FLVをテキストに変換する方法：Flash時代のアーカイブを文字起こしする（2026年版）

FLVファイルから文字起こしを得るには、この形式を受け付けるツールに直接アップロードするか、ツールが対応していない場合は先にffmpegで音声を抽出します。Flashの時代は終わりましたが、ファイル自体は現代のどのようなパイプラインでも問題なく扱えます。

FLVとは何か、アーカイブが今も重要な理由

FLV（Flash Video）は、およそ2003年から2020年までWeb動画の標準フォーマットでした。 HTML5への移行前のYouTube、初期のTwitchストリームのすべて、MP4へ移行する前のほとんどのウェビナープラットフォーム、Adobe Flash上で動作していた企業研修システムの大半が、このフォーマットによって支えられていました。

Adobeは2020年末にFlash Playerのサポートを終了しました。ブラウザからは削除され、Webは次の段階へ進みました。

しかしアーカイブはそうはいきません。企業のストレージには今も大量のFLVコレクションが眠っています。収集元は以下のとおりです。

• 2014年以前のWebEx、GoToMeeting、Microsoft LiveMeetingでのウェビナー
• 形式を切り替える前のTwitchやPeriscopeのRTMPストリーム録画
• Adobe CaptivateやArticulateで構築された教育コースライブラリ
• MP4へ移行されなかった社内研修リポジトリ
• Adobe Media ServerやWowzaなどの配信サーバーからの録画

こうしたアーカイブを引き継いだ場合、コーデックの実態さえ把握していれば、文字起こしの手順はシンプルです。

FLVファイルの中身を実際に確認する

コンテナは簡単な部分です。ワークフローを決めるのは中のコーデックです。

FLVの映像は次の3つの形式のいずれかで格納されています。

• Sorenson Spark（H.263ベース）：最初期のFlash Videoコーデック。2005年以前に広く使われていました
• VP6：2005年9月のFlash Player 8以降、推奨コーデックとなりました
• H.264：Flash Player 9 Update 3（2007年12月）で追加され、Flashの終焉まで使われ続けました

文字起こしにおいて、映像コーデックはまったく関係ありません。重要なのは音声トラックです。

• FLV内のMP3：FLVアーカイブ全体で最も一般的な音声形式。単体のMP3ファイルとまったく同じように文字起こしされます
• FLV内のAAC：後期のFlash Playerバージョンで使用。標準的なビットレートできれいに文字起こしされます
• Nellymoser Asao：マイク入力のためにFlashに組み込まれた独自の低帯域幅音声コーデック。Webカメラを使った録画や初期のVoIPで使用されました。許容範囲で文字起こしされますが、低ビットレートでは品質が劣化します
• Speex：Flash Player 10でストリーミング向けに追加されたオープンソースの音声コーデック。音声に最適化されていますが帯域幅は狭めです

ワークフローを決める前に、ffprobe yourfile.flv を実行して、ファイルがどの音声コーデックを使用しているのかを正確に特定しましょう。

ステップバイステップ：FLVをテキストに変換する

ステップ1：ファイルが再生できることを確認する

VLCで開いてみましょう。VLCはすべてのFLVコーデック変種（Sorenson Spark、VP6、H.264映像、さらにNellymoserやSpeexを含むすべての音声コーデック）を読み込めます。VLCで音声付きで再生できれば、そのファイルは処理可能です。

DRM通知ではなく再生エラーでVLCが拒否する場合は、ストリーム途中で中断したRTMPキャプチャによりメタデータが欠損している可能性があります。文字起こしの前にステップ2へ進んでください。

ステップ2：必要に応じてメタデータを修復する

RTMPストリーム録画では、再生時間のメタデータが欠落していたり不正だったりすることがよくあります。修正方法は、再エンコードせずに全ストリームをコピーするffmpegの1パスだけです。

ffmpeg -i broken.flv -c copy -fflags +genpts fixed.flv

これは実際の音声・映像データには一切触れずに、コンテナのタイムスタンプを再構築します。「could not determine duration（再生時間を特定できません）」と表示されるFLVや、シークが正しく機能しないFLVに対して実行してください。

