動画リンクを貼り付けると、ダウンロードもインストールも不要で、最大320kbpsのMP3または音声ファイルが得られます。 YouTube、Vimeo、TikTok、Facebook、TwitterのURL、または任意の直接動画リンクをコピーすると、音声はリンクから直接抽出され、MP3にエンコードされます。同じツールはURLからMP3への変換、動画リンクから音声への変換として機能し、また、すでにデバイスにある音声ファイル（MP3、WAV、M4A、AAC、OGG、FLAC、このページの無料オンラインツールは最大2 GB）も受け付けます。アップロードまたは変換された音声には、タイムスタンプ付きのトランスクリプト（99言語に対応）、編集可能なAI要約、共有可能な再生リンク、および音声でトレーニングされたAIチャットが付属します。文字起こしのみが必要ですか？文字起こしツールをご覧ください。
アップロードはGDPR準拠サーバー上でAES-256暗号化されます。すべてのファイルはデフォルトでプライベートであり、オプションでパスワード保護と自動マルウェアスキャン機能があります。
リンクをMP3に変換
動画のURLを貼り付けるとMP3が得られます。事前に動画をダウンロードする必要はなく、インストールするものもありません。音声はリンクから抽出され、最大320kbpsで直接MP3にエンコードされます。
リンクからMP3への変換の仕組み：
- ブラウザのアドレスバーから動画のURLをコピーします
- このページのコンバーターに貼り付けます
- ビットレートを選択し、MP3をダウンロードします
これは、より広範なリンクから音声へのコンバーターとしても機能します。動画リンクを貼り付けて、MP3またはWAVを選択し、ダウンロードします。したがって、URLからMP3へのコンバーター、動画リンクから音声へのコンバーター、そして単なるリンクからMP3への変換はすべて同じボックスで行われます。
これはYouTube、Vimeo、Facebook、TikTok、Twitter、および直接動画URLに対応しています。YouTube単独の場合、YouTubeからMP3へのコンバーターはその単一ソースに特化されています。音声ではなく動画が必要な場合は、URLからMP4へのコンバーターを使用してください。ファイルがすでにマシンに保存されている場合は、動画から音声を抽出する機能がMP3、WAV、AAC出力を処理します。
無料プランは最大45分の録画の文字起こし2件とアップロード3件のお試しで、登録にカードは不要です。その後は7日間トライアル（年払いPro/Maxのみ、カード必要）または年払いで月$19のProプランで続けられます。
音声ファイルアップロードサービス - 入力と出力
音声ファイルをアップロードすると、サービスは4つの成果物を返します。ストリーミングリンク、完全なトランスクリプト、AI生成の要約、そして録音について質問できるプライベートチャットウィンドウです（「2番目の話し手は予算について何と言いましたか？」など）。
音声アップロードのフローの仕組み：
- ファイルをドロップゾーンにドラッグするか、クリックして参照するか、クリップボードから貼り付けます
- ファイルは音声ファイルアップロードサービスにアップロードされ、同時に文字起こしが開始されます
- トランスクリプト、要約、および共有可能なリンクがダッシュボードに表示されます。通常、1時間の録音であれば1分以内に完了します
アップロードサービスが受け付ける音声ファイル入力：
- MP3（あらゆるビットレート）
- WAV（PCM、16/24ビット）
- M4A（MP4コンテナ内のAAC）
- AAC（RAW）
- OGG（VorbisおよびOpus）
- FLAC（ロスレス）
- このページの無料オンラインツールは最大2 GB、ScreenAppアプリにはファイルサイズの上限なし
音声アップロードサービスは、ストリーミング再生中にソースビットレートを保持し、文字起こし用に別のコピーをリサンプリングします。どちらの処理も、アップロードした元のファイルを上書きすることはありません。
**MP3を無料でオンラインにアップロード。**最初のファイルはカード不要、サインアップ不要です。音声ファイルをページにドロップするだけで、数秒でトランスクリプトが表示されます。
音声ファイルをアップロードした後に得られるもの
