ガイド

M4A、MP3、WAV、MOV: 録音したファイルからテキストを取り出す

たまたまその形式で録音されたというだけで、文字起こしできるかどうかが決まるべきではありません。実際、ほとんどの場合は形式で決まりません。ただし、本当に落とし穴になるケースがいくつかあります。

30 August 2026

「m4a テキスト変換」と検索すると、ファイルをアップロードさせたいサイトが山ほど出てきます。しかし、そうしたサイトはほぼ必要ありません。形式が本当の障害になることはめったになく、障害になる場合でも、解決策は変換サイトではないからです。

手元にありそうな各形式が実際に何を意味するのかを見ていきます。

手短に言うと #

文字起こしにおいて、優れたツールは渡されたファイルを内部で同じもの、つまり 16 kHz モノラル音声に変換し、そこから処理します。コンテナは些細な違いにすぎません。重要なのは次の点です。

1. そもそも音声トラックが入っているか。
2. 音声のディテールが失われるほど強く圧縮されていないか。
3. ツールがそのコンテナを開けるか。

ファイル拡張子に依存するのは 3 番目だけで、しかも厄介なケースが数例あるだけです。

各形式について #

M4A — iPhone の Voice Memos が作るのがこれです。MP4 コンテナに入った AAC 音声です。圧縮されていますが、スマートフォンが使うビットレートなら品質は良好で、文字起こしへの影響はありません。文字起こししたいファイルとして最も多い形式ですが、まったく問題になりません。

MP3 — 誰もが知る形式です。事情は同じで、非可逆圧縮ですが実用上は問題ありません。ただし、ビットレートが非常に低い MP3（64 kbps 以下。古いポッドキャストのアーカイブや電話システムの録音でよく見られます）は、測定できるレベルで精度を下げます。圧縮によって、似た子音を区別する高い周波数成分が取り除かれてしまうためです。これを取り戻す手段はありません。

WAV — 無圧縮です。精度の面では最良、ファイルサイズの面では最悪で、2 時間なら数百メガバイトになります。アップロード型のサービスが WAV でとくに詰まりやすいのはこのためです。ローカルでの文字起こしなら関係ありません。

AAC — ほとんどの M4A ファイルの中身にあるコーデックで、.aac という拡張子単体で現れることもあります。性質は M4A と同じです。

CAF — Apple の Core Audio Format です。macOS や iOS の録音ツールから出てきます。他の環境ではあまり見かけませんが、Apple のオーディオフレームワークを使ったツールなら問題なく扱えます。

OGG / Opus — Web と Android 側の世界です。WhatsApp のボイスメッセージは Opus です。低ビットレートでの音声には非常に優れたコーデックで、同じサイズなら MP3 より確かに良い品質です。Apple ネイティブのツールの中には、デコード処理を挟まないと開けないものがありますが、これは品質ではなくツール側の制約です。

MOV と MP4 — 動画です。文字起こしに必要なのは音声トラックだけで、最初に音声が抽出されます。画面収録、スマートフォンの動画、カメラのファイルは、ほぼすべてこのどちらかです。

本当にある落とし穴 #

音声トラックのない動画ファイル #

知ってしまえば当たり前ですが、知るまでは気づけません。画面収録の中には音声なしで記録されるものがありますし、音声を別ファイルに書き出すカメラもあります。無音の動画に対して文字起こしツールにできることはなく、優れたツールなら空の文字起こし結果を返すのではなく、そのことを伝えるべきです。

古い MOV ファイル #

すべての .mov ファイルが同じというわけではありません。古い QuickTime ファイルには、最近のフレームワークが個別に扱える音声トラックを持たず、単一の多重化された MPEG ストリームだけが入っていることがあります。Apple 自身のツールも、音声トラックがゼロだと報告します。特定の古い .mov だけがどこでも失敗し、新しいものは動くという場合、たいていこれが原因です。実際的な解決策は、QuickTime Player から書き出し直すことです。

とにかくビットレートが低いもの #

音声で 64 kbps を下回るあたりから、何で文字起こししても精度は落ちます。録音時に選べるなら、これこそ気にする価値のある設定です。後からどのアプリを使うかよりも、はるかに影響が大きいのです。

拡張子どおりの中身ではないファイル #

recording.aiff を recording.mp3 にリネームしても変換されたわけではなく、拡張子を信用するツールは分かりにくい形で失敗します。ファイルの挙動がおかしいときは、実際に何のファイルなのかを確認してください（ターミナルで file recording.mp3 を実行すると分かります）。

先に変換する必要はあるか #

たいていは不要で、変換すると損をすることもあります。

非可逆形式どうしの変換、たとえば MP3 から M4A への変換は、そのたびにデコードと再エンコードを行い、少しずつディテールを失っていきます。正確な文字起こしが目的なら、元のファイルをそのまま読めるツールに渡すほうが、先に変換するよりも確実に優れています。

例外は、ツールがどうしても開けない形式の場合です。そのときは、元のファイルから一度だけ、別の非可逆形式ではなく WAV に変換してください。

対応している形式 #

Offline Transcription は、音声では MP3、WAV、M4A、AAC、CAF、OGG を、動画では MOV と MP4 を、Mac と iPhone の両方で読み込めます。すべて内部でモデルが必要とする 16 kHz モノラルに変換されるので、元のファイルをドロップするだけで、他に必要な作業はありません。

対応していない、あるいはデコードできないファイルは、黙って失敗するのではなく、明確な理由とともに一覧表示されます。これには上で触れた古い .mov のケースも含まれます。私たちはこのファイルを、どこでも失敗する典型例だからこそテスト用に残しています。

まとめ #

形式が問題になることはほとんどありません。64 kbps を下回る圧縮は実際に問題であり、音声トラックのない動画ファイルも実際に問題であり、古い MOV ファイルもときどき実際に問題になります。それ以外の M4A、MP3、WAV、AAC、CAF、OGG、MP4 はそのまま文字起こしでき、先に変換するとむしろわずかに悪くなることのほうが多いのです。