低速インターネットで音声を文字起こしする：リアルな帯域幅計算（2026年版）

使えるけれど遅い回線しかないなら、アップロード前に音声を64 kbpsモノラルMP3へ圧縮しましょう。 60分のファイルは約635 MBから約29 MBまで縮み、2 Mbps回線でのアップロード時間を40分から3分未満に短縮できます。まったく接続がない場合、クラウド文字起こしツールは役に立ちません。代わりにローカルWhisperを使いましょう。

低速インターネットはアップロードの問題であり、文字起こしの問題ではありません。ファイルが一度サーバーに届いてしまえば、文字起こし自体にかかる時間は場所に関係なく同じ数分です。以下では、ファイルを素早くそこへ届ける方法、あるいはその必要性を回避する方法について説明します。

帯域幅の計算

一般的なフォーマットごとの実際のファイルサイズは次のとおりです：

2 Mbpsのアップロードでは、635 MBの転送におよそ43分かかります。同じ60分の録音でも64 kbpsモノラルなら約2分です。文字起こしエンジンは処理前に16 kHzモノラルへリサンプリングするため、どちらのファイルでも実質的に同一の出力になります。

WAVから64 kbpsモノラルへの圧縮率は約22:1です。 これは丸め誤差ではありません。WAVは非圧縮PCMをそのまま記録します（44.1kステレオ16ビット＝1,411 kbps）。64 kbpsモノラルMP3はその22分の1のサイズながら、音声の文字起こしには十分すぎるほど適しています。

アップロード前に圧縮する

遅い回線で打てる最も効果的な一手は、アップロードボタンを押す前に音声を変換しておくことです。

ffmpegのコマンド：

ffmpeg -i input.wav -ac 1 -ar 16000 -b:a 64k output.mp3

各フラグの意味：-ac 1は強制的にモノラルに、-ar 16000は16 kHzへのダウンサンプリング（文字起こしエンジンが使うのと同じレート）、-b:a 64kはビットレートの設定です。生成されるファイルは、音声認識にとって重要なものを一切失いません。

ffmpegがないMacユーザーは、QuickTime Playerで「ファイル」→「書き出す」→「オーディオのみ」から音声だけを書き出せば、圧縮されたM4Aが作れます。ffmpegがないWindowsユーザーは、Audacityで「ファイル」→「書き出し」から数クリックでMP3に書き出せます。

ソースが動画なら、まず音声を抽出しましょう。 60分の動画ファイルは1〜4 GBになることがあります。アップロード前に音声だけにすることは、どんなビットレート調整よりも大きな効果があります。ffmpegでは：

ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 -b:a 64k output.mp3

-vnフラグで映像ストリームを完全に除去します。

さまざまなエンコード形式がクラウド文字起こしのパフォーマンスにどう影響するかを詳しく知りたい方は、文字起こし精度の解説をご覧ください。

ついでに無音部分もカットする

60分の録音には、3〜5分ほどの無音が含まれていることがよくあります。録音が始まるはずだった前の打ち合わせ雑談、誰かがメモを探している間の沈黙、エンディング部分などです。Audacityの「Truncate Silence（無音の切り詰め）」エフェクトを使えば、設定したしきい値を超えるポーズを自動的に削除できます。これでファイルサイズが5〜8%減り、処理時間もわずかに短縮されます。

フォーマット圧縮に比べれば小さな効果ですが、手間もコストもゼロなので、30分を超えるファイルではやっておく価値があります。

クラウドストレージ経由でアップロード自体を省略する

音声ファイルがすでにクラウドストレージにあるなら、アップロード自体不要かもしれません。 文字起こしサービスがGoogle Driveのリンク、Dropboxの共有リンク、S3の署名付きURLを指すURLを受け付ける場合、サーバー側がギガビット級の速度で直接ファイルを取得します。あなたのノートPCの2 Mbps回線は一切関与しません。

