文字起こしファイル形式を徹底解説：2026年版インプットガイド

音声ファイルの形式が、文字起こし結果がうまくいかない原因になることはほとんどありません。 ほとんどの文字起こしツールは、MP3、WAV、M4A、FLAC、OGG、MP4、MOVなど十数種類の形式に対応しています。この記事では各形式を整理し、形式の選択が実際に問題になるのはどんなときかを説明し、扱いにくいケースへの対処法をお伝えします。

ツールごとの対応可否を一覧表で素早く確認したい方は、文字起こしで対応している音声形式のリファレンスをご覧ください。出力側であるSRT、VTT、TXTについては、文字起こしの出力形式の解説で扱っています。

音声と動画：文字起こしツールが実際に処理するもの

動画ファイルをアップロードすると、文字起こしツールはまず音声トラックを抽出し（FFmpegまたは同等のツールを使用）、その音声に対して音声認識モデルを実行します。映像フレームは完全に無視されます。

同じ音声を含む1GBのMP4と50MBのMP3は、まったく同じ文字起こし結果になります。MP4の方が単にアップロードに時間がかかるだけです。純粋な文字起こし作業では、音声のみの形式が常に効率的な選択肢となります。例外は字幕制作で、参照用として動画ファイルを残しておきたい場合です。

音声形式

MP3

ほぼすべての場面での実用的なデフォルト。汎用性が高く、ファイルも小さく、互換性の心配もありません。

• 圧縮： 非可逆。128kbpsでも許容範囲。192kbpsが音声の精度面でのスイートスポット。320kbpsが実用上の上限。
• サンプリングレート： 通常44.1kHz。文字起こしモデルは内部で16kHzにリサンプリングします。
• ファイルサイズ： 192kbpsモノラルの60分ファイル＝約86MB。
• 向いている用途： ポッドキャスト、ボイスメモ、インタビューなど、小さいファイルにしたい話し声のみの録音全般。

MP3はエンコード時に高周波成分を除去します。192kbps以上であれば、文字起こしにとってこの損失は無視できます。64kbps以下になると、摩擦音（f、s、sh）が濁り、精度が目に見えて低下します。

WAV

非圧縮PCM音声。すべてのサンプルが明示的に格納されます。

• 圧縮： なし。
• サンプリングレート： 8kHz〜192kHz。16kHzが音声モデルの標準。
• ファイルサイズ： 16kHzモノラルの60分ファイル＝約110MB。同じ録音でも44.1kHzステレオだと約600MBに膨らみます。
• 向いている用途： 編集予定のマスター録音、プロの放送業務、工程内に非可逆圧縮の段階を挟みたくない場合。

アップロード用としてはWAVは過剰なことが多いです。回線が遅い場合やサイズ制限ぎりぎりの場合は、192kbpsのMP3に変換しても精度は実質的に失われません。詳細な比較については、文字起こしにおけるWAVとMP3の比較をご覧ください。

M4A

Appleデバイスの標準形式。「MP4コンテナに入ったAAC」と表現されることもあります。

• 圧縮： 非可逆（AACコーデック）。同じビットレートならMP3よりわずかに効率的。
• サンプリングレート： 通常44.1kHz。
• ファイルサイズ： 128kbpsの60分ファイル＝約58MB。
• 向いている用途： iPhoneのボイスメモ、GarageBandの書き出し、Apple由来のあらゆる音声。

M4AとAACはほぼ同一です。M4Aがコンテナで、その中にあるコーデックがAACです。ほとんどのツールは両者を区別なく扱います。iPhoneのボイスメモをアップロード前に変換する必要はありません。

FLAC

可逆圧縮。WAVと同じ音質で、ファイルはより小さくなります。

• 圧縮： 可逆（音声データは一切削除されません）。
• サンプリングレート： 一般的には44.1kHzまたは48kHz。
• ファイルサイズ： ステレオの60分ファイル＝約300MB。
• 向いている用途： 非可逆圧縮の工程を一切許容できず、WAVより小さいファイルにしたいアーカイブ運用。

FLACが文字起こしのアップロードに適した形式になることはめったにありません。きれいな192kbpsのMP3と比べた精度の向上は、音声に関しては実質ゼロで、ファイルサイズは依然としてMP3よりずっと大きいままです。最も有用なのは、音声をさらに加工していくオーディオ愛好家向けやアーカイブ目的のパイプラインです。

OGG / Opus

オープンソースの形式。特にOpusは、WhatsApp、Discord、多くのWebRTCアプリがボイスメッセージに使用している形式です。

• 圧縮： 非可逆。Opusは低ビットレートで非常に効率的で、MP3やAACをしばしば上回ります。
• ファイルサイズ： 64kbps Opusの60分ファイル＝約29MB。
• 向いている用途： WhatsAppのボイスメッセージ、WebRTC録音、オープンソースのツール類。

