著者:whispertranscribe.ai 編集部 · 最終更新:2026年11月 · 読了目安:12分
録音時に形式を選べるなら、文字起こしには音の情報を失わないWAV(16ビットPCM)またはFLACが適しています。モノラルで、サンプリングレートは16 kHz以上に設定します。MP3やM4A、動画ファイルがすでにある場合は、そのままアップロードしてください。圧縮で失われた情報を変換で取り戻すことはできません。マイクとの距離や周囲の雑音の方が、文字起こしの結果に大きく影響します。
この記事では、録音前の設定、受け取ったファイルの扱い方、ファイル容量の計算式、用途別の設定、FFmpegのコマンド、トラブルの対処法を紹介します。
この記事の出典と検証範囲。 この記事はwhispertranscribe.aiが公開しています。技術的な記述には、Google Cloud、OpenAIのWhisperのコード、FFmpeg、米国議会図書館の資料を参照しています。この記事のための精度テストは行っていません。特定の形式によって精度が一定の割合で向上するという結果も示していません。
文字起こしに適した音声形式の早見表
形式を選ぶ基準は、録音の設定から始めるのか、手元にあるファイルを使うのかで変わります。
| 状況 | 選ぶ形式 | 理由 |
|---|---|---|
| レコーダーや録音アプリを設定する | WAV(16ビット)またはFLAC、モノラル、16 kHz以上 | Googleは音声認識に可逆圧縮のFLACまたはLINEAR16を推奨 |
| 録音時にファイル容量を抑えたい | 音声向けの非可逆コーデックを中程度のビットレートで使用 | Googleの音声向け非可逆コーデックの推奨順はAMR-WB、Ogg Opus、Speex |
| MP3、M4A、Opusがすでにある | 元ファイルをアップロード | 再エンコードしても失われた音は戻らない |
| 動画(MP4、MOV、MKV)がある | そのままアップロード。サイズが大きすぎる場合は音声を抽出 | 処理に使うのは音声トラックだけ |
| 話者を別々のトラックに録音した | 各トラックを残す | 話者ごとにチャンネルが分かれている場合、Googleはチャンネルを別々に送るよう推奨 |
形式を気にせず使えるもの。 スマートフォンの音声メモ、公開済みのポッドキャスト、ZoomやTeamsの録画が該当します。そのままアップロードして録音で話されている言語を選び、人名などの校正に時間を使いましょう。
音声形式、コーデック、コンテナ:拡張子から何がわかるか
拡張子が示すのはコンテナです。圧縮の方式までわかるとは限りません。Googleの音声ファイルの最適化ガイドにも、コーデックとファイル形式は異なると記載されています。代表的な例は3つあります。
- WAV には通常、非圧縮のリニアPCMが入りますが、別の方式でエンコードした音声を格納することもできます(米国議会図書館のWAVE解説)。
- M4A には、非可逆圧縮のAACや可逆圧縮のApple Lossless(ALAC)が入ります。
- OGG はコンテナです。通常はOpusかVorbisが入り、どちらも非可逆圧縮です。
ファイルの中身を確認するには、FFmpegの ffprobe で音声ストリームだけを調べます。
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
短いテスト動画をFFmpeg 7.1.5で調べたところ、音声ストリームごとに1行が出力されました。音声を取り除いたコピーでは、出力はありませんでした。アップロード前に、音声トラックのない動画を見分けられます。
文字起こしに使える音声形式の比較
表にある形式はどれも文字起こしに使えます。違うのは、音の細部がどれだけ残っているかとファイル容量です。容量は次の節の計算式で求めています(1 MB=1,000,000バイト)。
| 形式 | 圧縮方式 | よく使われる場面 | 1分あたりの容量(設定例) | 文字起こしへの影響 | 扱い方 |
|---|---|---|---|---|---|
| WAV(PCM) | 非圧縮 | フィールドレコーダー、音声編集ソフト | 16 kHz・16ビット・モノラルで1.92 MB、44.1 kHz・16ビット・ステレオで10.58 MB | マイクが収録した情報をそのまま保持 | マスターの保存に適する。長時間録音では容量に注意 |
| FLAC | 可逆圧縮 | アーカイブ、編集ソフトからの書き出し | 同設定のWAVより小さい。圧縮率は音源による | 圧縮前のWAVと同じ音声 | 容量を抑えたいときにWAVの代わりに使う |
| AIFF / ALAC / CAF | AIFFは通常非圧縮、ALACは可逆圧縮、CAFはどちらも格納可能 | MacやiPhoneのアプリ | AIFFは同設定のWAVと同じ | 中のコーデックによる | そのままアップロード |
| MP3 | 非可逆圧縮 | ポッドキャスト、ダウンロード音源 | 128 kbpsで0.96 MB | Googleによると、非可逆圧縮は精度を下げる場合がある | そのままアップロード |
| M4A / AAC | 通常は非可逆圧縮(AAC) | 音声メモ、動画の音声 | 64 kbpsで0.48 MB | MP3と同じ注意点がある | 元ファイルをアップロード |