各アップロードは、後で参照できる単一の処理済みレコードを生成します。このレコードには、オリジナルファイル（ダウンロード可能）、話者ラベルとタイムスタンプ付きのトランスクリプト、再生成または編集可能な要約、および音声内容に紐づいたチャットスレッドの4つの情報が同時に含まれています。
ホストされた再生リンクは副産物であり、目玉ではありません。アカウントなしで携帯電話やデスクトップで動作しますが、音声アップロードサービスの主な価値は、音声が検索可能なテキストになり、チャットを通じて問い合わせ可能になり、TXT、SRT、VTT、DOCX、またはJSONとしてエクスポートできることです。
アップロードされた音声ファイルが提供するもの：
- タイムスタンプ付き99言語対応のトランスクリプト
- 引用したタイムスタンプを示すAI要約
- 録音に関する質問に答えるチャット
- 話者ラベル（音声に複数の話者がいる場合）
- 字幕用のSRTおよびVTT字幕ファイル
- パスワードオプション付きの共有可能な再生リンク
- ファイルごとの分析：再生回数、地理的位置、完了率
音声ファイルアップロードサービスは、単一のドロップ、クリップボードからの貼り付け、または複数のファイル（有料プランでは一度に最大50個）のバッチ処理に対応しています。代わりにソース動画を渡す必要がある場合は、動画からリンクへのコンバーターがMP4/MOVに対応し、動画から音声を抽出する機能が音声を抽出して個別に処理します。
ブラウザからトランスクリプトへの音声アップロードの仕組み
MP3をページにドロップした瞬間に3つのことが起こります。ブラウザは分割アップロードを開始し、バックエンドは文字起こしジョブを登録し、進捗状況を確認できるようにプレースホルダーレコードが開きます。50Mbps接続での1時間MP3の典型的な時間は、アップロードに10秒、文字起こしに60秒で、ほとんど並行して実行されます。
音声ファイルがたどるステップ：
- ドロップゾーンがファイルを受け入れる（ドラッグ、クリックで参照、またはクリップボード貼り付け）
- 5MBチャンクでバイトがストリームアップされ、接続が切断された場合の再開サポート付き
- 文字起こしは最初のチャンクで開始され、最後のチャンクが着地した直後に完了する
- トランスクリプト、要約、チャットはすべて同じレコードに紐づけられる
バッチアップロードにより、有料ユーザーは最大50個の音声ファイルをキューに入れることができます。キューは並行して処理され、直列ではないため、20個の講義録音を含むフォルダは、最も遅いものがかかる時間とほぼ同じ時間で完了します。
アップロードごとに切り替え可能な設定：
- 共有可能リンクのバニティURL（有料）
- 再生ページのパスワードゲート
- 文字起こし言語（自動検出または99言語から選択）
- 話者ラベルのオン/オフ
- 公開、非公開、またはプライベートな公開設定
- ブログ投稿用の埋め込み可能なプレーヤースニペット
このページの無料オンラインツールは1件あたり最大2 GBで、ScreenAppアプリにはファイルサイズの上限はありません。有料プランでは文字起こしなどの上限が広がります。
**今すぐ音声ファイルアップロードフローをお試しください。**最初のファイルはカード不要、サインアップ不要です。ファイルをドロップしてください。
メールに添付する代わりに音声ファイルをアップロードする理由
メールサーバーは25MBを超える添付ファイルを拒否し、多くの企業ゲートウェイは圧縮音声を完全にブロックします。音声アップロードサービスは、受信者がどのブラウザからでも再生できるホストされたリンクと、聞く前に目を通せるトランスクリプトを提供します。メールの添付ファイルは、ダウンロード、保存、そして別のアプリケーションで開かなければならないアイコンしか提供しません。
優れた音声ファイルアップロードサービスと一般的なファイルホストの違いは何ですか？
優れた音声ファイルアップロードサービスは、一般的なホストがしない3つのことを行います。それは、ファイルを文字起こしし、トランスクリプトに話者ラベルを付け、音声内容全体を検索できるチャットを提供することです。DropboxやGoogle Driveはファイルを保存するだけですが、音声アップロードサービスはファイルを、読み、検索し、質問に答えられるテキストに変換します。