OGGはコンテナ（MP4のようなもの）であり、VorbisとOpusはその中に格納できるコーデックです。64kbps以上であれば、Opusは音声明瞭度をよく保持します。

AAC

生のコーデック本体。通常はM4Aコンテナの中で提供されますが、単体の.aacファイルとして存在することもあります。

• 圧縮： 非可逆。同じビットレートならMP3よりわずかに効率的。
• ファイルサイズ： M4Aと同程度。
• 向いている用途： Apple Podcasts、iTunes Store、最新の放送ワークフロー由来のコンテンツ。

AACとM4Aは文字起こしツールによってまったく同じように処理されます。実務上、区別が必要になることはまずありません。

WMA

Windows Media Audio。2026年には珍しくなりましたが、レガシーシステムでは今も見かけます。

• 圧縮： 非可逆（Microsoft独自のコーデック）。
• 向いている用途： レガシーなWindows環境の録音。大量のファイルをまとめて処理する場合はMP3への変換を。

WMAは最新のツールの大半で受け付けられますが、ファイル数が多い場合は先にMP3へ変換する価値があります。後続の工程でコーデックのデコードに関するエッジケースに悩まされるのを避けられるからです。

動画形式

MP4

主流の動画コンテナ。中の音声は通常AAC、映像はH.264またはH.265が一般的です。

• 向いている用途： YouTubeダウンロード、画面録画、スマートフォンの動画、Loomの書き出し。
• 音声品質： 通常128〜192kbpsのAACで、文字起こしとの相性は良好です。

MOV

Appleの動画コンテナ。機能的にはMP4と似ています。

• 向いている用途： QuickTime録画、iPhone動画、ScreenFlow、Final Cut Proの書き出し。

WebM

オープンソースの動画形式。Google Meetの録画やブラウザベースの録画ツールでよく使われます。

• 音声： 通常Opus。
• 向いている用途： Google Meetの録画、Webベースのキャプチャツール、Twitchのダウンロード。

MKV

Matroskaコンテナ。柔軟性が高く、高品質なダウンロード動画によく使われます。

• 向いている用途： カンファレンスの録画、ダウンロードした講演、複数音声トラックを持つ高精細動画。

AVI、WMV、FLV

今でも出会うことのある古い形式です。

• AVI： レガシーなWindows動画。ほとんどのツールで受け付けられますが、選択できるならMP4への変換を。
• WMV： レガシーなWindows Media。同様のアドバイスが当てはまります。
• FLV： レガシーなFlash動画。2020年以降はめったに見ませんが、古い録画の一部では今も使われています。

これらのいずれの場合も、アップロード前にMP4へ変換すればファイルが小さくなり、特殊なコーデックのデコード問題も回避できます。

形式の選択が実際に問題になる場面

ほとんどの場合、形式の選択は問題になりません。最新のツールなら、MP3、WAV、M4A、MP4は文句なしに処理してくれます。問題になるのは次のようなケースです。

低ビットレートの非可逆ファイル。 32kbpsや48kbpsのMP3、強く圧縮された電話録音などは、子音がにじむほどの劣化があり、最高性能のモデルでも苦戦します。より高いビットレートで録り直せるなら、文字起こしの前に行いましょう。

非可逆から可逆への変換。 MP3をWAVに変換すると、元のMP3と同じデータ欠落を抱えた巨大なWAVファイルが手に入るだけです。変換は恒久的で、削除された音声を取り戻す方法はありません。文字起こし結果は元のMP3から得られるものと同じになります。

DRM保護されたファイル。 2009年以前のiTunes購入曲や一部のオーディオブックファイルには、抽出を妨げるDRMがかかっています。文字起こしするには先にDRMを解除する必要がありますが、利用形態によってはライセンス違反になる可能性があります。

可変ビットレートのエッジケース。 一部のVBRエンコードされたファイルは、ヘッダーが不正でデコーダーを混乱させることがあります。固定ビットレート（CBR）への再エンコードで確実に解決できます。

マルチチャンネルのサラウンド音声。 映像作品の録音に含まれる5.1ch音声トラックは、文字起こしの入力としては珍しいものです。ほとんどのツールは自動的にモノラルへダウンミックスしますが、ファイル自体を拒否するものもあります。

モノラルとステレオ

話者が1人だけのコンテンツなら、モノラルにすればファイルサイズが半分になり、精度は犠牲になりません。 音声は本質的にモノラルです。ステレオ録音でも、あなたの声は左右両方のチャンネルで同じ信号だからです。

唯一の例外は分割トラック方式のインタビュー録音で、片方の話者が左チャンネル、もう片方が右チャンネルにパンされているケースです。一部のツールはこのチャンネル分離を話者分離（ダイアライゼーション）に活用し、音響クラスタリングなしにチャンネルごとに話者をラベル付けできます。レコーダーが分割トラックに対応していて、文字起こしツールもチャンネルベースの話者分離に対応しているなら、有効にする価値があります。それ以外の場合は、モノラルで録音しましょう。

