Die kurze Antwort
Den Audio-Schneider öffnen, die Aufnahme hineinziehen, mit I und O jeden Teil markieren, den Sie behalten wollen — so viele Sie mögen —, und exportieren. Jeder Schnitt landet auf genau dem Sample, das Sie markiert haben, die behaltenen Samples kommen heraus, wie sie hineingingen, und die Nähte bekommen eine Blende von fünf Millisekunden, damit sie nicht knacken können.
Das ist die ganze Arbeit. Der Rest dieser Seite erklärt, warum die Genauigkeit echt und kein Werbeversprechen ist, und was die eine Sache ist, die schiefgeht, wenn man zwei Klangstücke aneinanderfügt.
Warum ein Audioschnitt exakt sein kann und ein Videoschnitt nicht
Video wird nicht als Folge vollständiger Bilder gespeichert — das wäre riesig. Die meisten Einzelbilder sind als Beschreibung gespeichert, wie sie sich von ihren Nachbarn unterscheiden, also lassen sie sich nicht für sich allein dekodieren. Nur ein Keyframe steht für sich, und Keyframes liegen typischerweise eine bis zehn Sekunden auseinander. Ein Schnittwerkzeug, das Bilder kopiert, kann deshalb nicht beginnen, wo Sie wollen: Es muss bei einem Keyframe anfangen, weshalb ein gekürztes Video manchmal ein, zwei Sekunden vor Ihrer Marke beginnt. Der Ratgeber zum Video handelt größtenteils davon.
Beim Ton gibt es nichts Vergleichbares. Ist eine Aufnahme einmal dekodiert, ist sie eine Reihe von Zahlen — eine pro Kanal, zehntausende Male pro Sekunde —, und jede einzelne steht völlig für sich. Sample 1.234.567 braucht Sample 1.234.566 nicht, um etwas zu bedeuten. Ein Schnitt kann also an jedem beliebigen Sample gesetzt werden, und „genau dort, wo Sie markiert haben“ heißt genau das: Ihre Marke in Sekunden, mal Abtastrate, auf das nächste ganze Sample gerundet. Bei 48 kHz sind das höchstens zehn Mikrosekunden Rundung.
Auch playerabhängiges Verhalten gibt es hier nicht. Ein gekürztes Video verlässt sich auf eine Schnittmarke, die die meisten Player beachten und manche ignorieren; eine gekürzte WAV sind einfach die Samples, es bleibt also nichts übrig, worüber ein Player anderer Meinung sein könnte.
Der Haken: eine Naht ist ein Sprung
Hier ist das, was beim Schneiden von Ton tatsächlich schiefgeht, und der Grund, warum ein gutes Werkzeug dafür eine Einstellung hat.
Klang ist eine Welle. Wenn Sie mitten in einem Wort schneiden und direkt mitten in einem anderen weitermachen, haben das Sample am Ende des ersten Stücks und das Sample am Anfang des zweiten überhaupt keine Beziehung zueinander: Die Wellenform kann in einem einzigen Sample vom oberen Rand ihres Bereichs an den unteren springen. Eine Lautsprechermembran, die diesen Sprung machen soll, erzeugt das schärfste Geräusch, zu dem sie fähig ist — und das hören Sie als Knacken an der Naht.
Das hat nichts mit Qualitätsverlust zu tun und nichts mit dem Format. Es passiert bei einem völlig verlustfreien Schnitt einer völlig sauberen Aufnahme. So klingt schlicht ein Sprung. Ein Werkzeug, das auf das genaue Sample schneidet und sonst nichts tut, knackt an manchen Nähten und an anderen nicht — je nachdem, wo in der Wellenform die beiden Enden zufällig gelandet sind.
Was fünf Millisekunden Blende wirklich tun
Der Ausweg ist, den Pegel kurz vor dem Schnitt auf Stille zu bringen und gleich danach wieder herauf, sodass kein Sprung mehr zu machen bleibt. Mehr ist eine „Blende“ hier nicht: eine Rampe über ein paar hundert Samples an jeder Kante.