音声ファイルアップロードサービスをOtter、Notta、Sonix、Trint、Descriptと比較
それぞれの特徴:
- vs Otter.ai: Otterはその製品をライブ会議のキャプチャと英語の通話を中心に構築しました。アップロードされた音声ファイルはキューの最後で変換され、Otter ChatはProプランの背後にあります。ここの音声アップロードサービスは、アップロードされたファイルを第一級の対象として扱い、99言語でAIチャットを無料ティアで提供します。
- vs Notta: Nottaは同様の範囲のフォーマットを受け入れ、58言語に対応していますが、無料アップロードはファイルあたり5分、月間上限は120分に制限されています。ScreenAppの無料プランは、最大45分の録画の文字起こし2件です。
- vs Sonix: Sonixは、定期的な無料ティアなしで1時間あたり10ドルで利用できる従量課金制の文字起こしエンジンです。一度に30分利用できます。SonixにはAIチャットも組み込みの再生リンクもありません。ここのアップロードサービスは、同じアップロードからチャット、要約、ホストされたリンクを返します。
- vs Trint: TrintはEDLエクスポートや逐語モードでニュースルームのワークフローをターゲットにしていますが、無料ティアはなく、料金は月額80ドルから始まります。デスクを運営するのではなく、時折インタビュー音声をアップロードするジャーナリストにとって、ここの1分あたりの経済性は著しく低くなります。
- vs Descript: Descriptはアップロードされた音声を、波形をスプライスするためにカットできる編集可能なトランスクリプトに変換します。これは強力ですが、学習曲線が急です。ここのアップロードと処理の流れは、「ファイルをドロップし、文字起こしを読む」に近く、編集はオプションのままです。
フォーマット別音声ファイルアップロード処理時間
処理時間はコーデック、持続時間、ファイルがモノラルかステレオかによって異なります。標準処理キューでの1時間の録音のおおよその数値は以下の通りです。
| フォーマット | 標準ビットレート | アップロード時間 (50 Mbps) | 文字起こし実時間 |
|---|---|---|---|
| MP3 | 128-320 kbps | 5-15秒 | 45-70秒 |
| WAV (PCM 16-bit) | 約1411 kbps | 60-90秒 | 45-70秒 |
| M4A | 96-256 kbps | 5-15秒 | 45-70秒 |
| AAC | 96-256 kbps | 5-15秒 | 45-70秒 |
| OGG (Opus) | 64-128 kbps | 3-10秒 | 45-70秒 |
| FLAC | 約900 kbps (ロスレス) | 40-60秒 | 45-70秒 |
大きなWAVファイル（例：2GB）のアップロードは、一般的な家庭用回線で数分かかります。文字起こし自体はバイトが到着すると並行して実行されるため、通常、最後のバイトが着地してから1分以内にトランスクリプトが準備できます。
ファイル形式決定マトリックス
上記の処理時間表は、各形式のアップロードと文字起こしにかかる時間を示しています。以下のマトリックスは別の質問に答えます。そもそもどの形式を使用すべきか？形式の選択は、何で録音したか、そしてその後ファイルで何をしたいかによって異なります。
| フォーマット | 最適な用途 | 圧縮 | 推奨最大長 | 備考 |
|---|---|---|---|---|
| MP3 (320 kbps) | 一般的な音声、ポッドキャスト | 非可逆、高音質 | 最大4時間 | 広くサポートされている |
| WAV | プロフェッショナルな音声、マスター | 非圧縮 | 1-2時間 | ファイルサイズが大きい、最高音質 |
| M4A, AAC | iPhoneのボイスメモ、最新アプリ | 非可逆、効率的 | 4時間以上 | Appleデバイスのデフォルト |
| FLAC | アーカイブ、オーディオファイル | 可逆 | 4時間以上 | WAVより小さい、同品質 |
