AI文字起こしに渡す動画を小さくする:音声とMP4の選び方
30分の会話を起こすだけなら、映像を丸ごと送る必要はあるでしょうか。ビットレートで容量を見積もり、言語、音声トラック、短い試聴区間を決める方法を紹介します。
文字起こしに必要なのは話者の聞き取れる音声です。映像を使わないサービスなら音声だけを選び、画面の説明も扱う場合に限って低容量の映像付きファイルを用意します。
30分の素材をどの大きさで渡すか
| 入力の例 | 30分のおおよその容量 | 向いている用途 |
|---|---|---|
| AAC 128 kbps、M4Aコンテナ | 28.8 MB | 会話を起こすだけの場合 |
| 映像2 Mbps+音声128 kbpsのMP4 | 478.8 MB | 画面やスライドの時刻も参照したい場合 |
容量はビットレート×1,800秒÷8の概算(十進MB)で、実測値ではありません。44.1 kHzや48 kHzは1秒あたりの標本数です。圧縮後の容量は主にビットレートと長さで決まるため、標本数だけでは比較できません。
音声が分かれている配信の注意点
HLSのマスタープレイリストでは、映像候補の音声が別グループになっていることがあります。自分の許可素材で候補一覧に音声が別表示されたら、発話が入った言語の音声を選びます。映像だけのMP4や数KBのプレイリストを送っても声は起こせません。暗号化や認証が必要な配信は処理せず、提供元から正式な音声や字幕を入手します。
全編を送る前に20秒で試す
元映像で二人が話す場面の時刻を控え、保存ファイルで同じ場所を聞きます。片方だけ聞こえない場合は左右のチャンネルと選択言語を確認します。その20秒を試しに起こし、話者名や数字を聞き比べてから全編へ進みます。完成後に要点を抽出する場合は時刻に戻れる要約の作り方へ進んでください。
FAQ
48 kHzの音声を96 kHzに変えると認識しやすくなりますか?
元にない音は増えません。送信先の対応形式を確認し、元の声が聞き取れるか、チャンネルや言語を取り違えていないかを先に確かめます。
関連ページ
動画をAIで要約する前に、聞き取れる短い素材を作る
講演や会議の要約に、誰がいつ何を決めたかという裏付けを残すには。必要な発話を先に特定し、短い試し起こしから元映像への照合まで進めます。
自分の長尺動画から字幕と短いクリップを作る手順
インタビューの長い録画から、意味の通る25秒だけを切り出すには、どの音声と映像を選べばよいでしょう。字幕の時刻合わせからスマートフォンでの仕上げまでを追います。
iPhoneでX動画を保存したあと、「ファイル」から「写真」へ移す
Safariで保存したはずのX動画が「写真」に見当たらないときは、ダウンロード先を先に探します。「ファイル」からカメラロールへの取り込みと、動画本体かの判別方法です。
CNN動画を文脈と権利情報付きで保存する手順
CNNの公開動画や記事ページURLをAnyVidDLで1件ずつ確認して保存する手順と、外部埋め込みや地域制限などで失敗する際の対処法を解説します。