m4aファイルを文字起こしする方法｜変換不要・アップロードなしでテキスト化

作成日：2026年9月20日 7:17更新日：2026年10月8日 21:23読了時間：約 8 分

iPhone のボイスメモや IC レコーダーで録音したファイルは、拡張子が「.m4a」になっています。この形式は文字起こしのサービスによっては読み込めず、「先に MP3 へ変換してください」と案内されることがあります。ただ、変換が必要かどうかは使うツールが対応している形式で決まり、m4a そのものが扱いにくい形式というわけではありません。

この記事では、m4a ファイルを形式変換せずにそのまま文字起こしする手順を、録音を PC へ移すところから話者ごとの書き分け、字幕ファイルの書き出しまで通して説明します。

この記事でわかること

m4a のまま文字起こしできる理由
録音を PC に移す手順
ブラウザで m4a を文字起こしする手順
話者を分ける方法と、字幕ファイルの書き出し方
うまくいかないときの対処法

PC と Chrome または Edge のブラウザ、そして「.m4a」の音声ファイルがあれば始められます。会員登録やアプリのインストール、ファイルのアップロードや形式の変換をしなくても、最後まで進められます。

m4a のまま文字起こしできる理由

「m4a」は音声を AAC という方式で圧縮して格納するファイル形式で、iPhone のボイスメモ、Android の録音アプリの一部、そして多くの IC レコーダーが標準の保存形式として採用しています。音声データとしては MP3 と同じように扱えますから、対応しているツールさえ選べば変換する必要はありません。

変換を求められるのは、そのサービスが内部で使っているライブラリが m4a を読めないためだと考えられます。私が作っている「Transcriber」はブラウザの中で、音声や動画を変換するプログラムの「ffmpeg」を動かしているので、m4a でも MP4 でも、読み込んだ時点で音声を取り出します。

文字起こしの手段はいくつかあり、どれを選ぶかで扱えるファイルの大きさも、録音がサーバーに送信されるかどうかも変わってきますので、先に違いを整理しておきます。

方法	形式の変換	時間の制限	話者の分離	サーバーへの送信
iPhone の標準機能	不要	なし	できない	なし
クラウド型のサービス	サービスによる	無料枠に上限	無料プランで使えるものもある	あり（事業者のサーバー）
ブラウザの中で処理する	不要	なし	できる	なし
PC にソフトを入れる	不要	なし	設定できる	なし

iPhone を使っていて、録音した端末の中で読めれば十分という場合は、標準機能を使うのが一番早く済みます。iOS 18 以降の iPhone 12 以降では、ボイスメモで録音中も録音後も、話した内容を日本語で文字にできます（一部の国や地域を除く）。条件と使い方は、Transcriber のガイド「iPhone のボイスメモを文字起こしする方法」にまとめています。

ただ、標準機能では「誰が話したか」を行ごとに分けることができず、字幕ファイルとしての書き出しにも対応していないため、複数人が参加した会議やインタビューの録音を扱うのであれば、PC 側で処理したほうが後の作業が楽になります。

用意するもの

PC。Windows・macOS・Linux のいずれでも動きます
Chrome または Edge の最新版。Safari や Firefox でも動きますが、ブラウザや環境によっては後述する理由で速度が落ちます
「.m4a」の音声ファイル。1 ファイルあたり 2 GB まで読み込めます

手順1：録音を PC に移す

録音した端末から PC へファイルを移します。手順は使っている端末によって変わりますので、自分の環境に当てはまるものを選んでください。

iPhone の場合は「ボイスメモ」で録音をタップし、その他のボタン（…）から「共有」を選んで、AirDrop か「“ファイル”に保存」で書き出します。Mac には AirDrop で送るか iCloud で同期し、Windows では iCloud Drive に保存してから Windows 用 iCloud か iCloud.com で取り出します。
Android の場合は、録音アプリの共有メニューから Google ドライブに保存するか、USB 接続で録音フォルダを直接開きます。
IC レコーダーの場合は、USB で PC につなぐと外部ストレージとして見えるので、そのままコピーします。

手順2：ブラウザで文字起こしする

ファイルを PC に移したら、ブラウザで文字起こしのツールを開きます。ここでは自分で作った「Transcriber」を使いますが、m4a をそのまま読み込めるツールであれば手順の考え方は同じです。

無料・無制限のAI文字起こし｜登録不要・アップロード不要 - Transcriber

音声・動画ファイルをブラウザだけで文字起こし。会員登録もアップロードも不要で、音声データは端末の外に出ません。時間・回数の制限なしで完全無料。Whisper AI による話者分離と SRT 字幕の書き出しに対応し、MP3・WAV・M4A・MP4 など主要形式を読み込めます。

transcriber.tools.ryusei.io

「Transcriber」をブラウザで開きます。
「モデル」「言語」「話者分離」を先に設定します。
「音声・動画ファイルをドロップ、またはクリックして選択」の枠に m4a ファイルを読み込ませます。
処理が完了するまで待ちます。

