WAVとMP3、文字起こしにはどっち？本当に大事なポイント（2026年版）

AI文字起こしにおいて、ファイル形式が結果に与える影響は、多くのガイドが示唆するよりもはるかに小さい。 およそ128kbps以上であれば、WAVとMP3から生成される文字起こしは実質的に同一だ。その機械的な理由は、主要な文字起こしエンジン（OpenAI Whisper、Deepgram、AssemblyAI）はすべて、処理前に音声を16kHzモノラルにリサンプリングするからだ。ナイキスト定理によれば、16kHzのサンプリングは8kHzまでの周波数を捕捉する。MP3エンコーディングが128kbpsで破棄する音響心理的な内容は、その上限を超えた領域に存在する。モデルはそもそもそれを聞いていないのだ。

とはいえ、WAVとFLACには特定の状況で真の利点がある。この投稿では、その正直なトレードオフを扱う。

文字起こしエンジンが実際に音声を処理する仕組み

ファイルをアップロードすると、エンジンはそれを生のままニューラルネットワークに流し込むわけではない。Whisper、Deepgram、AssemblyAIはすべて、音声を16kHzモノラル16ビットPCMに変換する内部の前処理ステップを実行する。Whisperはffmpeg経由でこれを行う。Deepgramはサーバー側で処理する。モデルはその後、正規化されたサンプルに対して動作する。

これは、フォーマット間の理論上の品質ギャップを解消するため重要だ。44.1kHzステレオWAVも128kbpsステレオMP3も、モデルには同じ16kHzモノラル信号として届く。上流で選んだ形式は、モデルが実際に処理する内容には無関係になる。

形式が重要になり始めるのは、そのリサンプリングステップの前に圧縮アーティファクトが聞こえる場合だ。歯擦音（s、sh、ch）、軟らかい摩擦音（f、th）、背景ノイズを伴う音声は、低ビットレートが痛手となる箇所だ。なぜなら、それらのビットレートが導入するアーティファクトは、音声認識が依存する300Hzから8kHzの範囲に正確に収まるからだ。

形式とファイルサイズの比較

以下の表は、1時間のモノラル音声録音を基準としている。WAVのファイルサイズはPCMの式（サンプルレート×ビット深度×チャンネル数×時間÷8）から算出。MP3のサイズはCBRの式（ビットレート×時間÷8）を使用している。

MP3の場合、選んだビットレートはすでに両チャンネルをカバーしている点に注意してください。128kbpsのステレオMP3と128kbpsのモノラルMP3は、エンコーダーがビット予算をチャンネル間で分配するため、ファイルサイズは同じです。モノラルで録音すれば、同じレートでビットあたりの品質が向上します。

形式が本当に重要になる場合

「ほとんど影響しない」という結論は、クリーンなスタジオ録音や、128kbps以上の明瞭なインタビュー音声に当てはまります。ロスレス形式に戻るべき状況がいくつかあります。

アーカイブと編集。 後で録音を編集、トリミング、再エンコードする予定なら、最初からロスレス形式で始めて、そのまま維持してください。ロスレスファイル（MP3からMP3、または編集後のMP3エクスポート）をエンコードするたびに、品質の損失が積み重なります。これは世代損失と呼ばれ、元に戻せません。WAVとFLACは再エクスポートしても劣化しません。アーカイブ目的なら、FLACが多くの場合より良い選択です。AssemblyAIの形式ガイド（2026年6月確認）によると、同じ品質でWAVより50〜60パーセント小さいファイルになります。

困難な音声環境。 背景ノイズ、話者の重なり、強いアクセント、低音量の録音は、どれも許容範囲を狭めます。64kbpsのMP3が生む圧縮アーティファクト（約11kHzでの周波数カットオフ、過渡音でのリンギング、歯擦音での時間的ぼやけ）は、エンジンがすでに除去すべきノイズにさらに加わります。そうした状況では、ロスレスがよりクリーンな入力を提供し、測定可能なほど良い結果をもたらします。

法務・医療向けの文字起こし。 録音が改変されていないことを示す必要がある場面もあります。WAVファイルは検証が簡単で、エンコード段階がない分、改ざんを疑われる可能性が少なくなります。

私の見解としては、通常の環境で録音したインタビュー、ポッドキャスト、会議には128kbpsモノラルMP3が適切です。アーカイブを作る場合や、後でファイルを編集する場合はWAVまたはFLACを使ってください。

サンプルレートの要因

サンプルレートは、録音が捉えられる周波数の上限を決めます（ナイキスト定理により、サンプルレートの半分まで）。文字起こしに関しては：

• 8kHz は最大4kHzまで捉えます。これは電話品質で、子音の詳細が欠落します。
• 16kHz は最大8kHzまで捉えます。これは多くの音声モデルのネイティブ処理レートであり、精度向上の実質的な上限です。
• 22.05kHz以上 は、モデルがリサンプリングで捨ててしまう詳細を捉えます。文字起こしの精度にはメリットがありません。

文字起こし専用に録音するなら、16kHzモノラルWAVが理論上の最適入力です。リサンプリングのオーバーヘッドがなく、圧縮アーティファクトもなく、その用途で最小のロスレスファイルになります。実際には、クリーンな音声での16kHz WAVと128kbps MP3の差はほぼゼロです。単語誤り率に本当に影響を与える要素については、文字起こし精度の解説をご覧ください。

