Audioformate: MP3, WAV, OGG, M4A, FLAC

Stand: 1. November 2026

Textinsprache.de speichert jede Sprachausgabe wahlweise als MP3, WAV, OGG, M4A oder FLAC. Welches Format Sie wählen, hängt davon ab, wo die Datei später abgespielt oder weiterverarbeitet wird.

MP3 läuft auf praktisch jedem Gerät. Eine Minute Sprache belegt bei Polly-Stimmen 0,36 MB, bei Azure-, HD- und KI-Stimmen 0,96 MB. WAV ist unkomprimiert, rund 2,9 MB pro Minute, und wird von Schnittprogrammen und vielen Telefonanlagen erwartet. M4A ist das übliche Format auf Apple-Geräten, OGG eine offene Alternative, FLAC verlustfrei komprimiert. Alle Dateien sind mono.

Die fünf Formate im Überblick

• MP3: verlustbehaftet komprimiert. Bei Polly-Stimmen erhalten Sie genau die MP3, die Amazon Polly liefert (48 kbit/s); Stimmen von Microsoft Azure sowie HD- und KI-Stimmen kodieren wir mit 128 kbit/s. Für gesprochene Sprache in Mono reicht beides.
• WAV: unkomprimierte PCM-Daten mit 16 Bit. Jedes Schnittprogramm und fast jede Telefonanlage kann damit umgehen. Die Datei ist rund dreimal so groß wie die MP3 einer Azure-, HD- oder KI-Stimme und etwa achtmal so groß wie die MP3 einer Polly-Stimme.
• OGG: Container mit dem freien Codec Vorbis, ebenfalls verlustbehaftet. Verbreitet in Webanwendungen, Spielen und unter Linux.
• M4A: AAC mit 128 kbit/s, wie OGG eine verlustbehaftete Neukodierung. Standardformat auf Apple-Geräten, das auch Windows, Android und PowerPoint lesen.
• FLAC: verlustfrei komprimiert. Beim Abspielen entsteht exakt dasselbe Signal wie bei WAV, die Datei ist aber kleiner.

Dateigröße pro Minute

Die folgenden Werte haben wir am 1. November 2026 gemessen: an deutschen Hörproben jeder Stimmenfamilie, umgewandelt mit genau den Einstellungen, die auch beim Herunterladen gelten. Neural-, Azure-, HD- und KI-Stimmen erzeugen wir mit 24 kHz, die Standard-Stimmen Marlene und Hans mit 22,05 kHz. Angaben in MB pro Minute, 1 MB = 1.000.000 Byte.

MP3 und WAV haben eine feste Datenrate; ihre Größe hängt nur von der Dauer ab. Für WAV lässt sie sich nachrechnen: 24.000 Abtastwerte pro Sekunde × 2 Byte × 60 Sekunden = 2.880.000 Byte. Bei OGG, M4A und FLAC hängt die Größe vom Signal ab. M4A lag bei Sprache in Mono deutlich unter den eingestellten 128 kbit/s, FLAC zwischen 1,24 und 1,57 MB pro Minute. Bei Azure-, HD- und KI-Stimmen sind OGG, M4A und FLAC eine Näherung, weil die verlustfreie Originaldatei des Anbieters für die Messung nicht vorlag.

Eine volle Umwandlung von 3.000 Zeichen dauert nach unseren Tempomessungen je nach Stimmenfamilie 3,9 bis 5,8 Minuten. Als MP3 sind das 1,6 bis 5,5 MB, als WAV 11 bis 16 MB. Messmethode und Werte je Stimme: Sprechtempo und Dateigrößen: unsere Messwerte.

Qualität: was in der Datei steckt

Amazon Polly liefert die Sprachausgabe bei uns als MP3 mit 48 kbit/s (24 kHz bei Neural-, 22,05 kHz bei Standard-Stimmen). Genau diese Datei erhalten Sie, wenn Sie eine Polly-Stimme als MP3 speichern. Laden Sie eine Polly-Stimme wie Vicki oder Daniel als WAV oder FLAC herunter, wandeln wir diese MP3-Quelle verlustfrei in das gewünschte Format um. Die Datei wird größer, klingt aber nicht besser als die MP3, denn was bei der Komprimierung weggefallen ist, lässt sich nicht zurückholen. OGG und M4A sind bei Polly-Stimmen eine erneute verlustbehaftete Kodierung dieser Quelle.

WAV hat trotzdem seinen Platz: Manche Programme und Geräte verlangen es, etwa Telefonanlagen, oder kommen damit besser zurecht, etwa Schnittprogramme, die beim Export ohnehin neu komprimieren. Dort ersparen Sie sich mit WAV eine Umwandlung auf Ihrer Seite.

Anders bei den Stimmen von Microsoft Azure, den HD-Stimmen von Google und Microsoft und den KI-Stimmen von OpenAI. Sie werden verlustfrei erzeugt (24 kHz PCM). Hier enthält eine WAV- oder FLAC-Datei tatsächlich das unkomprimierte Signal, und MP3 (128 kbit/s), OGG und M4A sind echte Komprimierungen davon.

Unterstützung auf Geräten und in Programmen

• Windows, Mac, iPhone, Android: MP3, WAV und M4A spielen alle gängigen Geräte ohne Zusatzsoftware ab. FLAC unterstützen aktuelle Versionen von Windows, macOS, iOS und Android ebenfalls.
• OGG: unter Android, Linux und in den meisten Browsern kein Problem. Auf Apple-Geräten und in manchen Büro- und Schnittprogrammen ist die Unterstützung uneinheitlich; im Zweifel nehmen Sie MP3.
• PowerPoint: MP3, WAV und M4A lassen sich einfügen. Die Schritte stehen im Ratgeber Sprechertext für Videos und Präsentationen.
• Videoschnitt: Gängige Schnittprogramme lesen WAV und MP3. Mit WAV muss das Programm die Datei nicht erst dekodieren, und Schnitte sitzen auf den Abtastwert genau.
• Telefonanlagen: Viele Anlagen erwarten WAV, manche ein ganz bestimmtes Format, etwa mit 8 kHz Abtastrate. Maßgeblich ist die Anleitung Ihrer Anlage oder Ihres Anbieters. Manche Anlagen wandeln hochgeladene Dateien selbst um, bei anderen müssen Sie die Datei vorher mit einem Audioprogramm anpassen.

Empfehlung nach Einsatzzweck

Praktische Hinweise

• Laden Sie die Datei bald herunter. Sie bleibt 24 Stunden abrufbar und wird dann gelöscht. Der Dateiname enthält Datum und Uhrzeit, etwa textinsprache-2026-11-01-1430.mp3.
• Brauchen Sie mehrere Formate, erzeugen Sie die Ausgabe einmal und laden sie nacheinander in den gewünschten Formaten herunter, solange sie verfügbar ist.
• Für Stereoprojekte ist Mono kein Nachteil: Schnittprogramme legen eine Monospur mittig auf beide Kanäle.
• Eine nachträgliche Umwandlung in ein anderes Format ist jederzeit möglich, verbessert die Qualität aber nicht. Wer unsicher ist, nimmt MP3.

Jetzt Text in Sprache umwandeln