AACをテキストに変換する方法：ストリームとM4Aの違いを解説

AACファイルは、MP3に変換せずにそのまま直接文字起こしできます。 ファイルをアップロードし、言語を選択すれば、Whisper Large-v3ベースのエンジンがほとんどの録音に対して2分以内にタイムスタンプ付きの文字起こしを返します。事前に知っておく価値があるのは、自分のファイルが生のADTSストリーム（.aac）なのか、M4Aコンテナに入ったAAC（.m4a）なのかという一点だけです。それによって一部のツールの挙動がどう変わるか、なぜ変わるのかが決まるからです。

.aacと.m4aの違いは何か？

これこそがこのフォーマットに関する最大の混乱の種で、初めて触れる人は誰もがつまずきます。

.aacファイルは素のADTSビットストリームです。 ADTSはAudio Data Transport Streamの略です。各フレームには小さなヘッダーが付き、その後に圧縮された音声データが続きます。メタデータコンテナはありません。カバーアートも、タイトルタグも、チャプターマーカーもありません。ADTSはSHOUTcastのようなストリーミングプロトコルや放送トランスポートストリーム向けに設計されたため、デコーダーがストリーム途中で同期できる程度のフレーミング情報だけを持っています。

.m4aファイルは同じAACコーデックをMPEG-4コンテナで包んだものです。 このコンテナはメタデータアトムを追加し、チャプターマーカーをサポートしており、iTunes、Apple Podcasts、iPhoneのボイスメモでAppleが採用した形式です。音声自体は同じで、パッケージが良いだけです。

混乱の元はここにあります。両方のファイルタイプが時に .aac 拡張子で現れるのです。明示的なフラグなしでyt-dlpを使うYouTubeダウンローダーは、どちらの形式も出力し得ます。拡張子だけではどちらなのか分かりません。ffprobe yourfile.aac を実行すれば判別できます。container: adts（素のストリーム）か container: mov,mp4,m4a,3gp,3g2,mj2（MPEG-4コンテナ）かを確認してください。

文字起こしにおける実用的な違いは信頼性です。M4Aコンテナはすべてのツールできれいに読み込めます。生のADTSストリームは、特に放送からのリップやマルチプレックスが不十分なソースの場合、最初の数秒でヘッダーが乱れることがあります。.aacファイルから部分的な文字起こしや奇妙な冒頭の文字化けが出た場合の修正方法は、再エンコードなしのコンテナ交換です：

ffmpeg -i input.aac -c:a copy output.m4a

これはまったく同じ音声ビットをM4Aコンテナに包み直すだけです。品質劣化はありません。問題の大半は消えます。

AACファイルが実際にどこから来るのか

ソースを知っていれば、アップロード前に何を期待すべきかが分かります。

iPhoneのボイスメモはデフォルトでおよそ64〜96 kbpsのAAC-LCを含む .m4a として保存されます。ビットレートは内容によって変わります。マイクに近い位置で話している人のメモは、空調ノイズのある部屋の録音よりも効率よくエンコードされます。難しい録音でより高い精度が必要なら、「設定 > ボイスメモ」でLosslessに切り替えてください。ALAC（Apple Lossless）で録音されるようになります。インタビューの文字起こしワークフローについては、iPhoneのボイスメモを文字起こしする方法 のガイドを参照してください。

YouTubeは標準動画の音声を、M4Aコンテナに入れた約126〜128 kbpsのAAC-LCとして配信しています（.mp4動画の中の .m4a 音声ストリーム）。YouTube Music Premiumでは256 kbpsのAAC-LCに引き上げられます。yt-dlpで音声を抽出するとき、デフォルトの bestaudio フラグでは通常M4A版が手に入ります：yt-dlp -f bestaudio --extract-audio --audio-format m4a URL。このファイルはきれいに文字起こしされます。取り出すついでにMP3へ変換してはいけません。メリットなしに品質を失うだけです。

Apple MusicはHLS経由で256 kbpsのAAC-LCをストリーミングします。256 kbpsという水準は、文字起こし精度が頭打ちになる閾値を大きく上回っています。

デジタルラジオと放送ストリームはしばしばHE-AAC（High-Efficiency AAC）を使います。HE-AAC v1はSpectral Band Replicationを追加し、32〜64 kbpsからまともな音質を絞り出します。HE-AAC v2はParametric Stereoを加えて、その下限を16〜48 kbpsまで押し下げます。どちらのプロファイルもDAB+デジタルラジオやインターネットラジオサービスで使われています。放送ストリームからの録音がある場合は、きれいな音声が取れると思い込む前にビットレートを確認してください。32 kbpsのHE-AACでは、聴く分には声の聞き取りやすさは保たれますが、訛りのある話者では音声認識の精度が目に見えて落ちます。

