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9月20日 7:33

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受け付けてもらえず、「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、変換が要るかどうかは使うツール側の都合であって、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。会員登録もアプリのインストールも必要なく、ブラウザだけで最後まで進められます。

必要なものと、必要でないものを先に挙げておきます。

必要なもの — PC と、Chrome または Edge のブラウザ、そして「.m4a」の録音ファイル
必要でないもの — 会員登録、アプリのインストール、ファイルのアップロード、形式の変換

m4aのまま文字起こしできます

「m4a」は音声を AAC という方式で圧縮したときの入れ物にあたる形式で、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の手間は要りません。

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 を読めない場合です。私が作っている「Transcriber」はブラウザの中で 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、録音がどこへ送られる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	音声の送信先
iPhone の標準機能	不要	なし	できない	端末の中だけ
クラウド型のサービス	サービスによる	無料枠に上限	有料プランが多い	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	送信しない
PC にソフトを入れる	不要	なし	設定できる	送信しない

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。Apple は iOS 18.4 で Apple Intelligence を日本語に対応させましたので、対応する機種であればボイスメモの録音をそのまま文字にできます。

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はずっと楽になります。

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 と Firefox でも動きますが、後述する理由で速度が落ちます
「.m4a」の録音ファイル。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」で録音を長押しし、共有メニューから AirDrop か「ファイルに保存」を選びます。Mac なら AirDrop が早く、Windows なら iCloud Drive か USB 接続で取り出します。
Android の場合は、録音アプリの共有メニューから Google ドライブへ上げるか、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。
読み込んだ時点で処理が始まります。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、そのぶん処理にかかる時間と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。GPU は RTX 2060 SUPER（8 GB）を積んだ PC で、ブラウザは Chrome、WebGPU が有効になっている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

「大きいモデルほど遅い」と思われがちですが、この結果を見るかぎりそうはなっておらず、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 とは明らかに違いますし、それでいて処理にかかる時間はほぼ同じですから、選ばない理由が見当たりません。

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。

参加した人数があらかじめ分かっているなら「話者数（0 = 自動）」で指定してください。自動判定のままでも動きますが、人数を教えたほうが割り当ての精度は上がります。

この機能は「pyannote.audio」という話者分離の実装をブラウザ向けに移植したもので、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ています。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。