サンプリングレート

音声モデルの標準は16kHzです。このレートなら、人間の声の全周波数帯域（8kHz以下に収まる）を余裕をもって捉えられます。それ以上のサンプリングレート（CD音源の44.1kHz、放送の48kHz、スタジオ機材の96kHz）は、ファイルサイズを増やすだけで、音声認識の精度面でのメリットはありません。

事実上すべての文字起こしツールは、内部で16kHzにリサンプリングします。44.1kHzの音声をアップロードしても、同じ結果に対してアップロードが大きくなるだけです。回線が遅い場合は、アップロード前にリサンプリングしておくと時間を節約できます：

ffmpeg -i input.wav -ac 1 -ar 16000 output_16k.wav

ファイルサイズと実用上の上限

文字起こしツールはファイルサイズまたは長さに上限を設けており、無料プランは有料プランより厳しく設定されています。この傾向はどのツールでも共通しています。無料プランは月ごとの合計分数かファイルごとの長さで制限し、有料プランはその上限を大幅に引き上げるか撤廃します。

ファイルが上限に引っかかったときの選択肢は次のとおりです：

1. より効率的な形式に変換する。 600MBのWAVは192kbpsのMP3にすると約50MBになり、多くの場合、精度を犠牲にせずにサイズ上限をクリアできます。
2. 自然な間の位置でファイルを分割する。 AudacityでもFFmpegでも対応できます。
3. 可能ならURLベースのアップロードを使う。 ConvertAudioToTextをはじめ一部のツールはURLを受け付け、サーバー側でファイルをダウンロードするため、アップロード帯域を完全に回避できます。

FFmpegという切り抜け策

厄介な形式に行き詰まったら、FFmpegできれいなモノラルMP3に変換すれば、ほぼすべてのエッジケースを解決できます：

ffmpeg -i input.weird-format -ac 1 -ar 16000 -b:a 192k output.mp3

このコマンドは、FFmpegが読み込めるものであれば（つまりほぼすべてのファイルを）モノラル・16kHz・192kbpsのMP3に変換します。

形式一覧：クイックリファレンス

私の見解：この表で最も役立つのは、「動画の行はすべて『まず音声を抽出』に帰着する」と気づくことです。一度それを腹落ちさせてしまえば、動画ファイルのコンテナ選択を悩む必要性はほとんど消えます。

選択の余地があるときの形式の選び方

文字起こしを目的として新しく録音するなら：

• 話し声のみのコンテンツには192kbpsモノラルのMP3。 小さく、汎用的で、精度も十分です。
• Appleデバイスでネイティブ形式を使いたいなら128kbps AACのM4A。
• ストレージに余裕があり、工程内に非可逆圧縮を入れたくないなら16kHzモノラルのWAV。

動画関連の作業では、H.264映像＋128kbps以上のAAC音声のMP4が安全なデフォルトです。

FAQ

形式の選択は実際に文字起こしの精度に影響しますか？

実際にはほとんど影響しません。コンテナやコーデックよりも、形式の根底にある録音品質の方がはるかに重要です。きれいに録音された192kbpsのMP3は、同じ音声のWAVとほぼ同一の文字起こし結果になります。例外となるのは、非常に低いビットレート（64kbps未満）、強く圧縮された電話音声、ヘッダーが破損したファイルです。

アップロード前にファイルをWAVに変換すべきですか？

ソースがすでにWAVまたはロスレスの場合のみです。MP3やM4Aのような非可逆形式をWAVに変換しても、失われた音声データは復元されません。元の圧縮による劣化は恒久的なものです。変換してもファイルサイズが膨らむだけで、精度上のメリットはありません。

iPhoneのボイスメモを文字起こしするのに最適な形式は？

iPhoneがネイティブで使っているM4Aです。事前に変換する理由はありません。M4AはAACコーデックを使用しており、最新の文字起こしツールならすべて直接受け付けます。

文字起こしモデルはなぜ16kHzの音声を好むのですか？

人間の音声は8kHz以下に収まっています。16kHzのサンプリングレートなら、音声認識の目的において損失なく声の全周波数帯域を捉えられます。それ以上のレート（44.1kHz、48kHz）にはモデルが無視する周波数が含まれるため、アップロードしても時間がかかるだけで文字起こしの改善はありません。

ファイルが大きすぎてアップロードできない場合はどうすればいいですか？

選択肢は3つあります。より効率的な形式に変換する（600MBのWAVは192kbpsのMP3にすると約50MBになる）、AudacityやFFmpegで自然な間の位置でファイルを分割する、または文字起こしツールがURLを受け付けるか確認する（サーバー側でファイルをダウンロードできるため、アップロード帯域を完全に回避できます）。

参考資料

• AssemblyAI：音声認識に最適なオーディオファイル形式 - 確認日：2026-07-02
• ConvertAudioToText 料金ページ - 確認日：2026-07-02