reichlich Reserve. Höhere Abtastraten (44,1 kHz von CD-Audio, 48 kHz aus dem Broadcast, 96 kHz von Studiogeräten) erhöhen die Dateigröße, bringen aber keinen Genauigkeitsvorteil für die Spracherkennung.

Praktisch alle Transkriptionstools resampeln intern auf 16 kHz. Audio mit 44,1 kHz hochzuladen bedeutet nur einen größeren Upload für dasselbe Ergebnis. Bei einer langsamen Verbindung spart Resampling vor dem Upload Zeit:

ffmpeg -i input.wav -ac 1 -ar 16000 output_16k.wav

Dateigröße und die praktischen Grenzen

Transkriptionstools begrenzen Dateigröße oder Dauer, wobei kostenlose Tarife strenger sind als kostenpflichtige. Das Muster ist über alle Tools hinweg konsistent: Kostenlose Pläne begrenzen entweder die Gesamtminuten pro Monat oder die Dauer pro Datei; kostenpflichtige Pläne heben diese Limits deutlich an oder streichen sie ganz.

Stößt Ihre Datei an ein Limit, haben Sie folgende Möglichkeiten:

1. In ein effizienteres Format konvertieren. Aus einer 600-MB-WAV werden rund 50 MB als MP3 mit 192 kbps – oft ausreichend, um ein Größenlimit zu umgehen, ganz ohne Genauigkeitsverlust.
2. Die Datei an einer natürlichen Pause teilen. Audacity und FFmpeg beherrschen beide.
3. URL-basierten Upload nutzen, falls verfügbar. Manche Tools, darunter ConvertAudioToText, akzeptieren eine URL und laden die Datei serverseitig herunter – Ihre Upload-Bandbreite wird dabei komplett umgangen.

Der FFmpeg-Ausweg

Hängen Sie an einem problematischen Format fest, behebt die Konvertierung in eine saubere Mono-MP3 per FFmpeg fast jeden Randfall:

ffmpeg -i input.weird-format -ac 1 -ar 16000 -b:a 192k output.mp3

Der Befehl erzeugt aus allem, was FFmpeg lesen kann – und das ist fast alles – eine Mono-MP3 mit 16 kHz und 192 kbps.

Formatübersicht: Schnellreferenz

Meine Einschätzung: Das Nützlichste an dieser Tabelle ist die Einsicht, dass sämtliche Video-Zeilen auf „erst Audio extrahieren“ hinauslaufen. Hat man das verinnerlicht, erledigt sich die Sorge um die Containerwahl bei Videodateien weitgehend von selbst.

Formatwahl, wenn Sie die Wahl haben

Wenn Sie neues Audio speziell für die Transkription aufnehmen:

• MP3 mit 192 kbps in Mono für reinen Sprachinhalt. Klein, universell, genau.
• M4A mit 128 kbps AAC, wenn Sie auf einem Apple-Gerät arbeiten und das native Format wollen.
• WAV mit 16 kHz in Mono, wenn Sie Speicherplatz haben und keine verlustbehafteten Schritte in der Kette wollen.

Bei Videoarbeiten ist MP4 mit H.264-Video und AAC-Audio ab 128 kbps der sichere Standard.

FAQ

Beeinflusst die Formatwahl tatsächlich die Transkriptionsgenauigkeit?

In der Praxis selten. Die Aufnahmequalität hinter dem Format ist weitaus wichtiger als Container oder Codec. Eine saubere, gut aufgenommene MP3 mit 192 kbps erzeugt ein Transkript, das fast identisch mit dem einer WAV-Datei desselben Audios ist. Ausnahmen sind sehr niedrige Bitraten (unter 64 kbps), stark komprimierte Telefontonaufnahmen und Dateien mit beschädigten Headern.

Sollte ich meine Datei vor dem Hochladen in WAV konvertieren?

Nur wenn Ihre Quelle bereits WAV oder verlustfrei ist. Die Konvertierung eines verlustbehafteten Formats wie MP3 oder M4A in WAV stellt keinerlei Audiodaten wieder her: Die ursprünglichen Komprimierungsentscheidungen sind endgültig. Die Konvertierung bläht nur die Dateigröße auf, ohne jeden Genauigkeitsvorteil.

Was ist das beste Format für das Transkribieren eines iPhone-Sprachmemos?

M4A, das native Format, das iPhones verwenden. Es gibt keinen Grund, es vorher zu konvertieren. M4A nutzt den AAC-Codec und wird von allen modernen Transkriptionstools direkt akzeptiert.

Warum bevorzugen Transkriptionsmodelle Audio mit 16 kHz?

Menschliche Sprache liegt unter 8 kHz. Eine Abtastrate von 16 kHz erfasst den gesamten Sprachfrequenzbereich ohne Verlust für die Spracherkennung. Höhere Raten (44,1 kHz, 48 kHz) enthalten Frequenzen, die das Modell ignoriert – ihr Hochladen bedeutet nur einen langsameren Upload ohne Verbesserung des Transkripts.

Was soll ich tun, wenn meine Datei zu groß zum Hochladen ist?

Drei Optionen: In ein effizienteres Format konvertieren (aus einer 600-MB-WAV werden rund 50 MB als MP3 mit 192 kbps), die Datei an einer natürlichen Pause mit Audacity oder FFmpeg teilen oder prüfen, ob Ihr Transkriptionstool eine URL akzeptiert, damit es die Datei serverseitig herunterladen und Ihre Upload-Bandbreite komplett umgehen kann.

Quellen

• AssemblyAI: Beste Audiodateiformate für Speech-to-Text - geprüft am 2026-07-02
• ConvertAudioToText Preisseite - geprüft am 2026-07-02