Apple PodcastsからのポッドキャストダウンロードはM4AのAAC-LCで、通常128〜192 kbpsです。前処理なしでそのまま文字起こしができます。

Final Cut Pro、iMovie、QuickTime書き出しから抽出した音声は、M4Aコンテナに入ったAACです。ここでは .mp4 拡張子が一般的ですが、音声ストリームは依然としてAACです。

AAC対MP3：文字起こしにとって重要か？

結論から言うと：AACは低ビットレートで勝り、192 kbps以上ではほぼ同等です。そして非可逆フォーマット同士の再エンコードは絶対に避けるべきです。

AACは純粋にMDCTベースのアルゴリズムを使っており、MP3のハイブリッド方式より効率的です。128 kbpsでは、AAC-LCはおおよそ160〜192 kbpsのMP3に相当する音質になります。文字起こしにおいて、この効率性はスマートフォンが実際に使うビットレート帯（64〜128 kbps）での子音のディテールや歯擦音の保持の良さにつながります。明瞭な発話を64 kbpsのAACで録音したものは、同じセッションを64 kbpsのMP3で録音したものより良く文字起こしされます。

192 kbps以上では、コーデックの違いは聴こえず、文字起こしにおいて意味のある変数にもなりません。どちらの形式もSTTエンジンに十分に機能します。

絶対にやってはいけないのは、アップロード前にAACをMP3へ（あるいはその逆へ）変換することです。非可逆から非可逆へのトランスコードは、すでに圧縮済みの音声をさらに再圧縮するため、世代損失とエンコードアーティファクトが加わります。元の .aac または .m4a ファイルを直接アップロードしてください。AssemblyAI Universal-2やWhisper Large-v3を含む最新の文字起こしエンジンは、内部でffmpegを介して両方をネイティブに受け付けます。プロジェクトで複数のフォーマットが混在している場合は、M4Aをテキストに の関連フォーマット解説や MP3をテキストにするガイド で他のコンテナについても扱っています。

AACファイルを文字起こしする方法

ここでは手順を一つのセクションにまとめます。といっても、その大半はただアップロードするだけです。

1. ファイルを見つける。 iPhoneのボイスメモ：メモで「共有」をタップし、「ファイルに保存」を選んで、iCloud Driveまたは「このiPhone内」に保存します。ポッドキャストのエピソード：macOSでは、Apple Podcastsで右クリックして「Finderで表示」を選びます。

2. 直接アップロードする。 ConvertAudioToText にアクセスし、.aac または .m4a ファイルをドラッグ＆ドロップします。変換は不要です。MP3、WAV、FLAC、OGG、WMAとともに、両方の拡張子がサポートされています。

3. 言語を明示的に設定する。 60秒未満のクリップでは自動検出に頼らないでください。自動検出は長いファイルではうまく機能しますが、短いクリップでは訛りのある英語をアイルランド語やウェールズ語と誤認することがあります。

4. 出力を確認する。 タイムスタンプ、音声に異なる話者がいる場合の話者ラベル、書き出しオプション（TXT、DOCX、SRT、VTT）が含まれます。30分のボイスメモなら、結果はおよそ60〜90秒で返ってきます。

匿名利用では10分間のプレビューが使えます。無料アカウントを作ると文字起こし10分が追加され、サインアップ時に1回だけ付与され、1日最大3ファイルまで使用できます。月額9.99ドルのProプランですべての制限が解除されます。

AAC特有の文字起こしの落とし穴

.m4rと.m4bの罠。 どちらもAAC音声です。.m4rはiPhoneの着信音ファイル、.m4bはチャプターマーカー付きのオーディオブックです。中身は標準的なAACなのに、拡張子だけで拒否するツールもあります。.m4aにリネームして再試行してください。それでもだめなら、ffmpeg -i input.m4r -c:a copy output.m4a ときれいに包み直せます。

ボイスメモの「録音を強化」によるアーティファクト。 「設定 > ボイスメモ」で「録音を強化」を有効にしていると、録音時に自動EQとノイズリダクションが適用されます。処理後の音声は耳にはきれいに聞こえますが、微妙な歯擦音の濁りが入り込むことがあります。重要な録音で最大の文字起こし精度を得るには、「録音を強化」を無効にして、代わりにスマートフォンをもっと話者に近づけてください。

モノラル録音のステレオエンコード。 多くのモバイルアプリは、両チャンネルが単一マイクの同一コピーである場合でもステレオで録音します。これは情報を一切増やさずにファイルサイズを倍増させるだけです。アプリが対応していれば、モノラル録音に設定してください。既存のステレオファイルで両チャンネルが同じ場合は、ffmpeg -i input.m4a -ac 1 output_mono.m4a で変換できます。文字起こしの目的では品質劣化は一切ありません。