Interessant ist die Länge. Fünf Millisekunden sind bei 48 kHz etwa zweihundertvierzig Samples. Das ist lang genug, damit die Membran den Weg zurücklegen kann — das Knacken ist restlos weg — und viel zu kurz, um als Blende gehört zu werden: Fünf Millisekunden sind rund ein Fünftel der Zeit, die man für einen einzelnen Konsonanten braucht. Sie werden die Pegelbewegung nicht wahrnehmen. Sie werden nur wahrnehmen, dass die Naht sauber ist.
Längere Blenden werden angeboten, weil manches Material sie will. Zwanzig oder fünfzig Millisekunden lohnen sich beim Zusammenfügen von Musik, wo das Unterbrochene ein ausgehaltener Ton ist und keine Silbe und die kürzeste Rampe noch ein hörbares Plopp übrig lassen kann. Sprache braucht fast nie mehr als fünf.
Eine Blende gehört nur an eine Kante, die wirklich ein Schnitt ist. Beginnt ein Teil ganz am Anfang der Aufnahme, wurde davor nichts entfernt — die Datei fing dort an, bevor irgendetwas gekürzt wurde —, ihn einzublenden wäre also ein Eingriff, den niemand verlangt hat. Das Werkzeug hier setzt Blenden nur dort, wo eine Naht existiert; deshalb lässt es jedes Sample unangetastet, wenn Sie gar nichts kürzen.
Eine MP3 kürzen, und warum eine WAV herauskommt
Sie können eine MP3, eine M4A, eine Ogg oder eine Opus-Datei öffnen und kürzen. Zurück kommt eine WAV, und es lohnt sich, den Tausch klar zu benennen, statt ihn als Merkmal zu verkaufen.
Es gibt zwei Wege, komprimiertes Audio zu kürzen. Der eine schneidet die komprimierten Daten direkt und schiebt ganze kodierte Blöcke in eine neue Datei, ohne sie zu dekodieren. Das hält die Datei klein und kostet keine Qualität — nur ist ein MP3-Block etwa sechsundzwanzig Millisekunden lang, also wird jeder Schnitt auf die nächste Blockgrenze gerundet, was die Audioversion des Keyframe-Problems ist. Außerdem ist es formatgebundene Arbeit: Ein MP3-Leser kürzt keine Opus-Datei.
Der andere Weg dekodiert, schneidet auf das genaue Sample und schreibt die Samples heraus. Nichts wird gerundet, jedes Format, das der Browser abspielen kann, funktioniert gleich, und die Blenden sind überhaupt erst möglich — man kann keinen Pegel rampen, den man nicht dekodiert hat. Der Preis ist, dass die Samples in irgendeinem Format wieder herausgeschrieben werden müssen, und kein Browser bringt einen MP3- oder AAC-Encoder mit, der sich hier nutzen ließe. Eine WAV braucht keinen Encoder: Sie sind die Samples mit einem kurzen Kopf davor, und dieser Schritt kann nichts verlieren.
Die praktischen Folgen: Was herauskommt, ist viel größer als das, was hineinging — grob zehn Megabyte pro Minute in Stereo —, und es ist nicht besser als die MP3, aus der es stammt, denn die bereits geschehene Kompression lässt sich nicht rückgängig machen. Eine WAV öffnet alles, und was eine MP3 braucht, kann in einem Schritt eine daraus machen.
Mehrere Teile auf einmal markieren
Die meisten Online-Schneider geben Ihnen ein Paar Griffe und fragen, welchen einen Abschnitt Sie behalten wollen. Bei echten Aufnahmen beantwortet das die falsche Frage. Eine Stunde Interview hat nicht eine gute Stelle; sie hat sechs, verteilt über das Ganze, und man findet sie, indem man es einmal anhört.
