MKVをテキストに変換する方法：マルチトラック音声とOBS録画

要約

MKVを文字起こしツールにアップロードすれば基本的にはそのまま動きます。ただし、ひとつ注意点があります。ファイルに複数の音声トラックが含まれている場合（OBS録画、Blu-rayリップ、マルチマイク環境でよくあるケース）、どのトラックに実際に必要な音声が入っているかを把握しておく必要があります。まず手早く ffprobe を実行して適切なトラックを特定すれば、あとは定型的な作業です。

MKVとは？あなたのファイルの出所

MKV（Matroska Video）は、広く使われている中で最も柔軟な動画コンテナです。MP4と異なり、1つのファイル内に含められる音声トラック、字幕トラック、チャプターの数に厳しい制限を設けていません。この柔軟性ゆえに、MKVは次のような場面でよく使われています。

• OBS Studioでの録画（OBS 32で新規インストール時のデフォルトが変更されましたが、マルチトラック用途には依然として推奨）
• リッピングしたDVDやBlu-ray（複数の音声言語入り）
• アニメやTV番組のアーカイブ（原語＋吹き替え音声）
• マルチマイクのポッドキャスト環境（各マイクがそれぞれ独立したトラックに記録される）
• カンファレンス録画（登壇者ごとにマイク入力が分かれている）
• SimpleScreenRecorderやKazamなどのLinuxの画面録画ツール

文字起こしの観点では、MKVのマルチトラック対応は強みであると同時に厄介な点でもあります。文字起こしの前に、適切なトラックを選ぶ必要があります。

OBSのデフォルト設定はバージョン32で変更された

「OBSはデフォルトでMKV形式で録画する」という従来の通説は、もはや古くなっています。OBS 30.2でHybrid MP4（クラッシュ耐性のあるフラグメンテッドMP4）が導入され、OBS 32.0では新規インストール時のデフォルトコンテナがHybrid MP4/MOVになりました。最近OBSをインストールしたなら、すでにMKVではなくHybrid MP4ファイルが保存されているかもしれません。

とはいえ、マルチトラック録画においてMKVは依然として推奨フォーマットです。Hybrid MP4のクラッシュ保護はシングルトラックのユースケースをカバーします。ソースごとに音声を分離したい場合は、今なおマルチトラックMKVの方が優れた選択肢です。その理由は以下の通りです。

• OBSのMKVは最大6つの音声トラックに対応（Hybrid MP4は通常、単一の結合ストリームとして記録される）
• 再エンコードなしで「ファイル > 録画のリマックス」からMKVをMP4へ変換できる
• 編集ソフトや文字起こしツールが必要なトラックを個別に選択できる

筆者の見解： 別々のマイクでポッドキャスト、インタビュー、カンファレンスを録音するなら、OBSで明示的にMKVを使いましょう。単一ソースの画面収録やゲームキャプチャなら、Hybrid MP4で十分かつシンプルです。

OBSのMKVの各トラックに実際に入っているもの

OBSのドキュメントでは、トラック1はデフォルトの「全ソース」結合ミックスとして説明されています。トラック2～6は、詳細音声プロパティで個別のソースを振り分けるための場所です。典型的なマルチトラックOBS構成は次のようになります。

• トラック1：すべてを合わせたステレオミックス（デフォルトの再生用トラック）
• トラック2：自分のマイクのみ
• トラック3：デスクトップ／ゲーム音声のみ
• トラック4：通信系（Discord、通話）

文字起こしにおいては、トラック2（マイクのみ）がほぼ常に求めているものです。トラック1には、声と一緒にキー入力音、ゲーム音、環境ノイズまで混ざり込んでいます。

ステップ1：アップロード前にトラックを調査する

ffprobe を使えばわずか10秒で、間違った言語やノイズだらけの結合ミックスを文字起こししてしまう失敗を防げます。以下を実行してください。

ffprobe -v error -show_streams -select_streams a -of json input.mkv

出力には、各音声ストリームのインデックス、コーデック名、チャンネル数、言語タグが含まれます。典型的なBlu-rayリップでは次のように表示されるでしょう。

• ストリーム 0:1 - AC3、6チャンネル、lang: eng
• ストリーム 0:2 - AAC、2チャンネル、lang: spa
• ストリーム 0:3 - AC3、2チャンネル、lang: fra（監督コメンタリー）