放送ソースからのHE-AAC。 ファイルが録音したラジオストリームやインターネットラジオ由来の場合は、ffprobe でプロファイルを確認してください。非常に低いビットレートのHE-AAC v2は、標準的でないアクセントや速い話し方で精度が下がります。これを修正する方法は高ビットレートでの再録音以外になく、制約を知っておくことで期待値を調整できます。

ファイルサイズと長さ。 128 kbpsの4時間のAAC録音はおよそ230 MBになります。大きなファイルですが、ほとんどの文字起こしツールが扱える範囲内です。4〜5時間を超える録音は、ffmpeg -i long.m4a -t 3600 -c copy hour1.m4a で分割して、扱いやすい塊ごとに作業してください。サポートされている音声フォーマットガイド でツール別のサイズ制限を扱っています。

コンテナ早見表

文字起こしの観点では、すべての行は同じコーデックです。コンテナが問題になるのはツールとの互換性であって、音質ではありません。実際に映像のある .mp4 を持っていて音声だけを文字起こしたい場合は、MP4をテキストにするガイド で抽出の手順を扱っています。

私の見解：文字起こしを前提とした新規録音には、iPhoneのボイスメモをデフォルトのM4Aモードで使い、スマートフォンを話者の手の届く距離に置いてください。このコーデックは十分に効率的なので、静かな部屋での標準的な話し方なら64〜96 kbpsのAAC-LCできれいな文字起こしが得られます。Lossless ALACに上げるべきは、強い訛り、重なり合う複数話者、顕著な背景ノイズといった難しい音声がある場合だけです。

何もインストールせずにきれいな文字起こしだけが必要なら、ConvertAudioToText がAACとM4Aを直接受け付けます。アップロードして言語を設定すれば、数分で文字起こしが完成します。

FAQ

文字起こしにおいて、AACはMP3より品質が高いですか？

同じビットレートであれば、AAC（AAC-LCプロファイル）は純粋にMDCTベースのアルゴリズムを採用しているため、MP3より効率的です。128 kbpsのAACはおおよそ160〜192 kbpsのMP3に相当する音質なので、同じ内容でも128 kbpsのAACボイスメモの方が128 kbpsのMP3録音よりきれいに文字起こしされます。文字起こしの目的では、コーデックの優位性は128 kbps未満で実際に現れます。それ以上のビットレートでは、どちらの形式もSTTエンジンに十分な入力を与えられます。

.aacファイルと.m4aファイルの違いは何ですか？

どちらもAACエンコードされた音声を含みますが、パッケージングが異なります。.aacファイルは生のADTS（Audio Data Transport Stream）ビットストリームで、フレームヘッダーと音声データのみで、メタデータコンテナを持ちません。.m4aファイルはAACをMPEG-4コンテナで包んだもので、カバーアート、タイトル、アーティスト、チャプターデータを格納できます。iPhoneはボイスメモを.m4aとして保存します。YouTubeダウンローダーは、ツールやそのフラグによっては素の.aac ADTSファイルを出力することがあります。

登録せずに無料でAACファイルを文字起こしできますか？

はい。ConvertAudioToTextはAACおよびM4Aファイルを受け付け、アカウントなしで10分間のプレビュー文字起こしを提供します。無料アカウントを作成すると、文字起こし10分が付与されます（毎月ではなく1回限り）。月額9.99ドルのProプランですべての制限が解除されます。

AACファイルの冒頭で文字化けしたテキストが表示されるのはなぜですか？

これは通常、生の.aacファイル内のADTSヘッダー破損を示しています。再エンコードせずに再パッケージしてみてください。ffmpeg -i input.aac -c:a copy output.m4a を実行して、同じ音声ストリームをM4Aコンテナに入れます。ほとんどの文字起こしエンジンは、素のADTSストリームよりもコンテナで包まれたバージョンの方をより確実に処理します。

参考資料

• Advanced Audio Coding（Wikipedia）
• AACフォーマットガイド：AAC-LC、HE-AAC、M4A、MPEG-4 Audioの解説（KaijuConverter）
• ADTS（MultimediaWiki）
• YouTube Musicの音質（2026年）
• Apple Musicのビットレートとは？（Musconv）
• 2026年のオンライン動画ストリーミングに最適な音声コーデック（AntMedia）
• iPhoneでボイスメモの音質を向上させる方法（HowToGeek）
• ConvertAudioToText料金プラン
• OpenAI Whisper GitHubディスカッション：サポートされる音声フォーマット