| OGG / Opus | 非可逆圧縮 | メッセージアプリの音声メモ、Web通話 | 32 kbpsで0.24 MB | OpusはGoogleが推奨する音声向けの非可逆コーデックの一つ | そのままアップロード |
| AMR(狭帯域) | 非可逆圧縮、音声専用 | 古い携帯電話や通話録音機器 | 12.2 kbpsで約0.09 MB | 200~3,400 Hzしか保持しない(米国議会図書館のAMR解説) | アップサンプリングせずにそのままアップロード |
動画ファイルも同じです。ツールが読み込むのは音声トラックなので、動画のまま送る場合に増えるのはアップロードする容量だけです。
音声ファイルの容量を求める計算式
次の2つの計算式で、録音やアップロードの前に容量の目安がわかります。
非圧縮PCM(WAV、AIFF)
bytes per second = sample rate × (bit depth ÷ 8) × channels
計算例を見てみましょう。
- 16 kHz、16ビット、モノラルの場合は、16,000 × 2 × 1で毎秒32,000バイトです。60倍すると1,920,000バイトで、1分あたり約1.92 MB、1時間あたり115.2 MBになります。
- 44.1 kHz、16ビット、ステレオの場合は、44,100 × 2 × 2で毎秒176,400バイトです。1分あたり約10.58 MB、1時間あたり635 MBになります。
- 48 kHz、24ビット、ステレオの場合は、48,000 × 3 × 2で毎秒288,000バイトです。1時間あたり1,036.8 MBになります。
固定ビットレートの非可逆圧縮(MP3、AAC、Opus)
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60(つまりkbps × 7,500)
- 128 kbpsの場合は、128 × 7,500で960,000バイトです。1分あたり約0.96 MB、1時間あたり57.6 MBになります。
- 64 kbpsでは1分あたり0.48 MB、32 kbpsでは1分あたり0.24 MBです。
実際のファイルはヘッダーの分だけ少し大きくなります。可変ビットレートの場合は、平均ビットレートから計算した値の前後になります。容量を2進単位のMiBで表示する端末では、数値が約5%小さく表示されます。
5 GB・10時間のアップロード上限に収まるか
whispertranscribe.aiの上限は5 GB、10時間です。5 GBを5,000,000,000バイトとした場合、一般的な設定での容量は次のとおりです。
| 設定 | 1時間 | 10時間 | 10時間分が5 GB以内に収まるか |
|---|---|---|---|
| WAV、16 kHz、16ビット、モノラル | 115.2 MB | 1.15 GB | 収まる |
| WAV、44.1 kHz、16ビット、ステレオ | 635 MB | 6.35 GB | 約7.9時間まで |
| WAV、48 kHz、24ビット、ステレオ | 1.04 GB | 10.37 GB | 約4.8時間まで |
| MP3、128 kbps | 57.6 MB | 576 MB | 収まる |
| Opus、32 kbps | 14.4 MB | 144 MB | 収まる |
従来のWAVには形式自体にも上限があります。容量を示すフィールドが32ビットのため、約4 GBが上限です。それを超える録音にはRF64拡張が必要です。非常に長い録音を音の情報を失わずに保存するなら、FLACか16 kHzのモノラルWAVを使うと、こうした制限にかかりにくくなります。 米国議会図書館
音声形式以上に重要なこと
マイクの近くで明瞭に録ったMP3の方が、騒がしい部屋の反対側から録った可逆形式のファイルより良い結果が出ることがよくあります。文字起こしの精度を大きく左右するのは、次の設定や録音方法です。
サンプリングレートは16 kHzで十分か
人の声なら十分です。Googleは16,000 Hz以上を推奨しています(ベストプラクティス)。同社のガイドによると、低いサンプリングレートでは8 kHzより上の周波数の情報がほとんど、あるいはまったく残りません。OpenAIが公開するWhisperのコードでは、どの入力もモデルに渡す前に16,000 Hzのモノラルに変換します(whisper/audio.py)。44.1 kHzや48 kHzで録音しても問題ありませんが、容量は大きくなります。
後からサンプリングレートを上げても音の情報は増えません。Googleによると、8 kHzのファイルを44.1 kHzにアップサンプリングしても、保持している周波数範囲は約4 kHzまでです。8,000 Hzが一般的な電話音声は、元のサンプリングレートでアップロードします。
ビット深度は16ビットか24ビットか
Googleは16ビット以上を推奨しています。録音時点でダイナミックレンジが決まるため、8ビットの音声を16ビットに変換しても改善はありません。レコーダーの24ビット設定で録音したものはそのまま使えます。16ビットのファイルを24ビットに変換しても、音の情報は増えません。
圧縮ファイルのビットレート
