ガイド

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。

更新日
2026-11-03
著者
AnyVidDL content team

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。

文字起こしに必要な素材を選ぶ — 声だけで足りる / 映像の文脈も必要 / 提出前
ファイルが小さくても、声が欠けていれば文字起こしには使えません。

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