ワークフローは次のとおりです：

1. 回線の良い環境にあるデバイスから（または自宅での作業セッション時に）音声ファイルをGoogle DriveかDropboxに同期します。
2. 共有可能なリンクをコピーします。
3. ファイルをアップロードする代わりに、文字起こしツールのURL入力欄にリンクを貼り付けます。

自分のマシンは1 Mbpsでも、Googleのデータセンターは1 Gbpsで取得できるカフェなどでは特に便利です。文字起こし結果は通常のジョブと同じ時間で表示されます。

クラウド処理とローカル処理のアプローチをより広く比較したい場合は、オンデバイス vs. クラウド文字起こしでトレードオフを解説しています。

アップロードが途中で何度も失敗するとき

途中で中断されるアップロードは、遅い・不安定な回線で最もストレスが溜まる症状です。諦める前に試せる実用的な対処法をいくつか紹介します：

可能なら有線に切り替えましょう。 5 Mbpsのイーサネットでも、20 Mbpsの混雑したWi-Fiより安定します。アップロードを失敗させるのは通常、生の速度ではなくWi-Fiのパケットロスです。

ルーターに近づきましょう。 5 GHz帯は壁一枚で信号が大きく減衰します。部屋を一つ隔てているなら、2.4 GHzの方が遅くても安定します。

バックグラウンド通信を止めましょう。 バックグラウンドで動いているクラウド同期クライアントは、利用可能なアップロード帯域の80〜90%を消費することがあります。アップロードを始める前に、Dropbox、Google Drive、iCloudを一時停止してください。

失敗したら最初からやり直しましょう。 ほとんどの文字起こしサービスは特定のバイト位置からの再開に対応していません。失敗したアップロードはゼロからの再スタートが必要で、だからこそ1回のセッションで完了できるサイズまでファイルを小さくすることが重要なのです。

Wi-Fiが本当にひどいときはモバイルテザリングへ

現地のWi-Fiが混雑や制限で使い物にならないときは、モバイルテザリングの方が速いことがよくあります。

米国や西欧の典型的なLTE接続は、10〜30 Mbpsのアップロード速度を出せます。Sub-6 GHz帯の5Gは平均15〜50 Mbpsです。どちらもピークタイムのホテルや会場のWi-Fiより一般に速くなります。

データ量には注意しましょう。 29 MBに圧縮された60分のMP3は、モバイルデータとしてはごくわずかです。非圧縮の635 MBのWAVはそうはいきません。先に圧縮してからテザリングすれば、ほとんどのデータプラン内で余裕を持って収まります。

キャリアによっては、請求サイクルあたりのテザリング使用量が5〜15 GBを超えると速度制限がかかることがあります（プランによります）。その上限に近い場合は、開始前に実用最小限のサイズまで圧縮しておきましょう。

信頼できる回線のない場所でのフィールド録音を日常的に伴うワークフローについては、旅先での文字起こしに、録音ステップとアップロードステップを分離する実践的なパターンがまとめられています。

オフライン時の最終手段：ローカルWhisper

どんなに圧縮しても役に立たない状況があります。それは接続がまったくないケースです。電波の届かないエリア、Wi-Fiのない飛行機、基地局の間の僻地。クラウド文字起こしツールはファイルを受け取るためにネットワークアクセスが必要で、こうした状況では役に立てません。

ローカルWhisperはアップロードもインターネットも不要で、完全にマシン上で動きます。 実用的な選択肢は2つ：

BuzzはWindows、macOS、Linux向けの無料オープンソースデスクトップアプリです。OpenAIのWhisperモデルをクリック操作だけで使えるインターフェースに包んでいます。音声や動画ファイルを読み込み、モデルを選べば文字起こしが得られます。macOSではインストーラーパッケージを使えばPythonもターミナルも不要です。

whisper.cppはNVIDIA GPUなしでCPU上で動くC++移植版です。Apple Siliconでは（Metalを使用して）元のPython実装より高速で、tinyかbaseモデルなら最近のノートPCならどこでも使えます。smallモデルはほとんどの音声にとってスイートスポットです。baseより精度が高く、CPUでもまだ十分速い。