| OGG, Opus | ストリーミング、ボイスチャット | 非可逆、非常に効率的 | 可変 | ウェブプラットフォームで一般的 |
| WebM audio | ウェブ抽出音声 | 非可逆 | 2-3時間 | ビデオファイルから |
| 3GP | 古いモバイル録音 | 非可逆 | 1時間 | 最良の結果を得るにはアップロード前に変換してください |
経験則として：ファイルが電話から来た場合はM4Aです。ポッドキャストDAWから来た場合は、おそらくWAVまたはMP3です。会議プラットフォームのクラウド録音から来た場合は、M4A (Zoom) またはMP4から抽出された音声 (Meet, Teams) である可能性が高いです。これらはすべて直接入力できます。文字起こしパイプラインは、音声モデルに渡す前にすべてを16 kHzモノラルPCMの内部表現に正規化するため、ソースフォーマットが結果の文字起こし精度を変更することはありません (2026年4月のWER再テストによる)。
アップロード後、結果を文字起こしツールに渡して編集したり、音声が録画セッションのサウンドトラックである場合は出力をAIビデオ要約ツールに渡したりできます。
音声ファイルアップロードサービスの利用者
録音を処理するポッドキャスター。 完成したポッドキャストエピソードは、ステレオWAVまたはMP3としてハードドライブに保存されます。それをアップロードサービスにドロップして、ショーノート用の文字起こし、エピソード説明用の要約、そしてファイルがApple PodcastsやSpotifyに届く前にホストされたプレビューリンクを取得します。
インタビュー音声をアップロードするジャーナリスト。 記者会見からレコーダーを持って出てきた記者は、デバイスからM4Aを直接アップロードし、音声がまだ新鮮なうちに検索可能な文字起こしから引用を抽出できます。話者ラベルとタイムスタンプにより、90分のインタビューが数分でスキャン可能になります。
講義録音をアップロードする学生。 電話、ディクタフォン、Zoom録音はM4AまたはMP3ファイルを生成します。音声ファイルをアップロードすると、学生が検索（「講師はいつエンタルピーについて言及しましたか？」）、ハイライト、学習ノートに貼り付けできる文字起こしが生成されます。
文字起こしパイプラインにファイルを供給する文字起こし担当者。 フリーランスの文字起こし担当者や代理店は、MP3オンラインエンドポイントへのアップロードを事前処理として利用します。AIドラフトの文字起こしは1分以内に到着し、人間の文字起こし担当者はゼロから入力するのではなく修正を行います。単語レベルのタイムスタンプ付きJSON出力は既存のエディターに適合します。
音声のみのソースからキャプションを生成するアクセシビリティチーム。 公共ラジオのアーカイブ、口述歴史、コールセンターの録音などは、しばしば音声のみで存在します。アップロードサービスはこれらの音声のみのソースからSRTおよびVTTファイルを生成し、静的な波形と組み合わせたり、WCAG 1.2.1に基づいて代替テキストとして公開したりできます。
この音声ファイルアップロードサービスは、臨床医からのボイスメモ、レーベルを探しているミュージシャンからのデモトラック、コンプライアンスチームが監査証跡を必要とするトレーニング音声も処理します。
粗い録音からクリーンな文字起こしを得るには
文字起こしは、アップロードした音声の品質に依存し、いくつかの点が予想以上に役立ちます。録音に1人の大きな声の話者と1人の小さな声の話者がいる場合、エラーは小さな声の話者に集中するため、可能であればアップロード前にレベルを均一にしてください。音声の下にあるBGMも問題で、モデルは歌詞を単語として認識してしまいます。
ただし、スタジオ品質の音声は必要ありません。通常の部屋での電話のボイスメモはうまく文字起こしされます。困難なのは、激しいクロストーク、3人が同時に話す状況、硬くて空の部屋からの強いエコーがある場合です。ファイルにこれらのいずれかが含まれる場合、後でいくつかの話者ラベルを手動で修正する必要があると予想してください。圧縮されたMP3の代わりにWAVをアップロードすると、境界線上の音声でわずかに役立ちます。なぜなら、最初に圧縮で何も失われていないからです。