Also markieren Sie beim Hören: I, wo ein Teil anfängt, O, wo er endet, so oft Sie wollen. Jedes Paar wird zu einer Zeile, die Sie umlegen oder umsortieren können, und zu einem Balken auf der Wellenform. Die fertige Datei sind diese Zeilen, der Reihe nach aneinandergefügt.
Dieselbe Markierungsliste beantwortet auch die umgekehrte Frage. Wenn weg soll, was „ähm“ ist, das klingelnde Telefon und die falschen Anfänge, markieren Sie die und schalten auf „herausschneiden“ um — dann wird alles zusammengefügt, was Sie nicht markiert haben. Es sind in beiden Fällen dieselben Marken, Sie können also hin- und herschalten und zusehen, wie sich die fertige Länge ändert, ohne irgendetwas zweimal zu markieren.
Markieren ist sorgfältige Arbeit, und ein geschlossener Tab sollte sie nicht kosten; deshalb lassen sich die Marken als einfache Textdatei sichern und wieder laden. Der Aufbau ist derselbe, den der Video-Schneider schreibt, sodass Marken, die an einem Video gesetzt wurden, auf dessen ausgelöstes Audio passen und umgekehrt.
Sehen Sie sich die Wellenform an
Ton durch Vor- und Zurückspulen zu markieren ist Raten; ihn mit den Augen zu markieren nicht. Stille sieht aus wie Stille, ein Husten sieht aus wie ein Husten, und die vier Sekunden Raumton, bevor jemand zu sprechen anfängt, sieht man sofort, statt sie suchen zu müssen.
Am meisten zählt das bei den Marken, die alle ein wenig danebensetzen: Der Anfang eines Satzes gehört meist in die Stille vor dem Atemzug, nicht dahinter, und das Ende will meist noch einen Schlag Raumton statt eines Schnitts auf dem letzten Konsonanten. Beides ist im Bild offensichtlich und nach Gehör kaum zu treffen. Ziehen Sie die Enden eines markierten Teils an der Wellenform entlang, um sie zurechtzurücken.
Kürzen ist kein Blenden, und Bearbeiten ist es auch nicht
Drei Wörter, die füreinander verwendet werden. Kürzen ändert, welche Teile der Aufnahme überleben. Eine Blende — die musikalische Sorte, über Sekunden — ist ein absichtlicher Effekt auf dem Pegel, und die oben beschriebenen paar Millisekunden sind das nicht; sie sind Knackentfernung, die zufällig dieselbe Rechnung benutzt.
Wenn Sie die Aufnahme rückwärts, schneller, langsamer ohne Tonhöhenänderung oder lauter wollen, weil zu leise aufgenommen wurde, dann ist das der Audio-Editor. Es sind derselbe Dekoder und derselbe WAV-Schreiber; nur die Rechnung dazwischen ist eine andere.
Warum das kein Hochladen braucht
Kürzen ist Rechnen über einem Feld von Zahlen. Der Browser hat den Dekoder längst — es ist derselbe, der die Datei in einem <audio>-Element abspielt —, und sind die Samples erst dekodiert, ist es ein Kopiervorgang, manche zu behalten und den Rest wegzulassen. In dieser Beschreibung gibt es keinen Schritt, den ein Server besser könnte, und der Weg zu ihm und zurück wäre der langsamste Teil der ganzen Arbeit.
Es ist außerdem ein Dateityp, bei dem Hochladen mehr kostet, als die meisten denken. Aufnahmen sind Stimmen: Interviews, Vorlesungen, Telefonate, Sprachnachrichten, Therapiesitzungen, ein Kind, das etwas sagt, das man behalten möchte. Das Werkzeug hier hat keinerlei Netzfunktion, und die Content-Security-Policy der Seite nennt jede Adresse, die sie kontaktieren darf — keine davon gehört zu dieser Site.
Trennen Sie die Internetverbindung und kürzen Sie trotzdem eine Aufnahme, wenn Sie lieber nachsehen als sich etwas sagen zu lassen. Ist es sicher, Dateien zu Online-Konvertern hochzuladen? nennt drei weitere Prüfungen dieser Art.