文字起こしにMP3は使える？最適な音声形式をWAV・M4Aと比較

文字起こしに最適な音声形式は、可逆圧縮（ロスレス）のファイル、つまりWAV（16ビットPCM）かFLACを16 kHz以上で録音したもので、レコーダーが対応していれば話者ごとに1チャンネルを割り当てるのが理想です。これは音声認識エンジンの提供元自身が推奨している条件です。一方、手元のファイルがすでにMP3やM4Aなら、文字起こしにはそのMP3をそのままアップロードしてください。非可逆のファイルをWAVに変換しても何も得られませんし、精度を左右するのはファイル形式よりも、マイク、部屋、背景の雑音のほうがはるかに大きいからです。

以下では、大手の音声認識サービスが形式について実際に何と言っているか、重要な設定（サンプリングレート、ビットレート、チャンネル）、よくある状況ごとのおすすめ形式、そしてアップロード前の変換が5分をかける価値を持つのはどんなときかを説明します。

文字起こしに最適な音声形式は？

これから録音するのか、すでにファイルがあるのかで答えが変わります。

公式のガイダンスはどのベンダーでも一貫しています。GoogleのSpeech-to-Textのベストプラクティスは、ロスレスのコーデック（FLACまたはLINEAR16）で録音・送信するよう推奨し、MP3、MP4、M4Aなどの非可逆コーデックは精度を下げる「可能性がある」と注意しています。AmazonのTranscribeの入力に関するドキュメントは、バッチ処理でAMR、FLAC、M4A、MP3、MP4、Ogg、WebM、WAVを受け付けつつ、推奨形式としてFLACと16ビットPCMのWAVを挙げています。

ここで「可能性がある」という言葉に注目してください。適切なビットレートの非可逆圧縮は音声を運ぶ周波数を残すので、実際には、口元近くのマイクで録った声のクリアな128 kbpsのMP3は、元のWAVとほぼ変わらない精度で文字起こしできることがほとんどです。非可逆形式が不利になり始めるのは、低ビットレート、再エンコードの繰り返し、そしてもともと雑音の多い音声の場合です。精度を本当に左右する要因は、AI文字起こしの精度が変わる理由で解説しています。

文字起こしにはMP3とWAVのどちらがいい？違いはある？

多くの人が思うほどの差はありません。理由は、アップロード直後に起きることにあります。文字起こしの処理系は、ファイルを生のサンプルにデコードし、ミックスダウンし、モデルが扱うレートにリサンプリングします。わかりやすい公開例がOpenAIのオープンソースモデルWhisperで、その音声読み込み処理は、モデルがサンプルを1つも見ないうちにFFmpegを呼び出し、あらゆる入力を16 kHz・モノラル・16ビットPCMに変換します。MicrosoftのSpeech SDKもGStreamerで同じことをしており、MP3、Opus/Ogg、FLAC、MP4の音声を生のPCMに展開します。既定の入力形式は16 kHz・16ビット・モノラルのWAVです。

つまりWAVかMP3かという問題は、ひとつの点に集約されます。その変換の段階まで、音声の情報がどれだけ残っているかです。

• WAVまたはFLAC：マイクが拾ったものはすべて残ります。16 kHzを超える部分の忠実度はどのみちリサンプリングで捨てられますが、音声に関わる情報は何も失われません。

• 適切なビットレートのMP3、AAC（M4A）、Opus：エンコーダーは聞こえないと判断した情報を取り除きます。音声はほぼそのまま残るので、クリアな録音なら差はたいてい小さなものです。

• 低ビットレートや再エンコードを繰り返したファイル：圧縮によるノイズが「s」「f」「th」のような子音をにじませます。これらはまさに、似た単語を聞き分けるための音です。非可逆ファイルが本当に精度を落とすのはこのケースです。

手元のMP3をWAVに変換しても効果はありません。どちらでもデコーダーが出力するサンプルは同じで、ファイルが10倍ほど大きくなるだけです。

音声認識に最適なサンプリングレートは？

最近の音声モデルの多くは16 kHzで動作し、Googleは16,000 Hz以上で録音することを推奨しています。Whisperはすべてを16 kHzにリサンプリングします。Amazon Transcribeは高音質の音声で16,000〜48,000 Hzに対応し、8,000 Hzを電話音声のレートとして扱っています。

