MOVをテキストに変換する方法：iPhone・ProRes・QuickTime(2026年版)

MOVファイルをテキストに変換するには、QuickTimeコンテナ形式を読み取れる文字起こしツールにアップロードします。多くのツールは動画を完全に無視して、音声トラックを自動的に抽出します。難しいのはアップロードではなく、手元にあるのがどの種類のMOVかを見分けることです。中のコーデックによって、直接アップロードで済むのか、先に音声抽出をしたほうが賢明なのかが決まるからです。

MOVファイルの中身は実際何なのか?

MOVはコンテナであり、コーデックではありません。 AppleのQuickTimeコンテナは、ファイルの出所によってまったく異なる動画ストリームを保持できますが、音声については話がシンプルです。目にするほぼすべてのMOVは、AAC(iPhoneやQuickTimeの録画向け)かPCM(Final Cut ProからのProRes書き出し向け)のいずれかを含んでいます。どちらの音声フォーマットも問題なく文字起こしできます。

変数になるのは動画コーデックです:

文字起こしにおいては、動画コーデックの列が、直接アップロードできるか、先に音声を抽出すべきかを決めます。音声コーデックの列は品質に関わりますが、どれでも常に問題ありません。

なぜHEVCのMOVは一部のツールで失敗するのか?

iPhoneはiOS 11(iPhone 8/2017年)以降、デフォルトでHEVCで録画しています。 そのMOVを、HEVCデコード機能なしでビルドされたLinuxサーバー上で動くWebベースのツールに渡すと、そのツールは動画トラックを分離(demux)できません。音声のみの処理にフォールバックするのではなく、このエラーでジョブ全体が失敗するツールもあります。

回避策はシンプルです。アップロード前に音声を抽出してください。

ffmpeg -i video.mov -vn -c:a copy audio.m4a

これにより、何も再エンコードせずにAACストリームをMOVコンテナから取り出せます。30分のiPhone 4K動画(約12GB)が14MBのM4Aファイルになります。アップロード時間は数分から数秒に短縮されます。

iPhoneが使用するコーデックを切り替えるには:「設定」>「カメラ」>「フォーマット」。「高効率」= HEVC、「互換性の高い形式」= H.264です。高効率はファイルが小さくなりますが、前述の互換性問題を引き起こす可能性があります。H.264はストレージ容量と引き換えにそれらを回避します。

ProResのMOVは何が違うのか?

ProResはポストプロダクション用の中間コーデックであり、配布用コーデックではありません。 Appleは編集の往復を経ても最高品質を維持できるよう設計したのであって、小さくするためではありません。4K 30fpsのProRes 422は毎分約540MB、ProRes 422 HQは毎分約1.2GBになります。iPhone 15 ProでProResクリップを撮影すると毎分5.5GBに達することもあります。

ProResのMOV内の音声はLinear PCMで、ロスレスです。これは文字起こしの精度には良いのですが、ファイルサイズには無関係です。PCM音声トラックは、動画がどんなに巨大でも通常は毎分10MB未満です。

ProResのMOVに対する正しい手順は、常に先に音声抽出を行うことです。 Final Cut Proでは「ファイル」>「共有」>「マスターファイル」と進み、「オーディオのみ」を選択します。これでM4Aが生成されます。コマンドラインからは:

ffmpeg -i prores_export.mov -vn -c:a copy output.m4a

生のProResを文字起こしツールにアップロードするのは無駄です。ツールはいずれにしても動画を破棄します。実際に必要な50MBの音声ストリームを抽出させるために、10GBのファイルのアップロード完了を待つことになるだけです。

QuickTimeの画面収録はどうなのか?

macOSのQuickTime Playerに組み込まれた画面収録(Cmd+Shift+5)は、AAC音声付きのH.264動画をMOVコンテナで保存します。これらのファイルは通常小さく(画面コンテンツは圧縮効率が高いため)、幅広く互換性があります。

ただし、ひとつ注意すべき落とし穴があります。macOSでは、QuickTimeはネイティブにシステム音声をキャプチャできません。 BlackHoleのような仮想オーディオデバイスをインストールしてルーティングしていない限り、画面収録にはマイク音声しか含まれません。ビデオ通話のデモを収録した場合、QuickTimeでの再生時に聞こえる音声は、相手側の参加者ではなく自分の声だけかもしれません。文字起こしの前に必ず確認してください。システム音声が最初から記録されていなければ、後から復元する術はありません。

