Blog · 2026-09-12

Systemton auf dem Mac aufnehmen – die Gegenseite, ohne Zusatztreiber

Du nimmst ein Gespräch auf dem Mac auf und stellst hinterher fest: deine eigene Stimme ist da, die Gegenseite fehlt. Das ist kein Fehler, sondern Absicht. macOS reicht den Ton, den eine andere App abspielt, nicht einfach an ein Aufnahmeprogramm weiter. Dieser Text erklärt, warum das so ist, welche drei Wege es gibt, und welcher davon heute der richtige ist.

Warum QuickTime und die Bildschirmaufnahme nur das Mikrofon liefern

Wenn du in QuickTime eine Audioaufnahme startest, kannst du als Quelle nur Eingabegeräte wählen: das eingebaute Mikrofon, ein Headset, ein Interface. Der Ton, den Zoom oder Chrome gerade ausgeben, ist kein Eingabegerät. Er gehört zum Prozess der jeweiligen App, und macOS behandelt ihn als deren Angelegenheit.

Das ist eine bewusste Entscheidung: Könnte jedes Programm ungefragt mitschneiden, was andere Programme abspielen, wäre jede Videokonferenz und jede Sprachnachricht für beliebige Apps mitlesbar. Die Einschränkung ist der Grund, warum es diesen Umweg überhaupt gibt.

Weg 1: virtueller Audiotreiber (der klassische Umweg)

Der lange übliche Weg führt über einen virtuellen Treiber wie BlackHole, Soundflower oder Loopback. Das Prinzip: Du installierst ein Gerät, das gleichzeitig Ausgabe und Eingabe ist, schickst die Systemausgabe dorthin und nimmst es als Mikrofon wieder auf.

Das funktioniert, hat aber drei bekannte Haken:

• Es ist eine Systemerweiterung. In verwalteten Firmen-Macs ist die Installation oft gesperrt.
• Du musst das Ausgabegerät umbiegen. Leitest du nur auf den virtuellen Treiber, hörst du selbst nichts mehr. Deshalb braucht es zusätzlich ein Aggregat- oder Multi-Output-Gerät.
• Du bekommst eine gemischte Spur. Deine Stimme und die Gegenseite landen zusammen in einer Datei.

Weg 2: Bildschirmaufnahme mit Systemton

Neuere macOS-Versionen können bei der Bildschirmaufnahme den Systemton mitschneiden. Für ein Tutorial-Video ist das ideal. Für ein Gesprächsprotokoll weniger: Du nimmst ein Video auf, das du nicht brauchst, und der Ton kommt wieder gemischt – Mikrofon und Gegenseite in einer Spur.

Weg 3: Core Audio Process Taps (seit macOS 14.2)

Seit macOS 14.2 gibt es in Core Audio einen offiziellen Mechanismus dafür: einen Tap auf die Ausgabe von Prozessen. Eine App beschreibt, welche Prozesse sie mitschneiden will, das System fragt die Nutzerin um Erlaubnis („Systemaudio aufnehmen“), und danach bekommt die App die Audiopuffer.

Praktisch heißt das:

• keine Systemerweiterung und keine Treiberinstallation,
• kein Umbiegen des Ausgabegeräts – du hörst den Call weiter ganz normal,
• eine sichtbare Berechtigung, die du in den Systemeinstellungen jederzeit wieder entziehen kannst,
• und vor allem: die Gegenseite kommt als eigene Spur an, nicht gemischt mit deinem Mikrofon.

Das Verfahren hat eine Eigenheit, die man kennen muss: Ein Tap allein liefert nichts. Er muss in ein Aggregatgerät eingebettet werden, dessen Haupt-Teilgerät das aktuelle Ausgabegerät ist – das liefert den Takt, und die Driftkompensation hält den Tap darauf synchron. Wer den Weg selbst gehen will, findet die Einzelheiten mit Code in der englischen Fassung: Recording the other side of a call on macOS.

Warum zwei Spuren besser sind als eine gemischte

Sobald es um ein Protokoll geht und nicht nur um eine Aufnahme, ist die Trennung der entscheidende Punkt. Aus einer gemischten Spur muss eine Diarisierung schätzen, wer gerade spricht. Das geht oft gut und gelegentlich daneben – besonders bei ähnlichen Stimmen, bei Überschneidungen und bei schlechten Verbindungen.

Liegen dein Mikrofon und die Gegenseite auf getrennten Kanälen, ist die Zuordnung keine Schätzung mehr, sondern eine Eigenschaft der Aufnahme. Für ein Protokoll, das später jemand anderes liest, ist das der Unterschied zwischen „vermutlich hat der Kunde das gesagt“ und „der Kunde hat das gesagt“.

Zwei praktische Hinweise

• Kopfhörer benutzen. Läuft der Call über die Lautsprecher, nimmt dein Mikrofon die Gegenseite mit auf. Die Trennung der Spuren ist dann nur noch auf dem Papier sauber.
• Auf den Speicherplatz achten. Unkomprimiert frisst eine Stunde Gespräch schnell ein bis zwei Gigabyte. Für Sprache reicht AAC problemlos – wir sind deshalb umgestiegen und brauchen jetzt rund ein Sechsundzwanzigstel des Platzes. In einem echten Meeting von zwölf Minuten stimmte das Transkript zu 99,6 Prozent mit dem unkomprimierten überein, und die Abweichungen waren Satzzeichen.

Kurz zusammengefasst

Wenn du nur gelegentlich etwas mitschneiden willst, tut es ein virtueller Treiber. Wenn regelmäßig Gespräche protokolliert werden sollen, lohnt der Weg über Process Taps: keine Treiber, eine widerrufbare Berechtigung, und beide Gesprächsseiten sauber getrennt. Genau so nimmt Cachalot auf – und weil Transkription und Protokoll danach ebenfalls auf dem Mac laufen, verlässt die Aufnahme den Rechner nie.