MP4 文字起こし：動画をテキストに変換する

MP4を文字起こしするには、TranscribeNextのようなAI文字起こしサービスに動画ファイルをそのままアップロードします。音声を抽出したりファイルを変換したりする必要はありません。音声トラックはコンテナから直接読み取られ、タイムスタンプと話者ラベル付きのテキストとして返されます。当社が処理した5,266件のMP4では、30〜60分の録画が中央値3.8分で完了しました。下にファイルをドロップしてお試しください。最初の5分はアカウントなしで無料です。

結論から： MP4をAI文字起こしツールにアップロードし、言語を自動検出させ、テキストを確認してTXT・DOCX・PDF・SRT・VTT・JSONのいずれかで書き出します。MP4を変換したり音声を抽出したりする必要はありませんが、ファイルが大きく回線が遅い場合は、先に音声トラックだけ取り出すとアップロード量がギガバイト単位からメガバイト単位に減ります。その判断材料となる数値は後述します。

開示：TranscribeNextは当社の文字起こしサービスです。本ページの測定値は当社の本番データに基づくもので、判断できるようサンプル数を併記しています。YouTubeの自動字幕、Microsoft Word、ローカル実行のWhisperが適している場面についても解説します。

MP4の中身と、実際に文字起こしされる部分

MP4は音声形式ではなく、厳密には動画形式でもありません。コンテナ、つまり複数のトラックを束ねる入れ物です。通常は映像トラック（H.264またはHEVC）と音声トラック（多くはAAC）が入っています。文字起こしが読むのは音声トラックだけで、ファイルサイズの大部分を占める映像は捨てられます。

この一点が、MP4の文字起こしにまつわる疑問のほとんどを説明します。2 GBのファイルと40 MBのファイルから同じ文字起こしが出てくる理由、アップロード前に「MP4をMP3に変換」しても精度が変わらない理由、そしてスマートフォンで撮ったMP4が同じ会話のMP3より精度が落ちることがある理由です。

実際のコストを見てみましょう。以下は当社へのアップロードから測定した、録画1分あたりの中央値サイズです。

一般的なMP4は、その中の音声の約9倍のデータを抱えています。 当社に送られてくるMP4の中央値は18分の録画で84 MB、上位5%は1.3 GBを超え、これまでで最大のものは4.9 GBでした。その4.9 GBのファイルに含まれる音声トラックは数十メガバイトにすぎず、残りはすべて文字起こしが一度も見ない映像でした。

MP4は当社へのアップロードで3番目に多い形式で、5,266件、全体の14.7%を占めます（MP3とM4Aに次ぐ）。Zoom、Teams、QuickTime、OBS、スマートフォンのカメラ、画面録画ソフトが出力する形式であり、だからこそ多くの文字起こしが動画から始まります。対応する形式と、それぞれの長さ・サイズの上限は対応する音声・動画形式にまとめています。

MP4をテキストに変換する5つの手順

MP4を文字起こしするには、ファイルをアップロードし、話されている言語を確認し、AIに音声トラックを処理させ、結果を確認して必要な形式で書き出します。

1. 元のMP4を使う。 再エンコード、劣化を伴う編集ソフトでのトリミング、変換サイトの経由は避けてください。再エンコードのたびに音声の情報が失われ、文字起こしはその音声を読んでいます。録画機から出たままのファイルが最良の素材です。
2. MP4をアップロードする。 ページ上部のエリアにドロップするだけです。音声を抽出したりMP3に変換したりする必要はなく、コンテナから音声トラックが自動的に読み取られます。MOV、MKV、WebM、AVI、M4Vも同様です。
3. 言語を確認する。 自動検出でほとんどの録画に対応できます。音量が小さい、訛りが強い、複数言語が混ざる場合は、冒頭数秒からの推測に任せるより、言語を明示的に指定するほうが確実です。
4. 処理を待ち、音声と突き合わせて読む。 人名、数字、略語、引用、発言が重なっている箇所を確認してください。機械の文字起こしが間違えるのはそこであり、そこが最も重要な部分でもあります。
5. 話者に名前を付けて書き出す。 編集を続けるならDOCX、送付するならPDF、プレーンテキストならTXT、動画に字幕を戻すならSRTまたはVTT、他のプログラムに読ませるならJSONを選びます。

