Das MP4-Format: ISO BMFF, H.264 und warum es heute überall steckt

Wenn ein iPhone, ein Android-Smartphone oder eine Dashcam ein Video aufnimmt, kommt am Ende fast immer eine .mp4-Datei raus. Die Endung ist so verbreitet, dass sie wie eine selbstverständliche Default-Wahl wirkt. Hinter den drei Buchstaben steckt aber ein präzise spezifizierter ISO-Standard mit einer langen Geschichte, und das hilft, wenn die MP4-Datei in ein animiertes GIF wandern soll.

Geschichte: vom QuickTime-Atom zum ISO-Standard

Apple veröffentlichte 1991 das QuickTime File Format. Das Konzept: Mediendaten und Metadaten liegen in benannten Containern, sogenannten Atomen, in einer Datei. Ein Atom enthält einen 4-Byte-Header mit Größe und Typ, danach den Payload. Atome können verschachtelt werden. Diese Idee war so robust, dass die Motion Picture Experts Group sie 1998 als Grundlage für die MPEG-4-Spezifikation übernahm.

1999 erschien ISO/IEC 14496-1 als erster Teil der MPEG-4-Familie. Der Container bekam einen eigenen Standard, ISO/IEC 14496-12, das ISO Base Media File Format (BMFF). Aus den Apple-Atomen wurden Boxen mit identischer Struktur. 2001 folgte schließlich ISO/IEC 14496-14, der den .mp4-Container definiert. MP4 ist also formell eine spezialisierte Variante von BMFF.

Der Durchbruch kam mit H.264. 2003 verabschiedeten ITU-T und ISO die MPEG-4 Part 10 / H.264 / AVC-Spezifikation gemeinsam. AVC steht für Advanced Video Coding, ein Codec, der bei gleicher Bildqualität rund die Hälfte der Bitrate eines MPEG-2-Encoders brauchte. iPhone 2007 verwendete H.264 im MP4-Container als einziges Format für Video. Das setzte einen De-facto-Standard, dem Android, Windows Phone und alle späteren Geräte folgten.

Wie eine MP4-Datei aufgebaut ist

Eine MP4-Datei ist eine Folge von Top-Level-Boxen. Die wichtigsten:

• ftyp, der File Type, ganz am Anfang. Er sagt, welche Brand-Identifier (mp42, isom, avc1) die Datei beansprucht. Konverter und Player prüfen die ftyp-Box zuerst.
• moov, die Movie-Box mit allen Metadaten. Hier liegen Tracks, Dauer, Sample-Tabellen, Codec-Konfiguration. moov ist das Inhaltsverzeichnis der Datei.
• mdat, die Media Data-Box. Hier liegen die rohen Video-Samples und Audio-Frames in Byte-Strömen. mdat ist meist die größte Box.
• trak, pro Track eine Track-Box innerhalb von moov. Video-Track, Audio-Track, optional Subtitle-Track oder Metadaten-Track.

In den trak-Boxen steht, mit welchem Codec der Track kodiert ist (avc1 für H.264, hev1 für H.265, mp4a für AAC-Audio), wie die Sample-Größen aussehen, wann die Keyframes liegen. Ein ffmpeg-Probepass liest genau diese Boxen, ohne die mdat-Box voll zu dekodieren. So wissen Konverter sehr schnell, wie lang das Video ist und welche Auflösung es hat.

Ein praktischer Tipp: bei MP4-Dateien aus dem Web liegt moov manchmal am Ende der Datei. Das ist legal, aber für Streaming ungünstig, weil der Player erst das Ende lesen muss, bevor er anfängt. Tools wie qt-faststart verschieben moov an den Anfang. Für ein lokales Tool wie mp4gif.de ist das egal, die Datei liegt komplett im Browser.

Typische Codecs in MP4

Container und Codec sind zwei verschiedene Schichten. MP4 ist der Container; was darin steckt, kann sich unterscheiden:

• H.264 / AVC, der Standard seit 2003. Universell unterstützt, Hardware-Beschleunigung in allen Geräten, gutes Qualität-Größe-Verhältnis. Default für die meisten Aufnahme-Apps.
• H.265 / HEVC, Nachfolger seit 2013. Bessere Kompression bei gleicher Qualität, dafür Patent-Lizenz-Komplexität. Apple stellt seit iOS 11 (2017) auf HEVC um, wenn das Zielgerät es kann.
• AV1, royalty-freier Codec der Alliance for Open Media. Moderne Browser und Streaming-Plattformen setzen ihn ein, in Endgeräte-Aufnahmen ist er aber selten.
• AAC, Standard-Audio-Codec im MP4. Stereo bis 7.1 Surround.