QuickTimeの画面収録によるMOVは、直接アップロードでも問題なく動作します。ファイルサイズは控えめで、H.264はどこでもサポートされており、マイク音声(あれば)も高品質です。

アップロード前にMOVを調査する方法

MOVファイルの中身がわからない場合は、ffprobeがQuickTimeのアトム構造を読み取って教えてくれます:

ffprobe -v error -show_streams -select_streams a in.mov

出力内のcodec_nameを探します。aacならAAC、pcm_s16leまたはpcm_s24leなら非圧縮PCM、ac3は一部の古いDSLRが使っていたDolby Digitalコーデックです。この3つはいずれもうまく文字起こしできます。codec_nameがmp4aを示している場合、それは別タグ付きのAACなので、これも問題ありません。

動画ストリームについては、同じコマンドから-select_streams aを除けば動画コーデックが表示されます。hevcの場合、ターゲットのツールにHEVC互換性の問題があるなら、先に音声を抽出したほうがよいでしょう。proresの場合は、絶対にそうすべきです。

直接アップロードすべきときと、先に音声抽出すべきとき

直接アップロードするケース: ファイルがツールのアップロード上限以内である、動画コーデックがH.264またはH.265でツールがMOV対応を謳っている、そして最もシンプルなワークフローを望んでいる場合。

先に音声を抽出するケース: ファイルがProResのMOVである(ほぼ確実に大きすぎる)、ツールがファイルを拒否するかエラーを出す(おそらくHEVCコーデックの問題)、ファイルが2GB超である、あるいは迅速な納品が必要で動画に意味がない場合。

動画をテキストに変換する場合全般について言えば、音声抽出が確実な道筋です。文字起こし結果にとって、動画が4Kか720pかは関係ありません。

知っておくと役立つ個別のケース

AC3音声入りのDSLR MOV

古いCanon製やNikon製のDSLRは、H.264動画とAC3(Dolby Digital)音声のMOVファイルを記録していました。AC3は放送グレードのコーデックで、多くの文字起こしツールが対応していますが、互換性の問題に遭遇したら音声トラックを再エンコードしてください:

ffmpeg -i dslr.mov -vn -c:a aac -b:a 192k output.m4a

さらに重要な点として、プロのDSLR撮影では、本番の録音に別のレコーダー(Zoom H5やSound Devicesのフィールドレコーダーなど)を使いつつ、カメラ側には仮録り(scratch audio)を記録することがよくあります。同期済みの別録音ファイルがあるなら、そちらを文字起こししてください。DSLRの内蔵マイクは通常平凡で、仮録りの音声は編集時の同期参照のために存在するだけだからです。

MOV内のマルチトラック音声

プロ向けのMOVファイルは、複数の音声トラックを持つことがあります。たとえばトラック0にステレオミックス、トラック1にチャンネル分割(L=インタビュー対象者、R=インタビュアー)といった構成です。一部の文字起こしツールは、確認なしに最初のトラックをデフォルトとして使います。

会話の片方だけが文字起こしされたような結果になったら、ファイルを確認してください:

ffprobe -v error -show_streams -select_streams a -of json in.mov

streamsエントリーの数を数えます。2つあるなら、ストリームインデックスを指定して目的のものを抽出します:

ffmpeg -i in.mov -map 0:a:1 -c:a copy track2.m4a

その後、抽出したトラックを文字起こしします。チャンネル分割で2人の話者がいるコンテンツの場合は、両チャンネルをミックスしてから話者ダイアリゼーションを行うほうが、1チャンネルだけを文字起こしするよりも良い結果になります。

iPhone縦向きのMOV

iPhoneの縦向き動画は、向きにかかわらず同じ音声品質です。古い文字起こしパイプラインの一部は、縦型動画の寸法(処理前のアスペクト比チェック)につまずいていました。最新のツールはこれを問題なく処理します。スマホを縦に持っても横に持っても、音声トラックは同一です。