典型的なOBSのマルチトラックMKVでは次のようになります。

• ストリーム 0:1 - AAC、2チャンネル（結合ミックス）
• ストリーム 0:2 - AAC、1チャンネル（マイク）
• ストリーム 0:3 - AAC、2チャンネル（デスクトップ音声）

先に進む前に、ストリームインデックスを把握しておきましょう。ffmpegではトラックインデックスはゼロ始まりです（2番目の音声トラックは 0:a:1）。

ステップ2：正しいトラックを抽出する

MKVに音声トラックが1本しかなければ、そのままアップロードして問題ありません。複数ある場合は、必要なトラックを先に抽出しましょう。これはファイルサイズの大幅な削減にもなります。90分の映画のMKVは8～15GBになることもありますが、音声トラックだけなら通常100～300MBです。

再エンコードせずに特定の音声トラックを抽出するには：

ffmpeg -i video.mkv -map 0:a:1 -c:a copy track2.m4a

3番目の音声トラックなら 0:a:1 を 0:a:2 に置き換えます。以降も同様です。

映像が原因でファイルが大きすぎてアップロードできない場合は、映像を完全に除去します：

ffmpeg -i in.mkv -vn -c:a copy audio.mka

.mka 拡張子はMatroska Audioというコンテナで、ほとんどの文字起こしツールが受け付けています。ソースのコーデックに応じて、.aac、.mp3、.m4a を使うこともできます。

ステップ3：コーデックの互換性に対処する

MKVは、Webベースの文字起こしツールがつまずきやすいコーデックを格納していることがあります。主なものは以下の通りです。

AC3とAAC：どこでも動作します。対処は不要です。

Opus：どこでも動作します。OBSの録画でよく使われるコーデックです。

FLAC：ほとんどのツールで動作します。ロスレスでサイズは大きめですが、文字起こしサービスは問題なく処理できます。

DTSとDTS-HD：Blu-rayリップでよく見られ、オンラインツールに拒否されることが多いコーデックです。先に変換しましょう：

ffmpeg -i bluray.mkv -map 0:a:0 -c:a libmp3lame -b:a 192k audio.mp3

TrueHD（ドルビーアトモス）：こちらもBlu-rayでおなじみのコーデックで、同じ問題を抱えています。解決策もコマンドも同じで、正しいストリームインデックスを指定するだけです。

**マルチチャンネル（5.1ch、7.1ch）**の音声は、話者検出を混乱させることがあります。純粋な音声認識目的なら、ステレオかモノラルにダウンミックスしましょう：

ffmpeg -i input.mkv -map 0:a:0 -ac 2 -c:a aac output.m4a

ステップ4：アップロードと言語の設定

文字起こしの言語設定は、抽出した音声トラックに合わせてください。スペイン語のトラックを文字起こしするなら、ツール側でスペイン語を指定します。言語設定のミスマッチは、文字起こし結果が乱れる最も一般的な原因です。

動画からテキストへの変換ワークフローでは、ConvertAudioToTextの動画をテキストに変換するツールを利用できます。ファイルをドラッグ＆ドロップし、言語を設定して実行するだけです。2時間の録音でも、キューの混み具合にもよりますが、おおよそ10～20分で完了します。

自動話者分離に頼らず、マルチマイク録音で話者ごとの精度を確保したい場合は、話者ダイアライゼーションの解説で、トラックごとの抽出がAIによる話者分割を上回るケースについて確認してください。

