オンラインでMP3をテキストに変換する方法（無料・ソフト不要）2026年版

MP3を文字起こしツールにアップロードし、正しい言語を選べば、数分後にはテキストファイルが手に入ります。これが短い答えです。より長い答えとしては、MP3は主要な文字起こしサービスすべてがネイティブに受け付ける形式なので、前処理はほぼ不要ですが、開始ボタンを押す前に知っておく価値のあるMP3特有の仕組みがいくつかあります。

実際のところMP3ファイルはどこから来るのか

すべての「音声ファイル」がMP3というわけではありません。アップロード前に確認する価値があります。

ポッドキャストのエピソードダウンロードが、本物のMP3の最も一般的な供給源です。 RSSポッドキャストフィードは2000年代初期からMP3を配信しており、業界はトーク番組向けに128kbps CBRモノラルを事実上の標準として定着させてきました。Spotify、Apple Podcasts、番組のフィードからエピソードをダウンロードしたなら、ほぼ確実に本物のMP3を持っています。

専用ボイスレコーダー（Sony、Zoom Hシリーズ、Olympus）では録音フォーマットを選択できます。多くは64〜128kbpsのMP3がデフォルトですが、上位モデルはWAVやFLACがデフォルトになっています。何で保存されたかわからない場合は、レコーダーの設定を確認してください。

会議は話が別です。Zoomは音声をMP3ではなくM4A（AAC）で書き出します。Microsoft TeamsもMP4/M4Aを出力します。iPhoneのボイスメモもM4Aで録音されます。誰かから「会議の録音」としてメールで届いたファイルが.m4aで終わっていれば、それはMP3ではありません。ただし、優れた文字起こしツールであればどのみちネイティブに受け付けます。完全なフォーマット一覧については文字起こし対応の音声フォーマットをご覧ください。

YouTubeからMP3への変換ツールは本物のMP3ファイルを生成します。通常は128〜192kbpsで、文字起こしには十分すぎるほどです。

ビットレートは文字起こしの精度に影響するか？

明瞭な音声音声の場合、およそ64kbpsを超えると、それ以上ビットレートを上げても精度への測定可能な影響はほとんどありません。 理由はこうです。WhisperやDeepgram Nova-3を含むすべての最新ASRエンジンは、処理前に音声を16kHzモノラルへリサンプリングします。人間の音声には8kHzを超える有意な情報がほとんど含まれていません。つまり、同じ録音の320kbpsステレオのポッドキャスト抽出ファイルと64kbpsモノラルのファイルは、モデルに入った時点でまったく同じ処理を経るのです。

ここでの2つの設定項目は別物です。

• ビットレートは、MP3エンコーダーが元データを圧縮した際に1秒あたりどれだけの音声データを保持したかを決めます。
• サンプルレート（1秒間に音声信号を測定する回数）は、アップロード内容にかかわらず、文字起こしエンジンによって16kHzモノラルに強制されます。

実用面での含意：128kbpsのポッドキャストMP3は、同じファイルの96kbps版よりも文字起こし精度が測定可能なほど良いわけではありません。

例外は低ビットレート側です。 およそ32kbpsを下回ると、非可逆圧縮のアーティファクトが子音をにじませ始め、精度は実際に低下します。この水準に達するのは、強く圧縮された留守番電話の書き出しや非常に古い口述録音くらいです。普通のMP3ファイルはそこまで遠く及びません。

私の見解：64kbpsを超えるMP3をお持ちなら、手を加えずそのままアップロードしてください。

どれくらいの長さなら長すぎる？ 大容量MP3ファイルの扱い方

本当の制約要因は長さではなくファイルサイズです。128kbpsステレオの2時間ポッドキャストは約110MB。64kbpsモノラルの2時間の会議録音は約55MBです。

ほとんどの文字起こしサービスは100〜500MBまでのファイルを受け付けますが、無料プランでは100MB以下に制限されることが多いです。文字起こし品質を損なわずに大容量MP3を縮小する最も簡単な方法は、64〜96kbpsのモノラルに再エンコードすることです。 128kbpsステレオのファイルを64kbpsモノラルに変換すると、サイズは約75%削減され、精度へのペナルティはありません。文字起こしエンジンはいずれにせよ内部でその変換を行うことになるからです。

