MP4を文字起こし。 MP3への変換は要りません
MP4を放り込むだけで、話された言葉が取り出せます。音声トラックはコンテナから自動で抜き出されるので、MP3に書き出す中間工程はありません。二度目の圧縮で音質を落とすこともありません。
手元に残るのは、たいていMP4
スマートフォン、画面録画ソフト、会議ツール、ミラーレスカメラ。ほとんどどの機器に動画を撮らせても、ディスクに残るのはMP4です。どこでも再生でき、誰もそのことを意識せずに済むコンテナだったからこそ、この地位を得ました。
そしてこの普及ぶりが、多くの人がいつかMP4を文字起こしする必要に迫られる理由でもあります。その録画は文字にすることを前提に撮られたわけではなく、単にその瞬間を記録した機器の既定の出力だっただけです。
だからこそ、MP4をテキストに変換する前に知っておく価値があります。MP4はコーデックではなくコンテナです。中には2本の別々のストリームが同居していて、映像はたいていH.264かH.265、音声はAACです。以下のことはすべて、この一点から導かれます。
容量の95%は映像
一般的なMP4では映像ストリームが音声を圧倒します。文字起こしで欲しいものはすべて、音を運ぶわずか数パーセントの中にあります。
読まれるのは音声だけ
映像ストリームは認識が始まる前に捨てられます。同じ長さなら4Kのファイルも480pのファイルも、同じ結果を同じ料金で返します。
形式を選んだ覚えはないはず
MP4は機器が勝手に渡してきたものです。つまり中の音声は「読む」ためではなく「観る」ために録られている。精度を左右するのはそこです。
実際の制約はサイズ
先に頭打ちになるのは分数ではありません。スマートフォンの映像なら、長さの上限よりずっと手前でサイズの上限に達します。
MP4をテキストに変換するとは何をすることか
MP4をテキストに変換するとは、ファイルをデマルチプレクス（音声ストリームと映像ストリームに分離）し、音声だけに音声認識をかけることです。映像は文字起こしが始まる前に捨てられるため、解像度は料金にも結果にも影響しません。
この定義から4つのことが導かれ、最初の1本をアップロードする前によく聞かれることのほとんどは、その4つで説明がつきます。
- 変換ではなく分離 取り込み時に再エンコードは行いません。既存の音声ストリームをそのままコンテナから取り出すので、この段階で音質が落ちることはありません。
- MP3への書き出しは不要 古い解説が「まずMP3にする」と教えるのは、当時のツールが音声しか受け付けなかったからです。今その工程は余分で、MP3に再圧縮すれば音は悪くなる一方です。
- タイムスタンプは音声から 各行にいつ話されたかが付きます。だからこそ、同じ文字起こしを追加作業なしでSRT字幕ファイルにできます。
- すでに音声ファイルがある場合 MP3・WAV・M4Aなど動画でないファイルは、音声側のツールがそのまま扱えます。同じエンジン、同じクレジット、工程が1つ少ないだけです。
MP4を文字起こしする4ステップ
すべてブラウザ上で完結します。インストールは不要で、事前にファイルを準備する必要もありません。
MP4をそのままアップロード
ディスクからファイルをドラッグするだけです。ブラウザから直接ストレージへ送られるため、容量の大きい録画でも途中のサイズ制限に引っかかりません。
音声トラックが抜き出される
コンテナが開かれ、音が映像から切り離され、音だけが先へ進みます。これは自動で行われる処理で、あなたが操作する工程ではありません。
音声認識が走る
話されている言語が100以上の中から判定され、結果はタイムスタンプ付きのセグメントに分かれて返ってきます。その場で読んで直せます。
必要な形式で書き出す
資料に使うならプレーンテキスト、字幕として動画に戻すならSRTやVTT。1回の実行から好きなだけ形式を持ち出せます。
10分のMP4なら通常1分以内に返ってきます。長いファイルは内部で分割して処理し、あとで結合するので、2時間のファイルでも2分のファイルと同じ手順で扱えます。
実際に文字起こしが必要になる録画
そのほとんどは、文字起こしを想定して撮られていません。それが例外ではなく通常です。
会議の録画
会議ツールからMP4として書き出されたもの。音が空気ではなく回線を通って届いているため、手に入る中では最もきれいな音声です。
画面録画
チュートリアル、操作説明、不具合の報告。システム音声とマイクの組み合わせで、しかも巻き戻して探すのが苦痛になる程度には長い。
講義・研修
1人が1時間以上話し続ける形式。検索できる文字起こしが1ファイルあたり最も時間を節約してくれるのがここです。
スマートフォンでの取材
その場にあった端末で撮ったもの。ビットレートは高く、ファイルは大きく、そして声は意図より遠くから録れています。
動画版ポッドキャスト
エピソードはもう完成しているのに、ショーノートはまだない。文字起こしがあれば、その作業は聴き直しではなく編集になります。