文字起こしの精度を保証するビットレートの基準はありません。Googleが注意しているのはコーデックの種類です。非可逆圧縮は精度を下げることがあり、雑音や反響が重なると影響が大きくなります。圧縮が必要なら、中程度の設定で一度だけ行います。WAVからMP3、さらにOGGと変換を重ねることは避けます。
マイクとの距離、雑音、音量
Googleの前処理に関する推奨事項をまとめます。
- マイクは無理のない範囲で話者に近づけます。周囲に雑音がある場合はとくに重要です。
- クリッピングを避けます。ひずんだピークは後で修復できません。
- アプリで設定できる場合は、自動ゲイン調整とノイズ除去をオフにします。Googleによると、認識前のノイズ除去処理は一般に精度を下げます。
モノラルとステレオのどちらを使うか
マイクを1本共用するなら、モノラルで十分です。Whisperはステレオの音声もモノラルにまとめるので、左右に同じ声を入れてもアップロードする容量が倍になるだけです。通話録音機器や、チャンネルごとに1本のピンマイクを使う場合のように、左右に別の話者が入るならステレオを保つ価値があります。Googleは、話者が分かれている場合はチャンネルごとに送り、すでに混ざっている録音はそのまま送るよう案内しています。
マルチトラック録音
ポッドキャストやリモートインタビュー用のツールでは、話者ごとにトラックを分けて録音できることがよくあります。簡単なのは、1本にミックスして書き出し、話者ラベルを有効にする方法です。音の分離を重視するなら、トラックごとに文字起こしし、自分でタイムスタンプを見ながらテキストを結合します。
用途別のおすすめ形式と設定
すでに録音があるケースの方が多く、その場合は通常、元ファイルをアップロードするだけで十分です。
| 用途 | 録音形式を選べる場合 | 録音がすでにある場合 | アップロード前の確認 | 注意点 |
|---|---|---|---|---|
| 対面インタビュー | WAVまたはFLAC、マイクごとにモノラル、44.1または48 kHz | スマートフォンのM4AかMP3 | 人名や専門用語を控える | 聞き手よりゲストの声が小さい |
| リモートインタビューやポッドキャスト(話者別トラック) | 各話者を別のトラックに録音し、可逆形式で保存 | 話者別のWAVとミックス済みMP3 | ミックスと個別トラックのどちらを使うか決める | ミックスでは発言が重なりやすい |
| 会議録画(Zoom、Teams、Meet) | サービスに音声の保存機能があれば使用 | MP4またはM4A | 動画が大きすぎる場合に限って音声を抽出 | ノートパソコンのマイク1本で部屋全体を録音している |
| スマートフォンの音声メモ | アプリの既定値 | .m4a | 元ファイルを書き出す | 録音時に端末がポケットに入っている |
| 公開済みのポッドキャスト | 該当なし | 公開されたMP3 | 公開前のWAVかFLACがあればそれを使う | 冒頭に音楽があるため言語を指定する |
| 講義やセミナー | モノラル、16ビット、マイクを講師の近くに置く | 長時間のMP3か動画 | 10時間の上限を確認する | 聴衆の質問がマイクに入っていない |
| 通話録音 | 録音機器の既定値 | AMR、M4A、8 kHzのWAV | 元のサンプリングレートを保つ | 同意に関する規則を確認し、アップサンプリングを避ける |
通話の録音には同意の問題が伴います。通話を録音する方法と米国の州別の通話録音法で取り上げています。この情報は法的助言ではありません。
FFmpegで文字起こし用の音声に変換する方法
変換が役立つのは、ファイルが大きすぎる場合、動画から軽い音声ファイルを作りたい場合、コーデックが非対応の場合、話者ごとにファイルを分けたい場合です。変換によって元音声の品質が上がるわけではありません。
11秒のパブリックドメインの音声と、それを使った短いテスト動画を用意し、FFmpeg 7.1.5で各コマンドを実行しました。確認したのは処理が完了したことと、ffprobe で想定どおりのコーデック、サンプリングレート、チャンネル数が表示されたことです。各オプションの詳細は公式ドキュメントに記載されています。 FFmpegドキュメント
1. どの形式からでも16 kHz・モノラル・16ビットのWAVに変換(Whisperが内部で処理する設定にそろえる)
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. どの形式からでも16 kHzのモノラルFLACに変換(可逆圧縮で、通常はWAVより小さい)
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. 動画から小容量のモノラルMP3を作る(非可逆圧縮が1回増えるため、容量を最優先するときに使う)
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. 動画から再エンコードせずに音声を取り出す(MP4によく使われるAAC音声に対応)
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. 2チャンネル録音を話者ごとに1ファイルに分ける(channelsplitフィルターを使用)