本当に長いファイル（3時間以上、200MB以上）の場合、ツールが大容量ファイルを受け付けるとしても、30〜60分のセグメントに分割するとレビュー作業が格段にやりやすくなります。

知っておくと役立つ癖として、可変ビットレート（VBR）のMP3ファイルは、誤った再生時間を表示することがあります。ソフトウェアが、最初に検出したビットレートにファイルサイズを掛けて長さを推定するためです。誤った再生時間を報告するVBRファイルを見かけたら、サービスがクォータから差し引く分数を誤って見積もる可能性があります。CBRへの再エンコードでこれは解消されます。サービスが利用量を上限に対してどうカウントするかについては、無料vs有料の文字起こしガイドで詳しく説明しています。

最適な言語と話者設定は？

フォーマットよりも言語選択の方が重要です。自動検出に頼らず手動で言語を設定する方が、特に訛りのある音声や英語以外の音声でエラーを減らせます。

1つのMP3ファイルに複数の言語が含まれる場合、現在のほとんどのツールは冒頭数秒で最も多く現れた言語をデフォルトとして選びます。各言語を正確に文字起こしする必要があるなら、言語の境界でファイルを分割してください。

話者分離（ダイアライゼーション）について、単一話者コンテンツのモノラルMP3録音は、現在のどのエンジンでも良好に機能します。難しくなるのは複数話者の録音です。話者ごとに別チャンネルに割り当てたステレオ録音は技術的により多くの情報を運べますが、そのようにパッケージされたMP3はほぼ存在しません。典型的なMP3の会議録音はモノラルミックスなので、エンジンはタイミングパターンだけを頼りに話者を分離します。現実的な精度像については話者ダイアライゼーションの解説をご覧ください。

MP3を先にWAVに変換すべき？

いいえ。これは文字起こしガイドで最もよく見かける悪いアドバイスのひとつです。

MP3をWAVに変換しても、MP3圧縮で既に失われた音声データは復元されません。 結果として得られるのは5〜10倍大きく、アップロードに時間がかかり、しかもASRエンジンによって結局16kHzモノラルにダウンサンプリングされ、元のMP3とまったく同じ入力に行き着くファイルです。詳しくは文字起こしにおけるWAV vs. MP3の比較記事をご覧ください。

アップロード前に価値のある唯一のフォーマット変更：

• アップロードできるサイズを超えている場合は、ステレオをモノラルに再エンコードする（無料、ファイルサイズ半減、精度劣化なし）。
• さらに縮小が必要なら、同時にビットレートを64〜96kbpsに下げる。

ファイルが既にサービスのサイズ上限を下回っているなら、そのままの状態でアップロードしてください。

MP3を文字起こしする手順（簡潔版）

1. ConvertAudioToTextなどの文字起こしツールにアクセスします。MP3をアップローダーにドラッグ＆ドロップするか、クリックしてファイルを選択します。
2. 言語を選択します。英語以外の音声では、このステップを省略しないでください。
3. 文字起こしをクリックして待ちます。30分のファイルには通常2〜4分かかります。
4. エディタで文字起こし結果を確認します。固有名詞、製品名、専門用語には特に注意を払ってください。
5. 文字起こしの使い道に応じて、TXT、DOCX、SRT、VTTのいずれかで書き出します。

以上が全工程です。プラグイン不要、無料枠のファイルであればアカウント登録も不要です。

知っておきたいMP3特有の落とし穴

適切なヘッダーなしのVBR。 古いレコーダーやコンバーターの中には、プレーヤーに実際のフレーム数を伝えるXING/LAMEヘッダーを持たないVBR MP3ファイルを生成するものがあります。これによりシークの不具合が起き、ファイルが実際より短く、あるいは長く見えることがあります。アップロードは成功したのに文字起こしが途中で切れる場合は、不正なVBRファイルを疑ってください。無料のMP3再エンコーダーでCBRに設定して修正できます。