モデルの選び方

モデルは 6 種類から選べます。大きいものほど文字起こしの精度は上がりますが、そのぶん使用するメモリも増えていきます。

以前、4 分 08 秒の動画（51.9 MB）を使って測ったときの結果を載せます。RTX 2060 SUPER（8 GB）搭載の PC で、ブラウザは Chrome、ブラウザから GPU を使う仕組みの「WebGPU」を有効にした状態で計測しました。

モデル	処理時間	実時間に対する倍率
Small	0 分 35 秒	約 7.1 倍速
Medium	1 分 22 秒	約 3.0 倍速
Large v3 Turbo	0 分 37 秒	約 6.7 倍速
Large v3	0 分 52 秒	約 4.8 倍速

この結果では、処理時間がモデルの大きさの順になっておらず、最も時間がかかったのは中間サイズの Medium でした。Large v3 Turbo が Small とほとんど変わらない速さで終わるのは、音声を解析する部分が Large v3 と同じ大きさのまま、テキストを組み立てる部分だけを小さくした構成になっているからです。

私は「Large v3 Turbo」を使っています。日本語の固有名詞や専門用語をどこまで正しく拾えるかが Small とは明らかに違い、それでいて処理にかかる時間はほぼ同じです。

手順3：話者を分けて書き出す

複数人の会話を録音した場合は、文字起こしを始める前に「話者分離」を「有効」にしておきます。そうすると、書き出したテキストが行ごとに誰の発言なのかで分かれます。

「話者数（0 = 自動）」は、通常は「自動」のままで構いません。結果の話者数が実際と明らかに違うときだけ、2〜6 人の範囲で指定してください。

Whisper か Qwen3-ASR のモデルを WebGPU が使える PC（Firefox を除く）で動かし、「話者数（0 = 自動）」が「自動」のときは、NVIDIA の話者分離モデル「Nemotron 3 Diarization」で処理します。日本語・中国語・韓国語の初期設定の SenseVoice Small（CPU で動作します）、WebGPU が使えない PC やスマートフォン、Firefox で処理するときと、話者数を指定したときは、「pyannote.audio」という話者分離の実装をブラウザ向けに移植した以前からの方式で、10 秒ごとに区切った音声から話者の特徴を取り出して同じ人物の発言をまとめます。ただし 1 秒前後の短い相づちや呼びかけは拾いきれないことがありますので、そこは書き出したあとに画面上で直すことになります。

テキストと字幕の使い分け

書き出せる形式は「TXT」と「SRT（字幕）」の 2 つで、そのあと何に使うかによって選び分けます。

議事録や記事の下書きに使うなら TXT
動画に字幕を付けるなら SRT

うまくいかないときの対処法

処理が途中で止まってしまう場合、私のところに届いている失敗の記録を見るかぎり、その原因はほとんどがメモリ不足です。

スマートフォンは使えるメモリが少なく、長い録音は途中で止まりやすい
WebGPU が使えない環境では CPU で処理するため、大幅に遅くなります
1 時間を超えるような長い録音は、まず小さいモデルで通してから、精度が足りなければ上げていきます

「この環境は GPU(WebGPU) 非対応のため、このモデルは非常に低速になります」という警告が出た場合は、Chrome か Edge で開き直すか、それが難しければ小さいモデルを選んでください。

よくある質問

本当に無料ですか。時間や回数の制限はありますか。

無料です。時間の制限も回数の制限もありません。文字起こしの処理が利用者の PC の中で動くため、こちら側にサーバーの費用がかからないからです。

m4a を MP3 に変換してから読み込ませたほうが、精度は上がりますか。

上がりません。変換の過程で一度展開してから再び圧縮し直すことになりますので、音質はむしろ落ちます。m4a のまま読み込ませてください。

録音の内容がサーバーに送られることはありませんか。

ありません。文字起こしはブラウザの中だけで動きますので、音声ファイルが端末の外へ出ることはありません。モデルの取得のほかに、Transcriber は不具合を直すための統計（端末の性能や処理にかかった時間など）をサイトのサーバーへ送信していますが、音声、文字起こしの結果、ファイル名、IP アドレスは含みません。この送信は、ページ下部の「サービス品質向上へのご協力のお願い」にあるスイッチで止められます。

会員登録やログインは必要ですか。

必要ありません。メールアドレスの入力も求めていません。

iPhone や Android だけで完結できますか。

できますが、勧めません。スマートフォンでは長い録音が途中で止まりやすいため、スマートフォンで録音して PC で文字起こしする形が確実です。

何時間の録音まで扱えますか。

ファイルサイズが 2 GB を超えなければ、長さそのものに制限はありません。ただし長い録音ほど処理に時間がかかりますので、終わるまでタブを閉じずに待つ必要があります。