ステップ3：アップロードまたは音声を抽出する

ツールがFLVを直接受け付ける場合は、そのままアップロードします。CATTは動画からテキストへの変換ツールで、MP4、MOV、MKVなどの形式とともにFLVファイルも受け付けています。

ツールが別の形式を要求する場合は、音声トラックを抽出します。音声がすでにMP3やAACであれば、ストリームコピーが速く、ロスレスです。

ffmpeg -i video.flv -vn -c:a copy audio.mp3

音声がNellymoserやSpeexの場合は、MP3へトランスコードします。

ffmpeg -i video.flv -vn -c:a libmp3lame -b:a 192k audio.mp3

完全なMP4出力が必要な場合（それを要求するツールのため）、FLVがH.264映像を使用していれば、両方のトラックをストリームコピーできます。

ffmpeg -i video.flv -c copy output.mp4

FLVがSorenson SparkやVP6の映像を使用している場合は、時間のかかる完全な再エンコードが必要です。

ffmpeg -i video.flv -c:v libx264 -c:a aac output.mp4

ステップ4：言語を設定する

言語は手動で指定してください。古いFLVコンテンツは音声が劣化しており、自動言語検出を混乱させることがあります。英語以外のコンテンツの場合は、処理後に修正するのではなく、処理前に言語を設定しましょう。

ステップ5：文字起こしを実行する

60分のFLVの処理には、ほとんどのサービスで3〜6分かかります。音声抽出はほぼ瞬時に完了しますが、文字起こしが時間のかかるフェーズです。

ステップ6：出力を確認する

レガシーなFLV音声には精度に影響する特徴があります。

• 低ビットレートの音声（ストリーミングでは32〜96kbpsが典型的でした）
• Webカメラのマイクと電話回線経由の参加者音声
• RTMPキャプチャにおけるネットワーク切断によるノイズ

音声が混在した古いウェビナーコンテンツでは80〜92%、専用のホストマイクでプロ仕様に録音されたFLVでは90〜95%の精度を見込めます。

MP4へのリマックスが実際に役立つケース（役立たないケース）

FLVアーカイブについては常に議論になります。先にMP4へ変換すべきか、それとも直接文字起こしすべきか？

リマックスしても文字起こしの精度は向上しません。 音声認識モデルが処理するのは音声コーデックであり、コンテナのラッパーは処理前に破棄されます。FLV内のNellymoser音声トラックは、MP4内のNellymoserトラックと同じ出力になります。

リマックスが実際に役立つのは2つの場面です。

1. 文字起こしツールがFLVを完全に拒否する場合。多くの一般向けツールはMP4、MOV、MP3、WAVしか受け付けません。該当する場合は、ストリームコピーによるリマックスなら数秒で完了し、品質は一切失われません。
2. 送信前にファイルが再生できるか確認したい場合。アップロード前に内容を確認する必要があるなら、MP4の方がメディアプレイヤーやブラウザのプレビューウィンドウで再生しやすい傾向があります。

数百ファイル規模のバッチ処理では、リマックスのステップを完全に省略し、オリジナルのまま作業しましょう。形式ごとのワークフローの詳細については、動画をテキストに変換するガイドと、同様のレガシー課題を持つもう一つの形式を扱ったWMVアーカイブに関する記事をご覧ください。

よくあるFLVのシナリオ

レガシーなウェビナーアーカイブ

2004年から2014年のプラットフォーム（WebEx、GoToMeeting、MS LiveMeeting、ON24）はFLVで録画していました。音声品質はソースによって大きく分かれます。

• ホストのマイク：通常はクリーンで、90〜95%の精度で文字起こしされます
• 参加者の電話音声（PSTN）：8kHzの電話品質で、75〜85%の精度
• ホスト＋参加者の混合：両者の中間程度

大規模なウェビナーアーカイブの場合は、プラットフォームがホストと参加者の音声を別々のトラックで録音していないか確認しましょう。別々に録音されていた場合は、それぞれを抽出して個別に文字起こしし、その後結果を統合します。