モノラル vs ステレオ

ステレオは、WAVやFLACファイルのサイズをほぼ2倍にするだけで、文字起こしには何の役にも立ちません。音声はモノラル信号です。古いエンジンの中にはステレオファイルの左チャンネルしか処理せず、右チャンネルの音声を見逃す可能性がありました。現代のエンジンは両チャンネルを処理しますが、結局はモノラルミックスになります。

文字起こし用にはモノラルで録音・書き出しをしましょう。サイズの節約は確実で、精度への影響はゼロです。

他のフォーマットについて

FLAC。 可逆圧縮です。ファイルサイズはWAVより50〜60パーセント小さくなり、音声はビット単位で完全に保持されます。文字起こしに関しては、FLACはWAVと同じです。ストレージが気になる場合、アーカイブにはこちらが適しています。

M4A/AAC。 iPhoneとiPadのデフォルト録音フォーマットです。AACは同じビットレートでMP3より高品質を実現します。128kbpsのM4Aは、192kbpsのMP3とほぼ同等です。そのままアップロードしてください。

Opus。 音声圧縮を念頭に設計された最新のコーデックです。あらゆるビットレートでMP3を上回り、特に低ビットレートで顕著です。64kbpsのOpusファイルは、96kbpsのMP3より良い結果を生みます。対応は広がりつつありますが、MP3ほど普遍的ではありません。完全な互換性リストは、文字起こし対応オーディオフォーマットをご覧ください。

WMA。 マイクロソフトのフォーマットで、古いWindowsの録音でよく見られます。品質は同程度のビットレートのMP3に匹敵します。文字起こしに関して特別な利点も欠点もありません。

実践的なワークフロー

1. 録音は、デバイスが対応していればWAVまたはFLACで行います。
2. アーカイブは、編集や納品の前に可逆圧縮のオリジナルを保存します。
3. 文字起こしは、音声テキスト化ツールを使ってオリジナルから直接行うか、アップロードを小さくしたい場合は128kbpsのモノラルMP3から行います。
4. 確認は、ソースファイルのフォーマットを疑う前に文字起こし結果を見直します。背景ノイズ、複数話者、不明瞭な発言は、コンテナフォーマットよりもエラーの原因になりがちです。

すでに低ビットレートのファイル（64kbpsの電話録音や古いボイスメモ）を扱っているなら、そのままの形式で文字起こししてください。WAVに変換しても失われた音声データは復元されません。ファイルサイズが大きくなるだけで、精度向上のメリットはありません。

文字起こしサービスの隠れたコストを理解したい場合や、AIと人間の文字起こしが難しい音声をどう処理するかを比較したい場合は、それらの記事でトレードオフを詳しく解説しています。

ソフトウェアをインストールしたりファイル変換を管理したりせずに、きれいな文字起こしだけが必要なら、ConvertAudioToTextがWAV、MP3、FLAC、M4A、Opus、その他数十の形式を直接受け付けます。リサンプリングと音声の正規化はサーバー側で処理されます。

よくある質問

低品質のMP3をWAVに変換すると、文字起こしの精度は上がりますか？

いいえ。圧縮ファイルをWAVに変換しても、元の圧縮時に破棄された音声情報は回復しません。64kbpsのMP3をWAVに変換しても、元のMP3とまったく同じ音声になり、同じ文字起こし結果が得られます。ファイルは元の形式のまま文字起こししてください。エンジンは人為的に膨らませたファイルサイズから恩恵を受けません。

ポッドキャストのホスティングプラットフォームはどのビットレートを使っていますか？

ほとんどのポッドキャストホスティングプラットフォームは、音声コンテンツに128kbpsのモノラルMP3を推奨しています。これはすでに文字起こしの安全な下限なので、ダウンロードしたポッドキャストのエピソードを扱う場合は、変換せずにそのままアップロードできます。

動画ファイル内のオーディオコーデックは文字起こしに影響しますか？

文字起こし用に動画をアップロードすると、エンジンはまず音声トラックを抽出します。品質を決めるのはオーディオコーデック（AAC、AC3、Opus）とそのビットレートであり、動画の形式や解像度ではありません。ほとんどの動画ファイルは128kbps以上のAACで音声を収録しており、精度が低下する閾値を十分に上回っています。

文字起こし前にノイズリダクションを適用すべきですか、それとも形式の方が重要ですか？

ノイズリダクションは、フォーマット選択よりもはるかに大きな影響を与えます。ノイズを低減した128kbpsのMP3は、ノイズの多いWAVファイルよりもはるかに正確な文字起こしを生成します。音声が難しい場合は、まずAudacityやAdobe Podcast Enhance Speechなどのツールでクリーンアップしてから文字起こしを行ってください。クリーンな音声と、適切なビットレート（128kbps以上）の組み合わせが、信頼できる公式です。

出典

• OpenAI Whisper: 最適なサンプルレートに関する議論 - ffmpegによる16kHzへの内部リサンプリングを確認
• AssemblyAI: 音声認識に最適なオーディオファイル形式 - フォーマット推奨とFLACサイズの数値、2026年6月確認
• Deepgram: 対応オーディオ形式 - 100以上の対応フォーマット、2GBのファイルサイズ制限、2026年6月確認
• OpenAI Whisper APIの最適化: オーディオ形式とサンプルレート - フォーマットとビットレートの影響に関する実践的テスト
• SayToWords: 音声認識におけるMP3とWAVの比較 - ビットレート別の定性的な精度比較
• Sound On Sound: データ圧縮が音楽に与える影響 - 低ビットレートでのMP3アーティファクトの特性
• ミシガン大学: オーディオとビデオのデジタルアーカイブ - アーカイブ形式のガイダンス