WAVをテキストに変換する方法：フォーマットガイドと精度のコツ
Summarize this article with:
WAVファイルは損失圧縮を行わず生のPCMオーディオを保存するため、音声認識エンジンにとって最もクリーンな入力となります。44.1 kHz / 16ビットステレオでは1分あたり約10 MBとなり、60分の録音で約600 MBに達します。ほとんどのアップロードでは、まず16 kHzモノラルWAV（約110 MB/時間）や高ビットレートMP3に変換しても精度は一切落ちず、アップロード時間を大幅に短縮できます。法的用途、アーカイブ用、品質が微妙な録音の場合は、WAVを直接アップロードするのが正解です。
WAVは生の非圧縮PCMオーディオであるため、音声認識にとって精度面で最適な入力フォーマットです。 展開すべきデータはなく、非可逆コーデックのアーティファクトもなく、音声がモデルに届く前の再構成推測も発生しません。スタジオレコーダー、放送用フィールド機材、講義収録システムから取得したWAVがあれば、最高のソース素材からスタートできます。
この記事では、アップロード手順だけでなく、文字起こしに実際に関わってくるフォーマットの仕組みを解説します。
60分のWAV録音のファイルサイズはどれくらい？
WAVはリニアPCMで音声を保存します。すべてのサンプルがそのまま書き込まれ、圧縮はありません。計算式はシンプルですが、数字は大きくなります。
44.1 kHz / 16ビットステレオ（CD品質。コンシューマー向けレコーダーやポッドキャストミキサーで一般的）の場合：
| 録音時間 | WAVサイズ | 192 kbps MP3 | 16 kHzモノラルWAV |
|---|---|---|---|
| 1分 | 約10 MB | 約1.4 MB | 約1.9 MB |
| 30分 | 約300 MB | 約43 MB | 約57 MB |
| 60分 | 約600 MB | 約86 MB | 約110 MB |
| 3時間 | 約1.8 GB | 約259 MB | 約330 MB |
48 kHz / 24ビットステレオ（Zoom FシリーズやRodeCaster Pro IIといった放送用フィールドレコーダーの標準仕様）では、数値はさらに約65%大きくなり、60分の録音で約990 MBに達します。
このサイズ次第で、直接アップロードできるか、先に変換が必要かが決まります。3時間分の会議WAVが、一般的な家庭回線ではブラウザのアップロードを20分も止めてしまう理由もここにあります。
WAV、BWF、polyWAVの違いは何？
WAVはコーデックではなくコンテナフォーマット（RIFF/WAVE仕様）です。ほとんどのWAVファイルは非圧縮のリニアPCMオーディオを含みますが、コンテナは他のエンコーディングも保持できます。文字起こしで実際に出会う3つのバリアントは次のとおりです：
PCM WAVが標準です。音声サンプルは固定小数点整数として保存されます：16ビット（コンシューマー向け）、24ビット（プロ向け）、32ビット整数（稀）。最新の文字起こしサービスはすべてネイティブに対応しています。出会うWAVの大半は16ビットまたは24ビットのPCMです。
**BWF（Broadcast Wave Format）**は、タイムコード、シーン/テイクデータ、一意のファイルIDを格納するBEXTメタデータチャンクが追加されたWAVです。多くの放送用フィールドレコーダー（Sound Devices、Zoom Fシリーズ、ENGモードのTascam Portacapture）のデフォルトフォーマットです。文字起こしにおいて、BWFは通常のWAVと機能的に同一で、BEXTチャンクは音声認識エンジンに無視されます。
PolyWAVはマルチチャンネル対応のBWFです。1つのファイルに複数トラックがあり、各トラックが独立したチャンネルに割り当てられます。RodeCaster Proは14チャンネルのpolyWAVを記録し（各マイク＋ステレオミックス）、Zoom F8n Proは1つのpolyWAVに最大10チャンネルを記録できます。
これが文字起こしにおける最大のフォーマット固有の落とし穴です：WAVを受け付けるほとんどの文字起こしサービスは、polyWAVを1つのミックスダウンされた音声ストリームとして扱います。ダイアライゼーション（話者分離）はミックスに対して実行され、トラックごとには行われません。トラックごとのクリーンな文字起こしを得るには、次のいずれかが必要です：