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| オプション | 動作 |
|---|---|
-ac 1 |
音声を1チャンネルにミックスする |
-ar 16000 |
出力のサンプリングレートを16,000 Hzに設定する |
-c:a pcm_s16le |
16ビットの非圧縮PCM(標準的なWAV)を書き出す |
-vn |
動画ストリームを除く |
-c:a copy |
音質を変えず、音声をそのままコピーする |
-b:a 64k |
非可逆圧縮のビットレートを指定する |
動画の音声がすでにAACなら、元の音質を保てるコマンド4をコマンド3より優先します。8 kHzの通話音声では、アップサンプリングを避けるため -ar 16000 を外します。
コマンドを使わずに変換する場合。 whispertranscribe.aiの音声・動画からMP3に変換するツールは、MP4、MOV、MKV、WEBM、AVIの音声トラックをブラウザで抽出します。ツールのページによると、WebAssemblyを使い、ファイルをアップロードせずにブラウザ内で処理します。
大きなファイルを5 GB・10時間の上限に収める
- 10時間未満なのにサイズが大きすぎる場合。 動画か高解像度のWAVで起こりがちです。動画は音声を抽出し(コマンド4またはブラウザのツール)、WAVはFLACに変換します(コマンド2)。
- 10時間を超える場合。 アップロード画面には「現在、処理できるのは最長10時間のファイルです。ファイルを10時間以下に短くしてから、もう一度お試しください」と表示されます。ファイルを分割してください。MP3を文字起こしする方法で紹介した再エンコードなしの分割コマンドはWAVにも使えます。テスト用のWAVで動作を確認しました。文字起こしを結合する際は、つなぎ目を確認します。
- 回線が遅い場合。 1時間分の64 kbpsのMP3は約28.8 MBです。CD相当のステレオWAVでは635 MBになります。保存用には、音の情報を失っていない元ファイルを残しておきます。
音声形式のトラブルと対処法
| 問題 | 考えられる原因 | 対処法 |
|---|---|---|
| 「音声が検出されませんでした。ファイルが破損している可能性があります。ファイルを確認して、もう一度お試しください」と表示される | ファイルの破損、音声なしで書き出した動画、空の音声トラック | ローカルで再生する。上記の ffprobe で確認し、出力がなければ音声ストリームがないため、元のアプリから書き出し直す |
| 長すぎると表示され、アップロードできない | 10時間を超えている | 1ファイルが10時間以下になるように分割する |
| ファイルが大きすぎる | 動画、または高解像度のマルチチャンネルWAV | 音声を抽出するか、WAVをFLACに変換する |
| 4 GBを超えたWAVが開けない、またはアップロードできない | 従来のWAVの容量上限 | RF64かFLACで書き出し直すか、分割する |
| 片方の話者の声が極端に小さい | 話者ごとに別のチャンネルで、異なるレベルで録音されている | コマンド5で分割し、各ファイルを別々に文字起こしする |
| 音のピークでひずみや割れが出る | 録音時のクリッピング | 後から修復できないため、次回は入力ゲインを下げる |
| 48 kHzに変換しても通話音声の品質が低い | アップサンプリングでは音の情報が増えない | 元ファイルをアップロードし、対応していれば言語選択時に「Noise / Low-Quality Audio/Video」を試す |
whispertranscribe.aiでできること
whispertranscribe.aiは、OpenAIのWhisperモデルを使ったブラウザで動く文字起こしツールです。アプリやAPI、人による校正は提供していません。無料の音声文字起こしツールなどのアップロードページでは、対応形式としてMP3、WAV、M4A、AAC、FLAC、OGG、OPUS、AMR、AIFF、ALAC、CAF、MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG、MPEGを案内しています。
- 上限。 1ファイルあたり最大5 GB、10時間。
- 対応言語。 130以上の言語に対応し、多くの言語で「Noise / Low-Quality Audio/Video」を選択できます。
- 精度。 明瞭な音声で最大99%です。雑音、マイクからの距離、アクセント、発言の重なりがあると精度は下がります。
- 話者。 文字起こしを始める前に話者検出をオンにします。
- 書き出し形式。 DOCX、PDF、TXT、CSV、SRT、VTT。
- プライバシー。 プライバシーポリシーによると、アップロードした元ファイルは処理後に削除され、抽出されたMP3は既定で30日間保持されます。
録音の種類に合わせて、MP3、音声メモ、通話、インタビュー、講義やセミナーの各ページを参照できます。アカウント登録なしの無料ページには利用上限も記載しています。有料プランは年払いで月額9.99米ドルからです(料金ページ)。ほかの情報は機能一覧をご覧ください。
よくある質問
文字起こしに最適な音声形式は?