イベントの記録映像
引用する価値のある講演が、誰も最後まで見返さないファイルに埋もれている。引用可能にするのはテキストです。
45分のウェビナー およそ6,000語で返ってきます。記事1本、ニュースレター1通、切り抜き数本ぶんの素材としては十分です。
2時間の講義 480pならおよそ200MBで、2つの上限のどちらにも余裕で収まります。内部で分割され、1つの文字起こしとして返ります。
10分のインタビュー 1080p60なら1.2GBに達することもあります。サイズ上限には十分収まりますが、分数とメガバイトが別の尺度だと分かる例です。
30秒のクリップ 250クレジット。課金は録画の長さに従うので、解像度に関わらず短いファイルは安く済みます。
何を入れて、何が出るか
MP4とその仲間
MOV・AVI・MKV・WebMも同じ扱いです。これらもコンテナなので、音声はどれからも同じ方法で取り出されます。
読むためのTXT
タイムコードあり・なしを選べるプレーンテキスト。議事録、検索、引用、下書きへの流し込みならこれです。
字幕用のSRT・VTT
YouTube、Premiere、Final Cut、各種プレーヤーにそのまま入る同期済みファイル。SRTにMP4と同じ名前を付ければ、多くのプレーヤーが自動で読み込みます。
100以上の言語
自動判定されます。途中で言語が切り替わる録画も、それぞれの箇所が話されたとおりの言語で書き起こされます。
字幕は映像に焼き込まれません。SRTは独立したファイルのままなので、人名や用語を直すのに動画を再書き出しする必要はありません。
MP4からきれいな文字起こしを得るには
MP4の音声は、たいてい誰も文字起こしのことを考えないうちに録られています。録り直しはできませんが、何が精度を下げるかを知っておけば、直せるものと受け入れるものが分けられます。
- カメラマイクとの距離 スマートフォンやカメラのマイクは話者から数メートル離れていて、声と一緒に部屋そのものを拾います。スマートフォンで撮ったMP4が画面録画より精度で劣る最大の理由がこれです。
- 画面録画が有利 音声が空気ではなくシステムから来る場合、部屋の反響も距離も操作音もありません。この種のファイルは一貫して最良の結果を出します。
- BGM 会話の下に敷かれた音楽は、エアコンのような一定のノイズよりずっと認識を妨げます。文字起こしの後ではなく前に取り除いてください。
- 複数人が同時に話す 発言の重なりは、崩れた箇所が生まれる最も多い原因です。後からできることはないので、その部分は手で直す前提で考えてください。
- 固有名詞と専門用語 製品名や技術用語は、精度97%の文字起こしでも粗が出るところです。書き出したテキストに置換を一度かければ1分もかかりません。
MP4は実際どこまで長くできるのか
有料プランは1ファイルあたり120分または2GBまでで、先に達したほうが上限になります。そしてどちらに先に当たるかは、録り方によって完全に決まります。決めるのは長さではなくビットレートです。以下は代表的なビットレートからの概算で、実際のファイルとは異なる場合があります。
| 録画の種類 | 代表的なビットレート | 2GBで収まる長さ | 120分の容量 | 先に当たる上限 |
|---|---|---|---|---|
| スマートフォン 4K | 45 Mbps | 約6分 | 約40GB | サイズ |
| スマートフォン 1080p60 | 25 Mbps | 約11分 | 約22GB | サイズ |
| スマートフォン 1080p30 | 17 Mbps | 約16分 | 約15GB | サイズ |
| 画面録画 1080p | 8 Mbps | 約33分 | 約7GB | サイズ |
| 会議の書き出し 720p | 2 Mbps | 約2.2時間 | 約1.8GB | 長さ |
| 講義 480p | 1 Mbps | 約4.4時間 | 約0.9GB | 長さ |
ファイルが大きすぎる場合： アップロード前に低いビットレートで再エンコードしてください。スマートフォンの映像を1080p60から720pに落とせば容量はおよそ10分の1になりますが、文字起こしの結果は一切変わりません。映像の再エンコードは音声トラックに手を触れないからです。ファイルを分割するのも有効ですが、その場合は2つの文字起こしを手で繋ぐことになります。役に立たないのは先にMP3へ変換することです。音声は同じで、工程が1つ増え、圧縮が1回余分にかかるだけです。
テキストになると何ができるか
以下のツールはすべて、文字起こしと同じクレジット残高から使えます。追加の契約は必要ありません。
MP4の文字起こしについて
最初のMP4を無料で文字起こし
新規アカウントには約10分ぶんの文字起こしが含まれています。デモ用のクリップではなく、実際の録画を一本通して自分の素材で結果を確かめてみてください。
MP4を文字起こしする