- まずpolyWAVを個別のモノラルWAVに分割し（
ffmpeg -i poly.wav -map 0:a:0 track1.wav -map 0:a:1 track2.wav ...）、話者ごとに1つずつ提出します。 - 明示的なマルチチャンネル対応のあるサービスを使う（Deepgramの
multichannel=trueパラメータは各チャンネルを別々のトランスクリプトとして処理します）。マルチチャンネルと話者ダイアライゼーションは排他的であり、リクエストごとにどちらか一方を選ぶことに注意してください。
チャンネルベースとダイアライゼーションベースの話者分離の使い分けについて詳しくは、スピーカーダイアライゼーションの解説をご覧ください。
32ビットfloatのWAVを文字起こしツールにアップロードできる？
プロ向け制作ツール（Pro Tools、Logic Pro、Audacityの内部フォーマット）や、「32ビットfloat」モード搭載のフィールドレコーダー（Zoom F8n Pro、Sound Devices MixPre-10 IIなど）でよく使われています。利点はヘッドルームです：32ビットfloatは、ハードウェアでクリップしてしまうような音声もハードリミッターをかけずに記録できます。文字起こしでの落とし穴：Google Cloud Speech-to-Text v1は32ビットfloat WAVを拒否します。提出前に変換が必要です。文字起こしサービスがWAVでエンコーディングエラーを返す場合、最も可能性が高い原因はこれです。
アップロード前に変換します：
ffmpeg -i input-float.wav -acodec pcm_s16le output-pcm.wav
最新の文字起こしサービスのほとんどは32ビットfloat WAVを問題なく受け付けます。変換が必要になるのは、ツールがファイルを拒否した場合だけです。
主要レコーダーのWAV：サンプルレートとビット深度の目安
録音機器によってWAVの仕様は異なり、アップロードサイズにも影響します：
ポッドキャストミキサー（RodeCaster Pro II、Rodecaster Duo）： 48 kHz / 24ビット、マルチトラックはpolyWAV。ステレオミックスは標準的な2チャンネルWAVです。
プロ向けフィールドレコーダー（Zoom Fシリーズ、Sound Devices MixPre）： 最大192 kHz / 32ビットfloat。文字起こしにおいては、16 kHz / 16ビットを超えるデータは、モデルが使用しない余分なデータをアップロードすることになります。
一眼レフ・ミラーレスカメラ（Canon Rシリーズ、Sony α7シリーズ）： 48 kHz / 16ビットのPCM WAVまたはBWFを、内部カードまたは外付けレコーダーに記録。カメラ撮影インタビューの一般的なソースです。
講義収録システム（Echo360、Panopto）： 動画とともに44.1 kHz / 16ビットのWAVを出力するか、動画コンテナに音声を埋め込むことが多いです。WAVトラックが別途入手できる場合は、H.264動画から抽出するよりも処理が簡単です。
文字起こしの目的では、モデルの内部処理ターゲットは16 kHzモノラル16ビットPCMです。それ以上の情報は内部で破棄されます。エンジンが使用しないデータのために、アップロード帯域を支払っていることになります。
ファイルが大きすぎる場合、アップロード前にWAVをMP3に変換すべき？
WAVがサービスのアップロード上限を超える場合は、192 kbpsのMP3に変換して元のWAVをアーカイブします。全部で4つの経路があります：
経路1：WAVを直接アップロードする。 サービスのアップロード上限以下のファイルなら、直接アップロードが最もシンプルです。放置して後で戻ればOK。アップロード時間が支配的です。
経路2：16 kHzモノラルWAVにダウンミックスする（モデル視点では可逆）。 文字起こしエンジンはいずれにせよ内部でこの変換を行います。クライアント側で先に行えば、アップロードサイズを約80%削減できます：
ffmpeg -i recording.wav -ac 1 -ar 16000 recording-16k-mono.wav
60分の44.1 kHzステレオWAVは600 MBから約110 MBに減少します。モデルが見る内容は同一です。
経路3：FLACに変換する（可逆圧縮で小型化）。 FLACは同じPCMデータを可逆的に圧縮し、通常はWAVサイズの40〜60%になります。300 MBの60分WAVは、FLACでは約150〜180 MBになります。