「このファイルは文字起こしできません」の本当の意味

MOV固有のツールエラーのほとんどは、3つのカテゴリーに分類されます:

1. 動画コーデック非対応(HEVC): 音声を抽出し、代わりにM4Aをアップロードします。
2. ファイルが大きすぎる: 音声を抽出します。1時間もの録音でも通常は50MB未満です。
3. 音声トラックがない: QuickTimeで開き(「ウインドウ」>「ムービーインスペクターを表示」)、音声トラックが存在することを確認します。マイクが選択されていない画面収録や、無音のBロールには、文字起こしできるものがありません。

結果を良くするための実践的なヒント

可能なら別のマイクを使う。 iPhoneの内蔵マイクは至近距離では優秀ですが、6フィート(約1.8m)を超えると急激に感度が落ち、室内の残響を強く拾います。ラベリアマイク(LightningまたはUSB-Cアダプター経由)なら有効距離は2倍になります。内蔵マイクで10フィート(約3m)離れた場合と、ラベリアマイクを6インチ(約15cm)の距離で使った場合の文字起こし精度の差は大きいものです。

アップロード前にトリミングする。 iPhoneの録音には、録音ボタンを押してからポジションに着くまでの15〜30秒の無音時間が含まれることがよくあります。アップロード前に「写真」やQuickTimeでトリミングしましょう。処理時間が節約され、文字起こし冒頭の空白セグメントも避けられます。

長時間の収録は機内モードで録画する。 通知やアプリのバックグラウンド更新は、30分を超えるiPhone録音にドロップアウト(音飛び)をもたらすことがあります。

私見ですが:MOVは、ソースによってまったく異なるコンテンツを保持できる、よく設計されたコンテナです。ffprobeを実行して中のコーデックを確認するのに費やす30秒は、アップロード失敗の苛立ちや、HEVCファイルを黙って誤処理したツールによる壊れた文字起こしからあなたを守ってくれます。ProResなら何であれ音声を抽出しましょう。その他すべては直接アップロードで構いません。

コーデックの細かい話に煩わされずに、きれいな文字起こしだけが必要なら、ConvertAudioToTextはMOVをネイティブに処理し、動画コーデックに関係なくサーバーサイドで音声トラックを抽出します。

文字起こしにおけるMOVと類似フォーマットの比較

FAQ

文字起こしにおいてMOVはMP4より優れていますか?

機能的には同じです。どちらのコンテナもAAC音声を保持しており(MOVはProRes書き出しの場合、PCMを保持することも多い)、ASRエンジンは両者をまったく同じように処理します。選ぶ基準は利便性であって、文字起こしの品質ではありません。

MOVがQuickTimeでは再生できるのに、他のツールで失敗するのはなぜですか?

ほぼ確実に原因は動画コーデックです。HEVC(H.265)にはデコーダーが必要ですが、すべてのツールが搭載しているわけではありません。音声トラックは影響を受けません。ffmpegで音声を抽出してそちらをアップロードすれば、動画デコーダーの問題を完全に回避できます。

MOVファイルを無料で文字起こしできますか?

はい。ConvertAudioToTextは無料プランでもMOVに対応しています(登録時に一度付与される文字起こし10分、1ファイルあたり10分)。より長い録音には、無制限の文字起こしが使える月額9.99ドルのProプランがあります。

巨大なProResのMOVを扱う最良の方法は何ですか?

Final Cut Proで「ファイル」>「共有」>「マスターファイル」から「オーディオのみ」を選んで書き出せば、小さなM4Aが得られます。すでにディスク上にあるファイルは、次を実行します:ffmpeg -i in.mov -vn -c:a copy out.m4a。1080pの30分間のProRes 422書き出しは、数GBから50MB未満まで縮小します。

出典

• AppleデバイスでHEIFまたはHEVCメディアを使用する - Appleサポート
• ConvertAudioToText料金ページ
• ProRes 422コーデックファミリー - 米国議会図書館
• QuickTime Video、Apple ProRes 422 - 米国議会図書館
• iPhone ProRes最大ビットレート - Y.M.Cinema
• ffprobeドキュメント - FFmpeg.org
• WindowsでのHEVCコーデックエラー - WinXDVD
• Macで画面を収録する方法 - Appleサポート