Twitchとストリーミングのキャプチャ

Twitchは2017年頃にHLSへ切り替えるまでRTMPを使用していました。この時期のストリームアーカイブはFLVです。精度は配信者の音声環境によって異なります。

ストリーミングコンテンツには、BGM、ゲーム音、効果音が音声トラックに混ざっていることがよくあります。AIモデルは音楽セクション中に幻覚（ハルシネーション）テキストを生成することがあります。精度が重要であれば、アップロード前に音声のみのセグメントへトリミングしてください。

教育コースライブラリ

Adobe Captivate、Articulate Storyline、その他のオーサリングツールは、2005年から2015年にかけてFLVベースのモジュールを出力していました。こうしたコースのナレーションは、専用マイクを使ってスタジオ録音されているのが一般的です。精度は通常95%以上です。

RTMPサーバー録画

Adobe Media Server（旧Flash Media Server）、Wowza、Red5は、デフォルトでRTMPストリームをFLVに録画していました。こうしたキャプチャには次のような問題があることがあります。

• 欠落または不正な再生時間メタデータ（前述の-fflags +genptsで修復できます）
• 1時間を超える録画での音声ドリフト
• ネットワーク中断によるフレーム落ちや音声の欠落

文字起こしの前にメタデータを修復しましょう。音声ドリフトは事後修正が難しく、主にタイムスタンプの整合性に影響し、文字起こしの精度そのものにはあまり影響しません。

マーケティング・企業アーカイブ

2015年以前のマーケティング動画ライブラリには、FLVのオリジナルと再エンコードされたMP4の両方が存在することがよくあります。両方ある場合は、FLVのオリジナルから文字起こししてください。MP4への再エンコードでは、オリジナルが通らなかった非可逆圧縮のステップを通過しています。

注意すべきポイント

途切れた録画。 RTMPキャプチャは、ストリームが切断されたりサーバーが停止したりすると、文の途中で切れることがあります。完全な内容だと決めつける前に、最後まで再生して確認しましょう。思考の途中で唐突に終わる文字起こしは、文字起こしのエラーではなく、こうした症状の表れです。

複数の音声トラック。 一部のウェビナーFLVは、ホストと参加者を別々の音声トラックに録音しています。ほとんどの文字起こしツールは最初のトラックしか処理しません。ffprobe -show_streamsでファイルに複数の音声ストリームがあるかどうかを確認し、必要な方を抽出してください。

埋め込みキューポイントとチャットデータ。 ウェビナーシステム由来の一部のFLVファイルは、テキストチャットをメタデータのキューポイントとして埋め込んでいます。これらは音声ではなく、コンテナのメタデータです。ほとんどの文字起こしツールは無視します。ツールがパースエラーを報告する場合は、まず音声以外のメタデータを取り除いてください。

ffmpeg -i in.flv -c copy -map 0:v -map 0:a clean.flv

NellymoserとSpeexの品質。 どちらも低ビットレートで動作する音声コーデックです。文字起こしはできますが、同等の内容品質のMP3やAACと比べると精度は低下します。NellymoserやSpeexの音声で精度が重要な場合は、まず192kのMP3へトランスコードしましょう。再エンコードでは多少の世代劣化が生じますが、その結果は5.5kHzの生のNellymoserストリームよりも、音声モデルにとって通常は認識しやすいものになります。

FLVアーカイブの一括処理のための実践的ヒント

まずすべてのファイルを修復する。 何かを文字起こしする前に、アーカイブ全体に対して一括のメタデータ修復を実行します。

for f in *.flv; do ffmpeg -i "$f" -c copy -fflags +genpts "fixed_$f"; done

これは音声に触れることなくコンテナのメタデータを再構築します。メタデータが欠損または不正なファイルは、文字起こしパイプラインに入る前に正常な状態になります。

年代順に処理する。 同じ時代・同じプラットフォームのファイルは、似たような音声品質の傾向を持ちます。代表的なファイル1つで期待値を調整し、同じ設定を残りに適用しましょう。