Aus dieser Liste folgt: zwei MP4-Dateien können sich technisch stark unterscheiden, obwohl beide auf .mp4 enden. Ein iPhone-12-Video ist HEVC, ein Bildschirm-Mitschnitt mit OBS ist meist H.264, eine Drohnen-Aufnahme ist oft H.264 mit ungewöhnlichen Profilen. ffmpeg.wasm im Browser unterstützt H.264 und H.265 als Eingangscodecs, die Konvertierung zu GIF läuft danach codec-unabhängig.

Wo MP4 heute überall steckt

Praktisch jede Aufnahme-Quelle der letzten 15 Jahre spuckt MP4 aus:

• Smartphones, iPhone, iPad, Android. Default-Format der Kamera-App.
• Screencasting, OBS Studio, ScreenFlow, Camtasia, QuickTime-Bildschirmaufnahme schreiben MP4.
• Camcorder, Dashcams, Drohnen, seit ungefähr 2010 fast ausschließlich MP4.
• Streaming-Plattformen, YouTube, Vimeo, Netflix liefern MP4-Segmente in DASH oder HLS aus.
• Stock-Footage und Tutorials, Marketing-Quellen wie Pexels Videos, Mixkit, YouTube-Creator-Downloads.

Für Marketing-Teams heißt das: wenn ein Mitschnitt für ein GIF gebraucht wird, kommt er fast garantiert als MP4. Eine Konvertierung MP4 → GIF ist deshalb der häufigste Workflow im Animations-Marketing.

Warum nicht direkt MP4 ins Web?

MP4 ist ein vollständiges Video-Format mit Audio, das per <video>-Tag eingebettet wird. GIFs und animierte WebPs spielen direkt als Bild, ohne Player-Steuerung, ohne Audio, mit Auto-Loop. Drei konkrete Gründe für die Konvertierung:

1. E-Mail-Clients, Outlook, Gmail-Web, Apple Mail zeigen MP4 nicht inline. GIFs schon. Newsletter-Hero-Animationen brauchen GIF.
2. Slack, Discord, Notion, inline-Preview eines GIF ist ein animiertes Bild; ein MP4-Link wird als Datei oder Video-Card gerendert, das stoppt den Lese-Fluss.
3. Loop-Verhalten, <video autoplay loop muted> funktioniert, ist aber 3 Attribute. Ein GIF loopt von alleine, ohne Code, ohne Codec-Verhandlung.

Workflow: MP4 zu GIF mit mp4gif.de

Der Konverter lädt ffmpeg.wasm einmal in den Browser (rund 32 MB, danach gecached). Die MP4-Datei wird nicht hochgeladen, sie bleibt im Browser-Speicher. Drei Qualitäts-Modi entscheiden über das Verhältnis Größe vs. Schärfe:

• Niedrig, Single-Pass mit Standard-Palette. Schnell, klein, etwas Banding.
• Mittel, Single-Pass mit eingebettetem palettegen + paletteuse via Bayer-Dither. Guter Default für Marketing-GIFs.
• Hoch, Two-Pass: erst Palette-Generierung mit bis zu 256 Farben, dann zweiter Pass mit Sierra-Dither. Beste Qualität, doppelte Laufzeit.

Frame-Rate, Breite und Trim-Bereich beeinflussen die Endgröße linear. Eine 5-Sekunden-MP4-Aufnahme bei 12 FPS und 480 Pixel Breite landet bei rund 1–3 MB GIF, was für Newsletter und Slack-Posts gut funktioniert. Details zu dieser Mathematik stehen im Ratgeber Frame-Rate, Breite, Dither: die Mathematik hinter der GIF-Größe.

Bei Fragen oder Korrekturen zur ISO-Spezifikation oder zur Box-Hierarchie: info@akara-solutions.de.