字幕トラックを使う近道（使える場合）

MKVは音声と一緒に埋め込み字幕トラックを持てます。存在するのは2種類です。

テキストベースの字幕（SRT、ASS、SSA）：読み取り可能なテキストストリームとして保存されています。MKVにすでに正確な字幕が入っているなら、文字起こしを一切実行せずに直接抽出できます：

ffmpeg -i video.mkv -map 0:s:0 subtitles.srt

この方法は即時かつ無料です。ただし、字幕がすでに存在し、かつ正確である場合に限ります。

PGS字幕（Blu-rayの画像字幕）：テキストではなくビットマップ画像として保存されています。ffmpeg -map 0:s:0 で書き出されるのは .sup ファイルであり、読めるテキストではありません。PGSをSRTに変換するにはOCRソフトが必要で（標準的なツールはSubtitle EditのOCRモジュール）、出力はたいてい手作業での修正が必要です。PGS字幕入りのBlu-rayリップについては、画像ビットマップにOCRをかけるよりも、音声を改めて文字起こしする方が通常は速く、正確です。

MKVの字幕タイプを確認するには：

ffprobe -v error -show_streams -select_streams s -of json input.mkv

codec_name フィールドを確認してください。subrip や ass ならテキストベース、hdmv_pgs_subtitle なら画像ベースのビットマップPGSです。

ソース別のMKVワークフロー

OBS録画

OBSのマルチトラックMKVファイルでは、文字起こしの前に必ずマイクのみのトラック（通常はトラック2）を抽出してください。トラック1の結合ミックスには、キーボード音、ゲーム音、通知音など精度を下げる要素が含まれています。

配信を録画していて、声だけを取り出したい場合は、次の録画セッションの前にOBSでマルチトラック音声を有効にしましょう：「設定 > 出力 > 録画 > 音声トラック」のチェックボックスです。一度設定してしまえば、MKVはすべてのソースを分離して記録します。

リッピングしたDVDとBlu-ray

DVDリップには通常、複数の言語トラックに加えてコメンタリーが入っています。言語タグが目安になりますが、常に正確とは限りません。文字起こしに着手する前に、VLCで音声トラックを手動で切り替えてスポットチェックしておきましょう。映画研究のプロジェクトなら、原語トラック（信頼できる台詞）にするか、吹き替えトラックにするか（原文の脚本と表現やタイミングが異なる場合があります）も検討してください。

ユーザーがトラックを指定し忘れると、監督コメンタリーのトラックを誤って文字起こしさせるケースがよくあります。まず ffprobe で確認しましょう。

カンファレンスとマルチマイク録音

マルチルーム・マルチマイクの録音システムでは、マイクごとに1トラックのMKVが生成されることがあります。文字起こしの品質という点では、ノイズの多い結合ミックスに話者分離を適用して頼るよりも、マイクトラックを個別に文字起こしする方が優れています。

各トラックを抽出し、それぞれ別々に文字起こししてから、タイムスタンプ順に出力を統合します。こうすれば、話者検出の曖昧さを一切伴わず、クリーンな話者帰属が得られます。そのトレードオフが追加の手間に見合うのはどんなときか、詳しくは話者ダイアライゼーションの解説をご覧ください。

Linuxの画面録画ツール

Linux上のOBS、SimpleScreenRecorder、KazamはいずれもMKVを出力します。音質はオーディオバックエンドに依存します。PipeWire（現在のほとんどのディストリビューションで標準）は48 kHzできれいにキャプチャします。一方、古いPulseAudio環境では、長時間の録音中に数秒おきに音飛びが発生することがあります。MKVに周期的な音声の乱れがある場合は、文字起こしツールを疑う前に、システムをPipeWireへ移行すれば直るかどうかを確認してみてください。

MKVと他のマルチトラックコンテナの比較

複数の音声バージョンや字幕バージョンを含むコンテンツには、MKVが適したコンテナです。ただし、一般向けデバイスやストリーミングプラットフォームとの最大限の互換性が必要な場合、それらはMP4を前提としているため、MKVは適切な選択ではありません。コンテナの違いが各ツールのアップロード互換性にどう影響するかは、文字起こしに対応している音声フォーマットをご覧ください。

よくあるMKV文字起こしの問題

文字起こし結果の言語が違う

ツールがデフォルトでトラック1を使ってしまったのが原因です。MKVに英語とスペイン語の音声があり、スペイン語が必要だったなら、-map 0:a:1 で再抽出して再度アップロードしてください。