大量処理にはAPIアクセスを利用する。 アーカイブファイル500時間分を1つずつアップロードするのは現実的ではありません。CATTのDeveloperプランとBusinessプランにはWebhook付きのAPIアクセスが含まれており、バッチ処理をスクリプト化できます。大量処理用のプランを選ぶ前に、文字起こしサービスの隠れたコストを確認しましょう。

音声の前処理は省略する。 古いFLVの音声はすでに強く圧縮されています。すでに圧縮済みのソースにノイズ除去、EQ、ノーマライズを加えると、AIの精度はむしろ悪くなることが多いです。ソース音声をそのままアップロードし、モデルに任せましょう。

開始前にDRMを確認する。 サービスを終了したFlash時代の商用FLVコンテンツには、DRM保護がかけられていたことがあります。VLCは「保護されたコンテンツ」というエラーで再生を拒否します。ユーザーが録画したコンテンツ（ウェビナー、研修、ストリーム）にDRMがかかることはほとんどありません。DRMに遭遇した場合、文字起こしへの現実的な道はありません。

FLV形式と現行形式の比較

H.264映像とAAC音声を含むFLVは、同じコーデックを使うMP4と本質的に同じように文字起こしされます。外側のコンテナは文字起こしパイプラインで破棄されます。重要なのは中の音声です。

ファイルからきれいな文字起こしが欲しいだけで、ffmpegの手順を省略したい場合は、ConvertAudioToTextがFLVを直接受け付けます。アップロードして言語を選択すれば、サービスが抽出を自動的に処理します。

よくある質問

Flashが終了した2026年でも、FLVファイルの文字起こしはできますか？

はい。ブラウザ用のFlashプラグインは廃止されましたが、ファイル形式としてのFLVはffmpeg、VLC、多くの文字起こしサービスで今も完全にサポートされています。コンテナ自体は問題なく読み取れます。重要なのは中身の音声コーデックです。FLV内のMP3やAACは、単体のMP3やAACファイルとまったく同じように文字起こしされます。

文字起こしの前にFLVをMP4に変換すべきですか？

文字起こしツールがFLVを完全に受け付けない場合だけです。音声品質の観点では変換は何の役にも立ちません。音声認識モデルが実際に処理するのはコンテナの中にある音声コーデックであり、コンテナをリマックスしても精度は変わりません。ffmpegでの音声のみの抽出はフルリマックスより速く、どちらの方法でも同じ文字起こし結果が得られます。

文字起こし前にFLVの再エンコードが本当に必要になるのはどんな場合ですか？

再エンコードが必要なのは、FLVにNellymoserまたはSpeexの音声が含まれている場合です。これらのコーデックは低ビットレートでは音質が劣化して聞こえ、一部のツールは受け付けません。まずffprobeでファイルを確認しましょう。音声トラックがすでにMP3やAACなら、ストリームコピー（-c:a copy）で抽出でき、再エンコードを完全にスキップできるため、元の品質が保たれます。

FLVファイルにDRMがかかっている場合はどうすればいいですか？

まずVLCで再生を試してください。保護されたコンテンツというエラーで再生を拒否される場合は、DRMでロックされています。ユーザーが録画したFLVファイル（ウェビナー、研修動画、ストリーム録画）にDRMがかかることはほとんどありません。一方、サービスを終了したFlash時代の商用FLVコンテンツにはDRMがかかっていることがあり、元のサービスが停止して10年以上経った今、解除するのは現実的にも法的にも難しいのが実情です。

参考資料

• Flash Video形式とコーデックの歴史：Wikipedia - Flash Video
• Nellymoser Asaoコーデックの詳細：MultimediaWiki - Nelly Moser
• ffmpegによるFLVからMP4への変換：AddPipe - Converting FLV to MP4 With FFmpeg
• VLCのFLV再生とコーデックサポート：VideoLAN Wiki - Flash Video
• ffmpegドキュメント：ffmpeg.org