MP4の文字起こしにはどれくらい時間がかかるか

多くのツールは「数分で完了」と答えます。事実ではありますが、判断の役には立ちません。以下は完了したMP4処理の実際の分布です。ファイルが到着してから文字起こしが仕上がるまでを端から端まで測定した、中央値と90パーセンタイルです。

この表から読み取れることが2つあります。1つは長いファイルほど相対的に速いという点です。1時間のMP4は実時間の約18倍の速さで処理されるのに対し、短いクリップは5倍未満にとどまります。3分のファイルではアップロード、順番待ち、モデルの起動といった固定コストが支配的になるためです。もう1つは中央値と90パーセンタイルの差が大きいことで、その差のほとんどは処理時間ではなくアップロード時間です。1.3 GBのMP4は、家庭用回線では文字起こしされている時間よりも送信されている時間のほうがはるかに長くなります。次の節はその問題への対処です。

アップロード前にMP4から音声を抽出すべきか

通常は不要です。必要ありませんし、変換を挟むたびに音声が劣化する可能性が生まれます。ただし明確に価値がある場合が1つあります。大きなMP4を遅い回線で送るときです。

映像トラックはどのみち捨てられるので、アップロード前に取り除いても精度は一切変わらず、当社データの中央値のMP4ではおよそ89%のデータ量が減ります。上位5%、つまり1.3 GBを超えるファイルでは、失敗しやすい長時間のアップロードが短時間で済むようになります。

FFmpegがあれば、次のコマンドで音声トラックを再エンコードせずにコピーできます。何も失われません。

ffmpeg -i recording.mp4 -vn -acodec copy recording.m4a

-vnで映像を除き、-acodec copyで音声をそのまま通します。出来上がるM4Aには、文字起こしがもともと読むはずだった音声がそのまま入っています。このファイル形式についてはM4Aをテキストに変換する方法で、58分の会議録音を使った実測とあわせて解説しています。この段階でMP3に再エンコードするのは（-acodec libmp3lame）、後工程がMP3を要求する場合を除いて避けてください。劣化を伴う往復であり、音声を悪くすることしかできません。

MP4の文字起こし精度を実際に左右するもの

競合ページは「精度98%」「99.9%」と謳いますが、何を、どんな音声で、誰の書き起こしを基準に測ったのかは示されていません。これらの数値は互いに比較できず、あなたのファイルの結果を予測するものでもありません。精度は通常単語誤り率、つまり人手による基準に対して挿入・削除・置換された単語の割合で表され、ツールの違いよりも録音状態によってはるかに大きく変動します。

影響が大きい順に、おおよそ次のとおりです。

• 発言の重なり。 2人が同時に話す状況が最も難しく、しかも最も文字起こししたい会議でこそ頻繁に起こります。
• マイクとの距離。 会議机の向こう側にあるノートPCのマイクは、声より部屋の音を拾います。ヘッドセットやピンマイクは、どんな設定変更よりも効果があります。
• 背景ノイズ。 空調、カフェ、交通音、キーボードの打鍵音はいずれも精度を下げます。定常的なノイズより、断続的なノイズのほうが影響は大きくなります。
• 訛りと専門用語。 人名、薬剤名、判例引用、銘柄コード、社内用語は最も誤りやすく、たいてい最も重要な語でもあります。
• 音声ビットレート。 MP4が本当に不利になりうるのはここです。画面録画ソフトやWeb会議アプリは、32 kbpsのモノラルAACトラックを書き出すことがあります。録音時に失われた情報は後から取り戻せません。
• コーデックとコンテナ。 ほぼ無関係です。同じ音源のMP4とMP3は同じ結果になります。

率直にまとめると、1〜2人がマイクの近くで話したクリアな録音なら、AIの文字起こしは軽い校正で足ります。騒がしい6人の会議をスマートフォンで録ったものなら、本格的な修正が必要です。市場のどのツールもこれを免れません。あなたのファイルについて単一の精度パーセンテージを提示するページは、推測を述べているだけです。動画ではなく音声の録音であれば、音声をテキストに文字起こしする方法でMP3・WAV・M4Aについて同じ範囲を扱っており、WordやローカルのWhisperが適する場面にも触れています。