私の見解：完全オフラインのケースでは、ローカルWhisperが唯一の現実的な答えです。Buzzの初回セットアップには約5分、ミドルレンジのノートPCのCPUでsmallモデルを使って1時間分の音声を文字起こしするのに10〜15分ほどかかります。クラウドツールよりは遅いものの、どこでも動きます。

ConvertAudioToTextはアップロードベースの経路をしっかり扱い、上述のクラウドステージングワークフロー向けにURL入力にも対応しています。多少なりとも接続があり、圧縮済みファイルがあるなら、通常はローカルWhisperを実行するより速いでしょう。本当に接続がない場合にのみ、ローカルWhisperが唯一機能します。

ローカルとクラウドそれぞれが得意とすることを直接比較したい場合は、オンデバイス vs. クラウド文字起こしをご覧ください。

他の方法が全部駄目なら長いファイルを分割する

圧縮してもサイズ的にアップロードが繰り返し失敗する場合は、音声をより小さな断片に分割しましょう。120分の録音を15分ずつに分割すると、64 kbpsモノラルで1つ約7 MBのファイルが8個できます。各セグメントは2 Mbps回線で1分以内にアップロードできます。

1つのセグメントが失敗したら、そのセグメントだけやり直せばOKです。8つすべて完了したら、文字起こし結果を順番に連結します。無音ポイントで音声を分割すればきれいに切れ、最終的な文字起こしに継ぎ目は残りません。

FAQ

音声を64 kbps MP3に圧縮すると文字起こしの精度は落ちますか？

いいえ、実質的には影響ありません。クラウド文字起こしエンジンは処理前に内部で音声を16 kHzモノラルにダウンサンプリングするため、WAVの余分な忠実度はいずれにせよ捨てられます。適切にエンコードされた64 kbpsモノラルMP3とロスレスWAVの精度差は、クリーンな音声では無視できる程度です。

インターネット接続がまったくない状態でも音声を文字起こしできますか？

はい、ただしローカルツールのみです。Buzzやwhisper.cppのようなWhisperベースのデスクトップアプリは、アップロード不要で完全にマシン上で動作します。本当にオフラインの場合、クラウドサービスは役に立ちません。音声ファイルが短ければ、最新のCPU上のtinyまたはbaseモデルのWhisperで数分で完了します。

低速Wi-Fiで大きな音声ファイルを最速でアップロードする方法は？

まず、ffmpegかAudacityを使って64 kbpsモノラルMP3に圧縮します。WAVと比べてファイルサイズを20倍以上削減できます。ファイルがすでにクラウドストレージ（Google Drive、Dropbox）に同期されているなら、ファイルアップロードではなくURLベースのアップロード経路を使います。文字起こしサーバーがクラウドプロバイダーから高速で直接ダウンロードするため、遅いローカル回線を完全に回避できます。

アップロードにはモバイルテザリングの方がホテルやカフェのWi-Fiより速いですか？

多くの場合、はい。典型的なLTE接続は10〜30 Mbpsのアップロード速度が出ます。Sub-6 GHz帯の5Gは平均15〜50 Mbpsです。どちらも混雑したホテルWi-Fiを通常は上回ります。トレードオフはデータ量です。635 MBの60分WAVアップロードは月間モバイルデータ容量のかなりの部分を消費する可能性があり、だからこそモバイルでも先に圧縮することが重要なのです。

出典

• 音声ファイルサイズ計算ツール – Colin Crawley（WAV・MP3のファイルサイズ計算、2026-07-02確認）
• GitHub の Buzz – chidiwilliams/buzz（オフライン対応デスクトップWhisperアプリ、2026-07-02確認）
• GitHub の whisper.cpp – ggml-org/whisper.cpp（CPUネイティブのWhisper移植版、2026-07-02確認）
• Faster-Whisper セットアップガイド 2026 – Local AI Master（モデル階層とGPU/CPU要件、2026-07-02確認）
• 5G vs 4G 速度比較 2026 – Spenza（LTE 10〜30 Mbps／5G 15〜50 Mbpsのアップロード速度、2026-07-02確認）