MP4をMP3に変換する方法：ビットレート・カット・端末別手順

MP4ファイルは、MPEG-4 Part 14規格(ISO/IEC 14496-14)で定められたコンテナで、複数のストリームを1つにまとめています。一般的なスマートフォンやカメラの動画には、H.264またはH.265で圧縮された映像ストリーム、AACで圧縮された音声ストリーム、そして撮影日や回転情報などの少量のメタデータが入っています。MP4をMP3に変換したいという人は、映像を変換したいのではありません。音声ストリームだけを、あらゆる音楽プレーヤー、カーステレオ、ポッドキャストアプリで問題なく再生できる形式で取り出したいのです。

ここに注意点があります。MP4の中の音声はMP3ではなくAACで、2つのコーデックは名前を付け替えるだけでは変換できません。本物のMP3を作るには、AACをいったん元のサンプルにデコードし、MP3エンコーダーでもう一度圧縮する必要があります。どちらも通常の処理で、一般的なクリップなら数秒で終わり、オンラインでもデスクトップでもツールの内部ではこの処理が行われています。映像ストリームはデコードされないので、同じ長さの動画を別の動画形式に変換するより、音声抽出のほうがずっと速く済みます。

AACもMP3も非可逆圧縮なので、1回目の非可逆圧縮の上にもう1回圧縮をかけることになります。不安に聞こえますが、実際に聞き分けられるようになるのは、2回目のビットが足りない場合だけです。MP3(正式にはMPEG-1 Audio Layer III)は1993年にISO/IEC 11172-3として標準化された古い規格で、AACよりやや効率が劣るため、元の音声より少し高いビットレートにしてください。動画の音声が128 kbpsのAACなら、160または192 kbpsのMP3にすれば、通常のヘッドホンではほとんどの人が違いを感じません。

再エンコードをまったく行わない方法もあります。M4Aは、映像ストリームがないだけでMP4と同じMPEG-4コンテナなので、AACトラックをビット単位でそのままコピーできます。デコードも再圧縮もしないため、結果は動画の音とまったく同じです。音声をiPhone、Mac、Apple Music、GarageBand、最近のAndroidスマートフォンで使うなら、MP4をM4Aに抽出すれば劣化はまったくありません。ブラウザやデスクトップのツールには、統一のためM4A出力でも再エンコードするものがありますが、適切なビットレートなら画質ならぬ音質への影響はMP3と同じくごくわずかです。

MP3の強みは互換性です。最後の特許は2017年にFraunhofer IISがライセンスプログラムを終了したことで失効し、何十年分ものハードウェアがMP3を前提に作られてきました。USBメモリを読むカーステレオ、安価なMP3プレーヤー、一部のDJソフト、ナレーション用ポータル、.mp3しか受け付けない多くのウェブフォームなどです。自分の機器の外にファイルを出す場合や、再生環境が分からない場合は、MP3なら問い合わせが来ることはありません。非圧縮やロスレスの選択肢については、MP3、WAV、FLAC、AACの比較ガイドで4つを並べて比較しています。

ビットレートは音声1秒あたりに使うキロビット数で、MP3のサイズはこれだけで決まります。映像は含まれないため、解像度、フレームレート、元の動画のサイズは影響しません。ビットレートに長さを掛けて8で割ると、サイズが分かります。1分あたり、128 kbpsで約0.96 MB、192 kbpsで約1.44 MB、320 kbpsで約2.4 MBです。そのため、1時間の講義を128 kbpsにすると約58 MB、4分の曲を320 kbpsにしても10 MB未満です。

各段階での聞こえ方はおおよそ予想できます。128 kbpsでは、声は自然で、音楽もスマートフォンのスピーカーやイヤホンなら問題ありませんが、良いヘッドホンではシンバル、拍手、残響の余韻がやや粗く聞こえることがあります。192 kbpsでは、ブラインドテストでMP3と動画本来の音を聞き分けられる人はほとんどいないため、MP4 MP3変換や多くのデスクトップアプリで標準になっています。MP3規格の上限である320 kbpsでは、ファイルがさらに約3分の2大きくなりますが、違いに気づく人はまずいません。

失望を最も減らせる原則は、動画にもともとなかった音質は、ビットレートを上げても戻らないということです。スマートフォンの録画は通常96〜256 kbpsのAACで、画面録画やメッセージアプリの動画はさらに低いことも多くあります。96 kbpsの音源を320 kbpsにエンコードしても、サイズが3倍になるだけで、ノイズも含めて96 kbpsの元と同じ音になります。迷ったら、メディア情報パネルで元のビットレートを確認し、一覧の最上位ではなく、その1段上を選んでください。

