動画から音声を抽出する方法（MP4 → MP3・WAV・AAC・その他）
ポッドキャスト用のビデオインタビューを収録したが、ゲストが送れるのは動画ファイルだけ。地元のライブを撮影して、音声だけが欲しい。語学学習用の YouTube 動画を通勤中にスマートフォンで聴きたい。画面収録の中に音声ナレーションが埋め込まれている。
こうしたケースでは、動画はただのコンテナだ。欲しい音声はすでに中に入っている——取り出すだけでいい。
このガイドでは、「音声を抽出する」とは技術的に何を意味するか、どの出力フォーマットを選ぶべきかとその理由、ソフトなしでオンラインで行う方法、そしてコマンドラインツールが適しているケースについて説明する。
動画から音声を抽出する理由
ユースケースはいくつかの明確なカテゴリに分けられる：
ポッドキャスト制作。 ビデオインタビューはますます一般的になっている——ゲストは Zoom や Riverside での収録に慣れている。その録音の音声トラックがエピソードになる。動画編集ソフトからエクスポートする代わりに、音声ストリームを直接抽出する方が速く、不要な再エンコードを避けられる。
音楽・ライブ録音。 スマートフォンで撮ったライブ映像には動画も音声も入っている。個人アーカイブやバンドへのシェア目的で音声だけ欲しい場合は抽出が必要だ。バッキングトラックだけ欲しいミュージックビデオにも同じことが言える。
ボイスオーバー・ナレーション。 画面収録、解説動画、研修コンテンツには、クリアなスポークンワード音声が含まれていることが多い。抽出すれば、動画を経由せずナレーションを別プロジェクトで再利用したり、文字起こししたりできる。
語学学習。 動画形式の講義や語学レッスンは朝のランニング中には不便だ。MP3 や AAC として音声を抽出すれば、スマートフォンのポッドキャストアプリや音楽ライブラリで使えるようになる。
バッキングトラック・ステム。 動画から抽出した音声は、ラフミックスやリファレンストラックを DAW に取り込む最速の方法であることが多い。
デミックスとトランスコード：実際に何が起きているか
この違いを理解しておくと、不要な品質低下を防げる。
**デミックス（Demuxing）**とは、動画コンテナから音声ストリームを引き出すことで、音声データには一切手を加えない。エンコードされたままのコーデック・ビットレート・品質が保たれる。MP4 に 192kbps の AAC 音声が入っていれば、デミックスは一瞬で 192kbps の AAC ファイルを生成する。何も再エンコードしないので品質は損なわれない。ソースフォーマットと出力フォーマットが一致する場合はこれが理想の方法だ。
**トランスコード（Transcoding）**とは、元の音声をデコードし、別のフォーマットまたはコーデックで再エンコードすることだ。MP4 に AAC 音声が入っていて MP3 が欲しい場合は、トランスコードが避けられない。処理時間が長くなり、わずかな品質低下が生じる——ただし適切なビットレートであれば、大半のユースケースでは知覚できないほどのものだ。
重要なルール：ソースに存在しなかった品質は取り戻せない。 動画に 96kbps の AAC 音声しか入っていなければ、FLAC に抽出しても音が良くなることはない。ロッシーなソースを忠実に表現した、ただサイズの大きいロスレスファイルができるだけだ。上限は常にオリジナルにある。
音声コーデックと動画コーデックの関係について詳しくは、動画コーデック解説 — H.264・H.265・VP9・AV1のガイドを参照してほしい。
出力フォーマットの選び方
どのフォーマットを選ぶかは、音声を何に使うかによって決まる。正直な比較を以下に示す：
MP3
最適な用途： 一般的な共有、ポッドキャスト、音楽ライブラリ、どこでも再生できることが必要なもの。
MP3 は音声フォーマットの万能溶剤だ。すべてのデバイス・アプリ・プラットフォームで扱える。品質の範囲は 128kbps（音声には十分）から 320kbps（ほとんどの音楽でほぼ透過的）まで。ポッドキャストやスポークンワードには 128kbps で十分。音楽には 192kbps 以上を使おう。
欠点として、MP3 は不可逆（ロッシー）——エンコード時に一部の音声情報が永久に失われる。一般的なリスニングでは聴き取れないが、プロ編集には常にロスレスソースから始めること。
AAC（M4A）
最適な用途： Apple エコシステム、ストリーミング、同じファイルサイズで MP3 より高い品質が欲しいとき。
AAC は MP3 の後継で、同じビットレートで明らかに優れた品質を提供する——128kbps の AAC ファイルは 192kbps の MP3 に近い音質になる。iPhone・iPad・Apple Music・YouTube のデフォルト音声フォーマットだ。M4A 拡張子は MPEG-4 コンテナに入った AAC 音声ストリームにすぎない。
リスナーが主に Apple デバイスを使っているか、ストリーミングプラットフォームにアップロードするなら、AAC は MP3 より賢い選択肢であることが多い。
WAV
最適な用途： プロの編集、DAW へのインポート、制作ワークフローに入れるもの全般。
WAV は非圧縮 PCM 音声——エンコードなし、品質損失なし、正確なサンプルデータ。44.1kHz/16bit のステレオ 2 分間クリップは WAV で約 20MB になる。同じクリップが 192kbps MP3 なら約 2.8MB だ。
音声を編集・ミックス・マスタリングする必要があるとき、このサイズの代償は払う価値がある。ロスレスソースファイルはヘッドルームを保ち、複数のエンコード・デコードサイクルによるジェネレーションロスを防ぐ。DAW やプロ音声エディタに入れるものは WAV で始めよう。
FLAC