ffmpeg -i recording.wav -acodec flac recording.flac
元の音声の忠実度を完全に保ちたい一方で、WAVよりも速いアップロードが必要な場合、FLACを選ぶ価値があります。文字起こしのための音声フォーマット変換について詳しくは、FLACをテキストに変換する方法をご覧ください。
経路4：MP3に変換し、WAVをアーカイブする。 大量処理の場面で最も実用的なワークフローです。192 kbpsのMP3（約1.4 MB/分）をアップロードし、WAVはアーカイブマスターとして保管します。
ffmpeg -i recording.wav -acodec mp3 -ab 192k recording.mp3
192 kbpsでは、クリーンな録音の音声において、元のWAVとの精度差はごくわずかです。128 kbps未満では、非可逆圧縮が高周波の子音を侵食し始めます。64 kbps未満では、精度が十分に低下し、珍しい名前や専門用語で系統的なエラーが発生します。音声認識におけるフォーマットのトレードオフの詳細な比較については、文字起こしにおけるWAV対MP3をご覧ください。
では、先にMP3へ変換することが実際に意味を持つのはいつでしょうか？WAVがアップロード上限を超えるときです。48 kHz / 24ビットの長時間WAVは、サービスのファイルサイズ制限に達する可能性があります。192 kbpsのMP3に変換すれば、5時間の録音が約5 GBから約700 MBに減り、どのサービスの上限にも十分収まります。変換前に必ず元のWAVをアーカイブしてください。
WAVファイルを文字起こしする手順
アップロードの手順は意図的に短くしています。この記事の主眼はフォーマットに関する知識だからです。
- 上記の経路を選択します（直接WAV、ダウンミックスしたWAV、FLAC、またはMP3）。
- 希望の文字起こしサービスにアップロードします。
- 言語、話者数、必要に応じて語彙ヒントを設定します。
- 実行します。WAVファイルは同等時間のMP3と同じ速度で処理されます。エンジンはファイルサイズではなく音声の長さで動作するためです。
- TXT、SRT、VTT、DOCX形式でエクスポートします。
会議ボットや重い編集ツールなしに、クリーンなトランスクリプトだけが必要なら、ConvertAudioToTextがおすすめです。WAVをネイティブに処理し、16 kHzへのダウンミックス経路全体をサーバー側でサポートし、有料プランでは数GB規模のアップロードにも対応しています。
文字起こし前に効果がある編集
音声に問題があるWAVファイルの場合、アップロード前の短い編集作業が成果につながります：
- ノイズ除去： iZotope RX、Adobe Enhance Speech、Audacityのノイズ除去フィルターなど。空調のハム音が入った室内録音や風の入った屋外録音で特に有効です。
- 無音カット： 冒頭と末尾の空白時間をカットします。長い無音で誤作動することがあるダイアライゼーションの助けになります。
- ラウドネス正規化： 小さい声の話者を一定のレベルに揃えます。1つのマイクが話者から遠すぎた複数人ポッドキャスト録音でよくある問題です。
- ダイナミックレンジ： WAVのダイナミックレンジ（16ビットで96 dB、24ビットで144 dB）により、MP3では圧縮時にうまく再現できない非常に静かな部分も、はっきりと記録されたままになります。これがWAVをアーカイブする最大の実用的な利点です。
クリーンに録音できたものについては、編集工程を完全にスキップしてそのまま提出しましょう。編集時間はすぐに積み重なり、最新の音声認識モデルは3年前より中程度のノイズをうまく処理できるようになっています。編集は、聞き返したときに問題がはっきり聞こえる録音だけに留めましょう。
WAVはMP3より正確に文字起こしできる？
WAVの主な精度上の利点は、そこに存在しないもの、つまり非可逆エンコーディングのアーティファクトです。44.1 kHz 16ビットのWAVは約22 kHzまでの全周波数範囲を保持しており、電話音声の8 kHzカットオフを大きく上回り、ほとんどの音声コンテンツが存在する4 kHz帯域よりも上です。
実際には、同じ録音のWAVと192 kbps MP3の精度差は、ほとんどの音声コンテンツでごくわずかです。差が広がるのは次の2つの場面です：