埋め込みアートワーク付きのID3タグ。 大きなアルバムアート画像が埋め込まれたポッドキャストMP3は、文字起こしには何も貢献せず、ファイルサイズだけを膨らませます。ツールは処理中にこれを取り除きますが、28MBの音声ファイルに追加された5MBのアートワークブロックは、無駄なアップロード帯域です。

YouTube-MP3変換のコーデックアーティファクト。 ほとんどの変換ツールは、元のAACストリームをそのまま通すのではなくMP3に再エンコードするため、2度目の非可逆圧縮が発生します。ビットレートが極端に低くない限り文字起こしでは気づきませんが、アーカイブ目的の正確性を求めるなら、代わりにネイティブのAAC/M4Aを保持してください。

インタビュー録音の文字起こし方法やポッドキャストに最適な文字起こしツールについては、リンク先の記事がそれぞれのワークフローを詳しく扱っています。

FAQ

自分のファイルが本当にMP3なのか、それともM4Aなのかはどう見分ければよいですか？

ファイルを右クリックして拡張子を確認してください。.mp3ならMPEG音声を含むMP3コンテナ、.m4aならMPEG-4コンテナに入ったAACファイルです。Zoomは音声をM4A形式で書き出し、iPhoneのボイスメモもM4Aです。リネームによる混乱はさておき、ほとんどの文字起こしツールは両方の形式を直接受け付けるため、実際には手元にあるどちらのファイルでもアップロードできます。

ポッドキャストフィードやYouTubeからダウンロードしたMP3も文字起こしできますか？

はい。ポッドキャストのエピソードファイルは通常128kbps CBRモノラルのMP3で、正確な文字起こしに必要な品質の基準を十分に上回っています。YouTubeからMP3に変換したファイルも、元の音声が会話中心で重い音楽でなければ、概ね問題ありません。ただし、複数話者のパネル番組では、話者が声を重ねて話すと話者分離（ダイアライゼーション）エラーが起きる場合がある点には注意してください。

MP3を無料で文字起こしできますか？

多くのツールが、ファイル時間や月間利用量に制限のある無料プランを提供しています。ConvertAudioToTextなら、ソフトウェアをインストールせずにブラウザ上で直接MP3を文字起こしできます。無料プランでは通常、ファイルサイズまたは月間利用分数に上限があるため、たまに短いファイルを処理する程度であれば無料プランで十分です。

MP3の再生時間が誤って表示されるのはなぜですか？

可変ビットレート（VBR）のMP3ファイルは、誤った再生時間を表示することがあります。多くのプレーヤーやサービスが、最初に検出したビットレートにファイルサイズを掛けて長さを推定するためです。ファイルに適切なXING/LAMEヘッダーがない場合、シークも不安定になります。文字起こしにおいては、主にサービスがクォータに対して消費する分数を誤って見積もる可能性があるという意味です。64〜96kbpsのCBR（固定ビットレート）への再エンコードで解決します。

MP3を文字起こしする前にBGMを除去する必要がありますか？

必須ではありませんが、濃い背景音楽は文字起こしエラーの最大の原因です。MP3に音声の下に音楽トラックが入っている場合（録音したラジオ番組のセグメントや、会話に焼き込まれた制作済みポッドキャストのイントロなど）、精度は目に見えて低下します。無料のノイズリダクションツールを一度通しておくと効果的です。純粋な背景ノイズや室内音は、音楽に比べると影響はずっと小さくなります。

出典

• Whisperの音声要件：対応フォーマットと仕様 - 16kHzモノラルへのリサンプリング、最低64kbpsを確認
• OpenAI Whisperに最適な音声入力設定 - 音声の下限は32〜64kbps、64kbps超で精度向上なし
• Google Cloud Speech-to-Text：音声ファイルの最適化 - 最低サンプルレート16kHzの推奨
• Zoomの録音フォーマット（Zoomサポート） - ZoomはMP3ではなくM4AとMP4で書き出し
• ユースケース別オーディオビットレートガイド（AudioUtils） - コンテンツタイプ別のビットレート範囲
• Apple Podcastsの音声要件 - ポッドキャストMP3のビットレート標準
• 音声データセットの前処理（Hugging Face） - ASRパイプラインは16kHzモノラルにリサンプリング