OPUS を MP3 に変換

Opus は 2012 年に RFC 6716 として標準化され、WebRTC の必須コーデックに指定されています。ブラウザーが通話機能を持つには実装が必須だったため、結果としてほぼすべてのブラウザーがこれを持ち、LINE や Discord、Google Meet、ブラウザー内の録音機能もこれを使うようになりました。

そのため、この形式に出会う人はほかの音声ページの読者と違います。M4A を変換する人は自分が Apple のファイルを持っていると知っていますが、.opus に出会う人の多くは、電話からファイルをコピーしたときに初めてこの拡張子を見て、コーデックの話ではなく「なぜ何も開いてくれないのか」を知りたがっています。

ボイスメッセージはたいていモノラルで、Opus は 16〜32 kbps という低いビットレートでも話し声を明瞭に符号化できます。これがメッセージアプリがこの形式を選んだ理由そのものです。2 分のボイスメッセージがおよそ 300 KB に収まるのはそのためです。

これを高音質設定で MP3 に変換すると、実際のビットレートはブラウザーのエンコーダーライブラリ側で決まりますが、元のボイスメッセージよりはるかに大きなファイルになります。含まれる情報量は同じで、もともと記録されていない詳細を、増えたビット数が語ることはありません。話し声には軽量設定で十分すぎるくらいで、このページに限っては高音質を選ぶことが誤った選択になります。

不可逆圧縮を二度重ねると必ず何かを失いますが、この組み合わせは方向のぶんだけ余計に不利です。MP3 は 1993 年、Opus は 2012 年の設計で、その間の 19 年の研究の差があります。低いビットレート帯では Opus にできて MP3 にはできない仕事があるほどです。

話し声——これらのファイルの大半——では、結果は十分に聞き取れて、わずかに輪郭がぼやける程度です。低いビットレートで録られた音楽ではもう少し目立ちます。どちらも、下流の何かが MP3 を要求している場合には変換する理由になりますが、.opus の原本は残しておく価値があります。

文字起こしがもっとも多い行き先です。多くの文字起こしサービスや強制アラインメントのツールは対応形式が限られていて、Opus が入っていないことがあります。それは音質の問題ではなく、対応コードが Opus 登場より前に書かれたためです。MP3 や WAV に変換すればその制約を回避でき、文字起こし用途なら軽量設定の MP3 で十分です。

ほかには編集や配信の場面もあります。ファイルを受け付けない DAW やポッドキャスト編集ソフト、ダブルクリックで再生してほしい同僚や取引先、対応形式が限られた車載機器やアップロードフォーム。いずれも受け取り側の都合が理由なので、ファイルが問題なく開けた時点で変換の目的は達成されています。

ボイスメッセージや通話の録音はほぼ常に単一チャンネルで、変換もそれをそのまま保ちます。モノラルの MP3 は同じビットレートのステレオより半分のサイズで、同一チャンネルを 2 本に複製する意味はありません。

もし受け取り側がステレオを要求するなら、取り込み時に複製させるほうがディスクを消費しません。逆に Opus は最大 255 チャンネルまで扱えるため、まれに存在する多チャンネルの Opus 収録は、ステレオ・48,000 Hz に畳み込まれる形で処理されます。

Ogg に入った Opus は Vorbis 形式のコメントタグを持てて、存在すればタイトルやアーティスト、アルバム、埋め込み画像とともに ID3v2 に対応づけられます。

実際にはほとんどのファイルに何も入っていません。ボイスメッセージはアプリがタイムスタンプで名前を付けるだけでメタデータを持たないので、無題の MP3 になるのは劣化ではなく忠実な結果です。連番の録音をまとめて残すなら、変換前にファイル名を整えておく価値があります。

Ogg Opus はプリスキップ値を記録していて、再生機はそれを見て符号化器が付け足した先頭の余分なサンプルをちょうど破棄できます。MP3 にはこれを確実に読む仕組みがありません。

ここで書かれる MP3 は Xing ヘッダーを持ち、正確なシークと長さの表示はできますが、余分を切り詰める遅延やパディングの情報までは持てません。数十ミリ秒の無音が前後に加わることになり、ボイスメッセージでは無関係でも、映像や別の音声トラックと同期させる用途では編集ソフト側で合わせ直す必要があります。

ここでは抽象論ではなくなります。ボイスメッセージ、録音された通話、許可を得て記録された会議——これらは誰かが変換サイトに預けた瞬間、見知らぬ相手にコピーを渡すことになり、その後どうなるかは読まれることのない利用規約が決めます。

復号はブラウザーがすでに持っている Opus デコーダーで行われ、MP3 の書き出しはタブの中で動く WebAssembly 版の LAME エンコーダーが担います。どちらもサーバーを必要としないため、アップロードも履歴も残りません。開発者ツールのネットワークタブでその場で確認できます。

電話のバックアップからは何百ものボイスメッセージが出てきます。まとめて 100 本まで置くと、それぞれ個別に変換されて 1 個の ZIP として戻ってきます。1 ファイルあたりの上限 100 MB は、ボイスメッセージには十分すぎるほど余裕があります。

バッチのときは軽量設定を選んでください。400 本のボイスメッセージを軽量設定で変換すれば数百 MB で済みますが、高音質設定では容量が大きく膨らみ、追加された情報は何もありません。