MP4の文字起こしは無料でできるか

どのサービスでも部分的には無料です。ただしこの分野で「無料」が指すものは大きく異なるため、どの型を提示されているかを見極める価値があります。

• 分数で区切られた無料トライアル。 最も一般的な形です。決められた文字起こし時間を使い切ると有料になります。
• すべてのファイルの無料プレビュー。 当社の方式です。どのMP4でも最初の5分をアカウントなしで即座に文字起こしするので、判断する前にご自身の音声で品質を確かめられます。
• 「永久無料」、広告付きまたは制限付き。 多くの場合、扱えるファイルが短い、話者ラベルがない、プレーンテキスト以外に書き出せない、あるいは録音がモデルの学習に使われることを意味します。見出しではなく利用規約を確認してください。
• 本当に無料でオフライン：自分のPCで動かすWhisper。 費用はかからず、データも一切外に出ません。その代わり導入作業とハードウェアは自前です。機密性の高い素材にとっては妥協案ではなく、正しい選択肢です。

MP4の文字起こし：方法の比較

話者ラベル：誰が何を話したか

話者ラベルのない会議の文字起こしは、ただの文字の壁です。話者分離（ダイアライゼーション）は文字起こしを発言のまとまりに分割し、それぞれにラベルを付けるので、会話として読めるようになります。

話者が検出されたMP4のうち、2人の録音が圧倒的に多く、次いで3人、そして1人と続きます。インタビュー、1対1の通話、ポッドキャストから予想されるとおりの分布です。6人以上のファイルも存在しますが裾野であり、話者分離が最も誤りやすい領域でもあります。人数が増え、発言が重なるほど問題は難しくなります。

自動ラベルは「話者1」「話者2」といった形で出力され、一度名前を変更すれば文字起こし全体に反映されます。当社のエディタでは、話者名を単独の行に入力することで、ある範囲の発言を別の話者に付け替えることもできます。2人が1つのラベルにまとめられてしまった場合に便利です。

対応言語

文字起こしは100以上の言語に対応しており、MP4のアップロードでも多くの言語が使われています。当社のデータでは英語がMP4ファイルの約83%を占め、以下スペイン語、フランス語、中国語、ロシア語、韓国語、ポルトガル語、アラビア語、ヘブライ語、日本語と続きます。

実務上の注意が2点あります。自動検出は冒頭の数秒を手がかりにするため、音楽や無音で始まる録画では誤検出が起こりえます。最初の言葉が発話でない場合は言語を手動で指定してください。また、文の途中で言語が切り替わる録音はどのツールにとっても本当に難しく、切り替え地点は手作業での修正を見込んでおくべきです。

エクスポート形式

どの形式を選ぶかは、その文字起こしを次に何に使うかで決まります。

• TXT — プレーンテキスト。検索、貼り付け、他のツールへの受け渡しに。
• DOCX — WordやGoogleドキュメント。文字起こしをさらに編集する場合に。
• PDF — 送付や保管のための固定レイアウト文書。
• SRT・VTT — 字幕ファイル。元のMP4にテキストを戻すために使います。動画を文字起こしする理由として最も多いものの1つです。動画をYouTubeに公開する予定なら、自動字幕ではなく自作字幕をアップロードすべき理由を先に読むことをおすすめします。
• JSON — タイミング、話者、単語単位のデータ。他のプログラムから利用する場合に。

プライバシー：アップロードした動画の扱い

顧客との通話、診察、社内会議など機微な内容をアップロードする前に、当社を含めどのサービスについても3点を確認してください。ファイルがモデルの学習に使われるか、どれくらいの期間保持されるか、そして削除できるか。これらが明記されていない場合、それ自体が答えだと考えるべきです。法的に組織外へ出せない素材については、ローカルでWhisperを実行してください。どれだけ費用を払っても、クラウドサービスがこの前提を変えることはありません。

MP4からより良い文字起こしを得るには

• そもそも良い音で録る。 話す人の近くにマイクを置くことに勝る後処理はありません。
• 録画する会議では発言を重ねないよう依頼する。 誤りの最大の原因です。
• 元のファイルをアップロードする。 再書き出し版でも、再生画面を録画したものでも、チャットアプリを経由した圧縮コピーでもなく。
• 可能なら冒頭で人名や専門用語をはっきり発音する。 最初の1回が明瞭であれば、以降の出現でも正しく認識される可能性が高まります。
• もっともらしさではなく、音声と突き合わせて校正する。 機械の文字起こしは自然で説得力のある形で間違えます。すらすら読める文でも誤っていることがあります。