録音形式を選べる場合は、WAVかFLACが適しています。目安はモノラル、16 kHz以上、16ビットです。MP3、M4A、Opusなどの圧縮ファイルがすでにある場合は、そのままアップロードしてください。これらの形式の違いより、マイクを近くに置くこと、雑音を抑えること、クリッピングを避けることの方が精度に影響します。
文字起こしにはMP3よりWAVがよい?
元の音をWAVで録音すると、MP3より多くの情報が残ります。Googleも、MP3などの非可逆コーデックでは認識精度が下がる場合があると述べています。声が明瞭であれば差は小さく、雑音が多いほど差が出やすくなります。既存のMP3をWAVに変換しても失われた情報は戻りません。形式を選んで録音できるならWAVかFLACを使い、MP3を受け取った場合はそのままアップロードします。
文字起こしにはどのサンプリングレートを使えばよい?
16 kHz以上を目安にします。Googleは音声認識に最低16,000 Hzを推奨しており、OpenAIのWhisperは処理前に16 kHzのモノラルに変換します。44.1 kHzや48 kHzも一般的な録音設定です。録音後に低いレートを引き上げると容量が増えるだけなので、8 kHzで録った通話は8 kHzのままアップロードします。
文字起こし用の録音はモノラルかステレオか
マイクを1本共用するならモノラルで録音します。Whisperはステレオをモノラルにまとめるため、左右に同じ声を入れてもファイルが倍になるだけです。通話レコーダーや話者ごとのマイクでチャンネルを分けているなら、ステレオまたはマルチトラックを保ちます。Googleは別々のチャンネルを個別に文字起こしするよう勧めています。FFmpegでチャンネルを分割できます。
WAVの容量は1分あたりどのくらい?
設定によって変わります。サンプリングレート、サンプルあたりのバイト数、チャンネル数を掛けると、1秒あたりのバイト数が求まります。16 kHz、16ビット、モノラルのWAVなら、16,000 × 2 × 1で毎秒32,000バイトです。1分あたり約1.92 MB、1時間あたり115.2 MBになります。CD相当の44.1 kHz、16ビット、ステレオなら1分あたり約10.58 MB、1時間あたり635 MBです。
音声を抽出せず、動画のままアップロードできる?
できます。文字起こしツールは映像を処理せず音声トラックを読むため、MP4、MOV、MKV、WEBMをそのまま使っても、同じ音声を抽出した場合と同じ文字起こしが得られます。動画のまま送ると容量が増えます。ファイルが容量上限に近い場合や回線が遅い場合は、たとえば音質を保てるFFmpegの -vn -c:a copy で音声を抽出します。whispertranscribe.aiでは動画をそのままアップロードし、DOCX、TXT、SRT、VTTで書き出せます。
録音ファイルはありますか? whispertranscribe.aiの無料の音声文字起こしツールにそのままアップロードしてください。130以上の言語から選び、話者検出をオンにして、DOCX、TXT、SRT、VTTでダウンロードできます。上限は1ファイルあたり5 GB、10時間です。
参考資料
- Google CloudのSpeech-to-Textのベストプラクティス(音声データの提供)
- Google CloudのSpeech-to-Text用の音声ファイルの最適化
- OpenAIのWhisperリポジトリ内のwhisper/audio.py
- FFmpegのコマンドラインドキュメントとchannelsplitフィルター
- 米国議会図書館のWAVE音声ファイル形式(fdd000001)
- 米国議会図書館のAMR、Adaptive Multi-Rate Speech Codec(fdd000254)