- ギリギリの音質： 騒がしい部屋、遠いマイク、強い訛り。非可逆エンコーディングは、限界ぎりぎりの音声の復元をさらに難しくします。
- トーン言語や専門用語： 細かなスペクトル構造に依存する音素は、非圧縮オーディオの方がよりよく保持されます。
音声フォーマットが文字起こし精度に与える影響について詳しくは、文字起こし精度の解説をご覧ください。
FAQ
WAVはMP3より正確に文字起こしできる？
同じ録音であれば、WAVと高ビットレートMP3（192 kbps以上）の差は、クリーンな音声ではごくわずかです。低品質のMP3になるほど差は広がります。64 kbpsでは高周波成分が大きく失われ、精度が目に見えて低下します。品質が微妙な録音や法的証拠管理（チェーン・オブ・カストディ）が必要なケースではWAVを維持し、日常業務には192 kbpsのMP3を使用しましょう。
60分のWAV録音のファイルサイズはどれくらい？
44.1 kHz / 16ビットステレオ（CD品質）の場合、60分のWAVは約600 MBです。48 kHz / 24ビットステレオ（フィールドレコーダーで一般的）では、1 GB近くになります。アップロード前に16 kHzモノラルへダウンミックスすると、同じ1時間の音声が約110 MBになり、これは多くの文字起こしエンジンが内部で処理している形式そのものです。
32ビットfloatのWAVを文字起こしツールにアップロードできる？
最新の文字起こしサービスの多くは32ビットfloat WAVを受け付けますが、一部の古い統合機能やGoogle Cloud Speech-to-Text v1では拒否されます。ツールがファイルを拒否する場合は、ffmpegで先に16ビットPCMに変換してください：ffmpeg -i input.wav -acodec pcm_s16le output.wav。変換後も音声内容は同一です。
WAV、BWF、polyWAVの違いは何？
WAVはPCMオーディオ用の標準的なMicrosoft/IBMコンテナです。BWF（Broadcast Wave Format）は、タイムコード、シーン/テイク情報、一意のファイル識別子を格納するBEXTメタデータチャンクが追加されたWAVで、多くの放送用フィールドレコーダーのデフォルト出力です。PolyWAVはマルチチャンネル対応のBWFで、1つのファイルにマイクごとのトラックを最大99本まで保存できます。文字起こしにおいて、この3つはまったく同じように動作し、メタデータは音声認識エンジンに無視されます。
ファイルが大きすぎる場合、アップロード前にWAVをMP3に変換すべき？
はい。WAVがサービスのアップロード上限を超える場合は、ffmpegで192 kbpsのMP3に変換し（ffmpeg -i recording.wav -acodec mp3 -ab 192k recording.mp3）、元のWAVはアーカイブとして保管しましょう。192 kbpsなら、ほとんどの録音で精度差は問題にならないほど小さくなります。あるいは、まず16 kHzモノラルWAVに変換するのも有効です。これにより、元のファイルサイズの約5分の1で可逆（ロスレス）音声が得られます。
参考資料
Try transcription free
Convert any audio or video to clean, unwatermarked text — speaker labels, timestamps, and AI summaries included. First 10 minutes free, no account.
Related Articles
How to Add Timestamps to a Transcript
Learn how to add timestamps to a transcript with an audio-to-text tool, then export timestamped SRT or VTT subtitle files for easy navigation and editing.
How to Transcribe a Conference Talk to Text
Learn how to transcribe a conference talk or keynote to text, label speakers, and export SRT, VTT, or TXT using a straightforward upload or URL workflow.