最適な用途： アーカイブ、高音質リスニング、WAV より小さいファイルでロスレス品質が欲しいとき。
FLAC は WAV と同様ロスレスだが、圧縮を使ってファイルサイズを約 40〜60% 削減し、音声データは一切失わない。音楽コレクションのアーカイブに選ばれるフォーマットだ。ほとんどのデスクトップ音声プレイヤーがサポートしており、モバイルでのサポートも近年大幅に改善されたが、MP3 や AAC ほど普及はしていない。
コンサート録音をアーカイブしたり、編集前にオリジナルの音声品質を保存したりするには、WAV よりも FLAC が実用的な選択だ。
各アプローチがいつ適しているかの詳しい解説は、ロッシーとロスレスの変換ガイドを参照してほしい。
OGG（Vorbis）
最適な用途： ウェブアプリ、オープンソースプロジェクト、ゲーム音声、ライセンスが重要な場面。
OGG Vorbis はオープンでロイヤリティフリー、低ビットレートでも良好な品質を提供する。Unity・Godot などのゲームエンジンや MP3 のライセンス問題を避けたいストリーミングプラットフォームが内部で使っているフォーマットだ。ウェブ用途ではブラウザサポートも安定している。
日常的なポッドキャストや音楽には MP3 または AAC の方が便利だ。OGG が光るのは、プロダクトやウェブアプリで音声を配布する際に制約のないフォーマットが必要なときだ。
フォーマット早見表
FileCrank で音声を抽出する（ソフト不要）
FileCrank はブラウザ内で変換を処理する——アカウント不要、インストール不要、処理ウィンドウを超えてファイルがサーバーに保存されることもない。
- FileCrank の音声コンバーターまたは動画を MP3 に変換するツールを開く。
- 動画ファイルをアップロードする。MP4・MKV・MOV・AVI・WebM すべてサポート。
- 出力フォーマットを選択——MP3・AAC・WAV・FLAC・OGG。
- MP3 または AAC を選んだ場合はビットレートを選ぶ。音声なら 128kbps で十分。音楽なら 192〜320kbps 推奨。
- 「変換」をクリックして結果をダウンロードする。
処理は FFmpeg を使ってサーバーサイドで行われ、セッション終了後にファイルは削除される。アカウントは不要だ。
抽出の前後に動画ファイルのサイズを削減したい場合は、FileCrank の動画圧縮ツールが別途対応している。
上級者向け：コマンドラインで FFmpeg を使う
FFmpeg は FileCrank を含むほとんどの音声・動画変換ツールの基盤エンジンだ。バッチ処理、コーデックパラメータの精密な制御、スクリプトでの自動化が必要な場合は FFmpeg を直接実行するのが正解だ。
再エンコードなしで音声を抽出（デミックスのみ）：
ffmpeg -i input.mp4 -vn -acodec copy output.aac-acodec copy フラグは FFmpeg に音声ストリームをトランスコードせずコピーするよう指示する。これは瞬時でロスレス——音声はソース通りそのままだ。
抽出して MP3 にトランスコード：
ffmpeg -i input.mp4 -vn -acodec libmp3lame -ab 192k output.mp3WAV として抽出（非圧縮）：
ffmpeg -i input.mp4 -vn -acodec pcm_s16le output.wavFLAC として抽出：
ffmpeg -i input.mp4 -vn -acodec flac output.flac-vn フラグは動画出力を無効にする。あとはオーディオコーデックと出力ファイルを指定するだけだ。FFmpeg は無料でクロスプラットフォーム、ほぼあらゆる入力フォーマットに対応している。
品質の期待値：コントロールできること、できないこと
始める前にいくつか明確にしておく価値のある点がある：
ソースが上限。 動画に 96kbps の AAC 音声しかないなら、出力フォーマットに関わらず得られる最善は 96kbps AAC の音質だ。FLAC に抽出しても失われた周波数は戻らない。より高いビットレートの MP3 にトランスコードしても、元のエンコーダが捨てたものは戻ってこない。品質の期待値は常にソースに合わせること。
デミックスは品質をそのまま保つ。 ソースコーデックと出力フォーマットが一致する場合（例：MP4 の AAC 音声を M4A ファイルに抽出）、品質損失はゼロだ。可能な限りこの経路を使おう。
適切なビットレートではトランスコードによる損失は最小限。 AAC から 192kbps 以上の MP3 への変換は、ほとんどのコンテンツで事実上透過的だ。品質の差は注意深い A/B テストでしか聴き取れない。
複数回のトランスコードは蓄積する。 音声を抽出して編集し、再度エクスポートすると、エンコード・デコードサイクルのたびに少しずつ劣化が加わる。できる限り高品質なソースから始め、配布フォーマットに書き出す前は WAV や FLAC で編集しよう。
まとめ
仕組みを理解すれば、動画からの音声抽出はシンプルだ：
- デミックスは音声ストリームをそのままコピーする——品質損失ゼロ、ほぼ瞬時。
- トランスコードは音声を再エンコードする——フォーマット変更時は避けられないが、品質コストは小さく通常は聴き取れない。
- MP3 または AAC は共有・配布向けに。WAV または FLAC は編集・アーカイブ向けに。
- ソースになかった品質は取り戻せない。 元のビットレートとコーデックが上限を決める。
何もインストールせずにオンラインで音声を抽出するなら、FileCrank は MP4・MKV・MOV をはじめほとんどの動画フォーマットに対応し、MP3・AAC・WAV・FLAC・OGG に出力できる。ファイルをアップロードし、フォーマットを選んでダウンロードするだけだ。