• 44.1 kHzまたは48 kHz：スマートフォン、カメラ、レコーダーの標準設定です。まったく問題なく、自分で下げる必要はありません。

• 16 kHz：音声には十分です。このレートで録音するのは、保存容量に本当に制約がある場合だけにしましょう。

• 8 kHz：電話音声です。子音の聞き分けに役立つ高い周波数が失われるので、誤りは増えると考えてください。Googleは、こうした音声はアップサンプリングせず元の8 kHzのまま送るよう勧めています。最初から録れていないものは、アップサンプリングでは戻らないからです。

ビット深度も同じ考え方です。音声認識の標準は16ビットです。24ビットは音声制作で編集の余裕を確保するためのもので、文字起こしに悪影響はありませんが、結果が良くなるわけでもありません。

ビットレート、チャンネル、加工：重要な設定

非可逆ファイルのビットレート

どのベンダーも「これなら安全」というビットレートを1つに決めて公表してはいないので、以下は規格ではなく実用上の目安として考えてください。モノラルの音声なら、MP3やAACで64 kbpsがひとつの下限で、96〜128 kbpsあれば十分な余裕があります。選べるなら、一部の音声入力アプリやボイスメッセージのサービスが使うような極端に低い設定は避け、同じファイルを二度圧縮することは絶対にしないでください。

モノラル、ステレオ、別トラック

1人の声をステレオで録ると同じ音声が2回記録されるだけなので、モノラルで問題ありません。ただし重要な例外があります。1人ずつ専用のマイクを使い、レコーダーがそれを別々のチャンネルやファイルに保存しているなら、分けたままにしてください。Googleのガイダンスでは、話者が別チャンネルにいる場合は各チャンネルを個別に送り、ミックス済みの録音はそのまま送るよう推奨しています。別トラックにすれば話者同士の音の混ざりがなくなり、話者分離の信頼性が大きく上がります。

ノイズ除去とゲイン

アップロード前に音声を「きれいにしたい」という衝動は抑えましょう。Googleはノイズ除去と自動ゲイン制御を無効にするよう明確に勧めています。強いフィルタリングは、認識モデルが頼りにしている音声の特徴をゆがめるからです。現在のモデルは雑音を含む音声で学習しており、強く加工された音声より、手を加えていない多少雑音のある音声のほうがうまく扱えることが多いのです。背景の雑音が問題なら、解決策は後からかけるフィルターではなく、録音時のマイクとの距離です。

状況別：どの音声形式を使えばいい？

保管しておきたいインタビューなら、ロスレスのマスターと軽い作業用コピーの2本立てが最も実用的です。形式よりはるかに結果を左右するマイクの位置や録音の同意については、インタビューの文字起こしガイドで扱っています。

文字起こしの前に音声を変換すべき？

たいていは不要です。変換が役立つのは次の3つの場合だけです。ファイルが回線に対して、あるいはサービスのアップロード上限に対して大きすぎる場合、デバイスがサービスに受け付けられない珍しいコンテナ形式で保存した場合、そして大きな動画から音声だけが必要な場合です。

ファイルサイズは単純な計算で求められます。非圧縮の音声のサイズは、サンプリングレート×ビット深度×チャンネル数です。

48 kHz/24ビット・ステレオのWAVで2時間のフィールド録音をすると、2 GBを超えます。アップロードに文字起こしより長くかかりそうなら、圧縮したコピーを1つ作りましょう。無料の音声変換ツールと音声圧縮ツールはブラウザで動作し、MP4からMP3への変換ツールなら大きな動画から音声トラックだけを取り出せます。変換は元のファイルから1回だけ行い、圧縮済みのコピーから変換しないでください。

レコーダーが対応しているなら、圧縮より良い方法として、サンプリングレートを下げてモノラルで録る手があります。16 kHz・モノラルのWAVならロスレスのまま、1時間あたり約115 MBで済みます。