「サポートされていないコーデック」エラー

ほぼ確実に、Blu-rayリップ由来のDTSまたはTrueHDです。上のコーデックセクションにあるffmpegコマンドでMP3かAACに変換しましょう。

言語タグが間違っている

エンコーダによってはトラックのタグ付けを誤ることがあります。「eng」とタグ付けされたファイルで日本語音声が流れるのは、古いリップではよくあることです。タグを盲信してはいけません。VLCで30秒ほど聴いて確認しましょう。

MKVのチャプターマーカーによるセグメントエラー

ファイルに埋め込まれたMatroskaのチャプターマーカーで、一部のツールがつまずくことがあります。除去しましょう：

ffmpeg -i in.mkv -map 0 -map_chapters -1 -c copy out.mkv

ファイルが大きすぎてアップロードできない

原因は映像ストリームです。1080pの2時間映画は8～15GBになりますが、音声ストリームは100～300MBです。まず上記の -vn コマンドで映像を除去しましょう。

トラックの複雑さがない単一のMKVを、サインアップなしで素早く処理したいなら、ConvertAudioToTextがMKVのアップロードを受け付け、アカウントなしで最大10分まで処理します。ログイン済みの無料プランでは10分の文字起こし時間が得られます（毎月ではなくサインアップ時に1回付与）。月額9.99ドルのProプランなら上限は完全になくなります。

FAQ

複数の音声トラックを一度に文字起こしできますか？

ほとんどのツールは1ジョブにつき1トラックしか文字起こしできません。マルチトラックのMKVファイルの場合は、トラックごとに個別の文字起こしジョブを実行し、結果をタイムスタンプ順に統合しましょう。話者ごとに専用トラックがある複数話者のポッドキャストでは、これが最もクリーンなアプローチであり、自動話者ダイアライゼーションよりも信頼性が高い方法です。

MKVの音質はMP4より良いのですか？

コンテナ自体は音質に影響しません。MKVは標準的なMP4よりも高品質なコーデック（FLAC、DTS-HD、TrueHD）を格納できますが、一般的なOBSのMKVはMP4と同じAACを使用しています。重要なのはコーデックの選択であって、コンテナの選択ではありません。

MKVを無料で文字起こしできますか？

はい。ConvertAudioToTextはMKVファイルを受け付け、アカウントなしで最大10分まで処理できます。さらに無料プランでは、サインアップ時に1回だけ10分の文字起こし時間が付与されます。より長いファイルや、話者ごとのマルチトラックワークフローには、月額9.99ドルのProプランで上限が完全になくなります。

音声言語タグがないMKVファイルはどうすればいいですか？

VLCで開いて、「オーディオ > オーディオトラック」から各トラックを数秒ずつ聴いてみてください。あるいは並び順を信頼するのも一つの手です。多くの映画リップでは、トラック1が原語で、それ以降のトラックは吹き替えになっています。保証はありませんが、ffprobe を実行する前の妥当な出発点になります。

参考資料

• OBS Studio 32.0 リリースノート - OBS 32でHybrid MP4/MOVがデフォルトコンテナになったことを確認
• Hybrid MP4およびHybrid MOVフォーマット｜OBSナレッジベース - フォーマットの詳細とクラッシュ復旧の仕組み
• マルチ音声トラック録画ガイド｜OBSナレッジベース - トラック割り当てとトラック1の挙動
• 高度な録画ガイドとマルチトラック音声｜OBSナレッジベース - トラック1が全ソースの結合ミックスであることを確認
• 標準録画出力ガイド｜OBSナレッジベース - マルチトラック録画におけるMKV推奨
• PGS字幕の理解｜suptosrt.com - ビットマップベースの字幕フォーマットとしてのPGS
• FFmpegで動画ファイルから字幕とキャプションを抽出する｜Mux - テキスト字幕の抽出ワークフロー
• ConvertAudioToText 料金 - 無料枠（アカウント登録で1回限りの10分、サインアップなしプレビューで10分）とProプラン（月額9.99ドル）を確認