動画全体を音声にしたい人は多くありません。2時間のコンサート録画から1曲、ウェビナーから5分間の回答、ゲーム録画から効果音など、必要なのは一部です。抽出と同時に切り出せば、全部を抽出してから編集するより速く、不要な部分を扱わずに済みます。動画の音声抽出で詳細設定を開き、開始位置と終了位置に、95のような秒数、または1:35のような分:秒を入力してください。片方を空欄にすると、先頭または末尾までになります。正確な時間は、先に動画を再生して確認しておきましょう。

切り出した音声を、ぶつ切りではなく自然に聞かせるコツが2つあります。1つ目は、最初の声や音の1秒ほど前から始めることです。音のちょうど頭で切ると立ち上がりが欠けて、唐突に聞こえがちです。2つ目は、後ろの席から撮った講義の動画のように音が小さい場合に、音量を正規化にチェックを入れることです。話し声の一般的な目標値である−16 LUFSに揃えるので、ほかのファイルと同じくらいの音量で再生できます。動画に別の言語や解説が入っている場合は、音声トラックで、MP3にするものを選べます。

動画から作ったMP3は、通常ファイル名くらいしか情報がありません。音楽プレーヤーは、ファイル内のID3タグからタイトル、アーティスト、アルバム、ジャケット画像を読み取り、ID3v2ならカバー画像も埋め込めます。Windowsでは、MP3を右クリックしてプロパティ、詳細の順に開き、タイトル、アーティスト、アルバムを入力します。Macでは、ミュージックアプリに追加して情報を見るを選び、アートワークのタブに画像を貼り付けます。Mp3tagなどの無料のタグエディタなら一括で処理でき、講演やエピソードをまとめて抽出した場合に便利です。

どのプラットフォームにも動画から音声を取り出す方法はありますが、MP3を直接作れるものは多くありません。Macでは、QuickTime Playerのファイル → 書き出す → オーディオのみで音声だけ保存できますが、結果はMP3ではなくM4Aです。そのあと、ミュージックアプリで設定 → ファイル → 読み込み設定をMP3エンコーダにし、ファイル → 変換 → MP3バージョンを作成を選べばMP3にできます。Windowsにはこのための標準機能がないため、無料で使える一般的な方法はVLCで、メディア → 変換/保存のダイアログにAudio - MP3プロファイルがあります。AudacityもFFmpegライブラリを入れればMP4を開け、そこからMP3に書き出せます。

スマートフォンは選択肢がより限られます。iPhoneでは、ショートカットアプリのメディアをエンコードアクションにオーディオのみのスイッチがあり、ライブラリの動画からM4Aを保存できます。使えますが、ショートカットの作成に数分かかり、出力もMP3ではありません。Androidには、システム全体で使える同等の機能がなく、Playストアの音声抽出アプリの多くは広告が多いか、広範なストレージ権限を求めます。クリップを音声ではなくテキストにしたい場合は、音声の文字起こしの解説が、この記事の続きになります。

ブラウザで行う方法は、どの機器でも同じです。動画をアップロードし、ビットレートを選び、MP3に抽出 →を押してファイルをダウンロードします。UltKitは1ファイル95 MBまでの動画に対応し、アプリもアカウントも不要で、アップロードしたファイルもMP3も処理の30分後にサーバーから削除されます。95 MBを超える長い録画は、先に解像度を下げると小さくできることが多く、音声だけが必要なら映像の画質は問題になりません。以下の手順は、デスクトップアプリからスマートフォンのブラウザまで、各環境での最速の方法をまとめたものです。

音声の抽出に失敗する原因は、ほとんどが次の4つのいずれかですが、エラーメッセージで原因が示されることはあまりありません。最も多いのは、動画に音声ストリームそのものがないケースです。画面収録アプリの中には、マイクやシステム音を有効にしない限り映像しか記録しないものがあり、SNSアプリでは音声なしで保存したクリップから音が取り除かれていることもあります。2つ目はコピー防止です。iTunes Storeなどで購入またはレンタルした映画やドラマ、配信アプリ内に保存したダウンロードはDRMで暗号化されており、一般的な変換ツールでは中の音声を読み取れません。音声トラックにも著作権があるのはファイル形式に関係なく同じですので、変換するのはご自身で作成した動画、または利用する権利のある動画だけにしてください。

残りの2つは、アクセスではなくタイミングに関する原因です。画面収録や一部のスマートフォンの撮影データは可変フレームレートを使っており、タイムスタンプに途切れや飛びがあるものもあります。そのため、抽出した音声が動画より1〜2秒短くなったり、編集ソフトで動画と合わせたときにずれたりすることがあります。先に動画変換で一定のフレームレートに保存し直すと、たいていは両方とも解消します。最後に、数百KBほどしかなく再生しても無音のファイルは、間違った音声トラックを選んでいることが多いです。各トラックを10秒ずつ抽出してみると簡単に確認できます。