文字起こし用に音声ファイルをアップロードする手順

手順はほとんどのサービスで共通です。よくある失敗を避けるためのチェックリストを紹介します。

1. 元のファイルを探す。メッセンジャー経由で共有したコピーは音声が再圧縮されていることが多いので、デバイスから取り出したままの録音を使います。

2. 声が入っているトラックを確認する。画面録画や動画の書き出しには、音声トラックが2本（システム音とマイク）入っていることがあります。ファイルを再生し、既定で再生されるトラックに声が入っているか確かめましょう。

3. 長い無音部分を削る。講演前の20分間の準備時間は処理時間を増やし、話者ラベルを混乱させることがあります。

4. 長時間の録音はセッションごとに分割する。セッションごとに1ファイルにすれば、文字起こしを探しやすく、話者もきれいに分かれます。

5. 縮小は必要なときだけ。ファイルが回線に対して大きすぎる場合に限り、96〜128 kbpsのMP3かM4Aに1回だけ変換します。

6. 話されている言語を指定する。サービスで指定できるなら、短いクリップや複数言語が混ざったクリップは自動検出に頼らず指定しましょう。

7. 完成した文字起こしで名前と数字を確認する。形式にかかわらず、誤りが集中するのはこの部分です。

BlaBlaScribeでは、1ファイルあたり最大8 GBの音声・動画ファイルをアップロードするか、YouTubeのリンクを貼り付けるだけで、120以上の言語で話者ラベル付きの文字起こしが得られます。精度はクリアな音声で最大99.8%です。騒がしい部屋や8 kHzの電話録音では、どのエンジンでもそうであるように数値は下がります。アップロードした録音を処理するサービスであり、ライブ通話に参加するボットではありません。無料のStarterプランでは30分を1回だけ使え、10分を超えるファイルは分数パックかプランを追加するまで最初の10分が表示されます。形式に合わせた入り口としては、MP3の文字起こしやMP4の文字起こしもあります。デコードされた音声をモデルがどう扱うのか背景を知りたい方は、AI音声認識の仕組みをお読みください。

よくある質問

文字起こしにはWAVとMP3のどちらが向いていますか？

技術的にはロスレスのWAVのほうが優れており、GoogleもAmazonもロスレスの入力を推奨しています。ただしクリアな音声なら128 kbpsのMP3でもほぼ同じ精度で文字起こしできることが多いので、手元のMP3は変換せずにそのままアップロードしましょう。

AI文字起こしに最適な音声形式は何ですか？

WAV（16ビットPCM）かFLACで、16 kHz以上、モノラルまたは話者ごとに1チャンネルで録音しましょう。すでに別の形式のファイルがある場合は、再エンコードせずに元のファイルをアップロードしてください。

音声認識にはどのサンプリングレートを使えばいいですか？

16 kHz以上です。Whisperを含む多くのモデルは入力を16 kHzにリサンプリングするので、44.1 kHzや48 kHzの録音で問題ありません。一方、8 kHzの電話音声は情報が失われており、文字起こしの精度が落ちます。

MP3をWAVに変換すると文字起こしの精度は上がりますか？

いいえ。失われた情報は圧縮の時点ですでに取り除かれています。MP3をWAVにデコードしても、文字起こしサービスが自分でデコードするのと同じサンプルが、ずっと大きなファイルに入るだけです。

文字起こしの前に動画を音声に変換すべきですか？

アップロードを小さくしたい場合だけです。文字起こしサービスはMP4やMOVファイルから音声トラックを自動で抽出するので、どちらでも結果は同じです。

文字起こしの前に背景の雑音を除去すべきですか？

たいていは不要です。強いフィルタリングは音声をゆがめるため、Googleはノイズ除去と自動ゲイン制御を無効にするよう勧めています。代わりに、話し手の近くで録音しましょう。

音声ファイルが文字起こしで受け付けられなかったのはなぜですか？

受け付けられない原因のほとんどは、珍しいコンテナやコーデックか、サイズ上限を超えたファイルです。元のファイルからMP3かM4Aに1回だけ変換して、もう一度アップロードしてください。