MKV を OPUS に変換

Matroska に録画された会議やインタビューは、その大半が画面で、しかもその画面はいちばん興味を引かない部分です。テーブルを写した固定ショット、1 時間に 2 回しか変わらない共有画面、サムネイルの格子など。興味深い動きが何もないからこそ圧縮効率が悪く、2 時間の録画がギガバイト単位になる理由です。

それを捨てることは妥協ではなく、この変換の本質そのものです。音声の中身は動画の長さや容量とは何の関係もありません。出てくる音声ファイルの容量は、長さと画質帯域だけで決まります。動画を圧縮しても決してこうはならないほど、ここでの削減幅は劇的です。

Opus は 2012 年に RFC 6716 として標準化され、リアルタイムの音声を中心に設計されました。これは音楽とは違う問題です。ビットレートが低く回線が不完全でも明瞭さを保つ必要があります。WebRTC がそれを必要としたため、すべてのブラウザーがそのエンコーダーを搭載しており、これが MP3 では先にエンコーダーをダウンロードしなければならないのに対し、この変換がすぐに始まる理由でもあります。

文字起こしの作業にとって、この設計は重要です。低いビットレートの MP3 では子音が互いに溶け合ってしまうところ、Opus は認識エンジンが実際に手がかりにしている音声の部分を保ちます。実務上の帰結として、精度への本物の代償なしに「小さいファイル」帯域を選べます。これはまさにアップロード上限が強いる選択です。

認識の誤りは圧縮ではなく録音そのものから来ます。テーブルの反対側にあるマイク、残響 1 秒の硬い部屋、同時に話す 2 人の声、エアコンの音——これらが推測だらけの書き起こしを生み、そのすべてはファイルが変換ツールに届く前にすでに焼き込まれています。

これは言っておく価値があります。書き起こしがひどいと、より高い画質帯域でもう一度変換したくなる本能が働きますが、それは助けになりません。録音が悪いなら、手を打てるのは音声そのものに対してです。WAV に変換し、Audacity や iZotope でクリーンアップしてから送ってください。録音が良いなら、「小さいファイル」帯域も「高画質」帯域と同じくらいよく書き起こされ、アップロード時間は 3 分の 1 で済みます。

この変換が書き出す Ogg コンテナーには 1 トラックの上限がないので、ブラウザーがデコードできるすべての音声トラックがファイルに入ります。これは珍しいことです。MP3 や AAC、WAV、FLAC ならどれか 1 本だけを保つでしょう。この読者にとっては、これは利点というより罠です。認識用のエンドポイントは最初のストリームを読み、それ以降を無視するからです。

マイク 1 本の録音なら考える必要はありません。演台のマイク、会場のマイク、通訳チャンネルを持つ会議のキャプチャーでは、ファイルの中の最初のストリームが話者を含むものとは限りません。Matroska 自身の既定トラックのフラグはここでは参照されないので、MediaInfo で順序を確認し、最初のトラックが目的のものでなければ変換前に MKVToolNix で抽出してください。

3 つの帯域があります。「小さいファイル」「バランス」「高画質」で、既定は「バランス」です。この設定はビットレートではなく帯域として提供されます。「良い」を意味する数値はコーデックごとに違い、Opus はある容量で、MP3 がそれに匹敵するにはずっと大きな容量を必要とする水準に達するからです。

リスナーではなく認識エンジンへ向かうスピーチなら、「小さいファイル」から始め、書き起こしが期待外れのときだけ上げてください。音声としても公開するつもりのインタビューなら「バランス」が妥当な既定値で、「小さいファイル」との容量差は議論するほどのものではありません。「高画質」帯域は音楽や演奏を含む素材のために存在し、会議にはめったに正解になりません。

このサイトのどちらの変換先も、同じマルチプレクサーを使って Ogg コンテナーに Opus の音声を書き込むので、出力はバイト単位で同一で、ファイル名だけが違います。中身に関しては、どちらを選んでも得るものも失うものもありません。

それでも名前は重要です。多くのソフトが、中身を見る前にファイルが何であるかを拡張子から判断するからです。アップロードフォーム、取り込み用スクリプト、驚くほど多くの API が拡張子で分岐します。サービスのドキュメントが挙げているほうを使ってください。どちらも挙げていないなら、.ogg のほうが広く認識されています。

「ファイルの中身を何も変換できませんでした」というメッセージで止まる変換は、ブラウザーがデコードできないサウンドトラック——AC-3、E-AC-3、DTS、Dolby TrueHD のいずれか——に突き当たったということです。ブラウザーはそのどれにもデコーダーを搭載していません。画面はすでに捨てられているので、他に書けるものがありません。

録画ツールはそれらを作りません。OBS や Zoom、会議システム、携帯電話で録画された会議は AAC か Opus で、問題なく変換できます。失敗するのはディスク由来の Matroska です。この読者にとっては、現行のものではなく、DVD に収められた古いイベントのアーカイブ録画を意味し、それらはこのページが助けになる前に、まずデスクトップのツールで音声を一度変換する必要があります。

この変換の目的はたいてい結果をサービスに渡すことです。だからこそ、別の経路にかかるコストに気づく価値があります。1 ギガバイトの録画を変換ツールにアップロードし、待ち、音声をダウンロードし、それを認識エンジンへ再びアップロードする——同じ機密性の高い会議が、1 社ではなく 2 社の第三者を経由することになります。

ここではデコードも Opus への符号化も、ブラウザーのタブの中で手元のプロセッサーによって行われるので、完成した音声を送ると決めるまで、録音を運ぶものは何も動きません。無料枠は 100 MB までの MKV を扱え、短い会議には収まりますが長いものには足りません。それより大きい場合、ffmpeg でローカルに音声を抽出し、その結果をここで変換する手順なら、両方の性質を保てます。