はじめに
古いMPGファイルは、アーカイブやハードドライブ、押し入れの中の古いメディアの中に数え切れないほど眠っています。貴重なオリジナル素材でありながら、現代の文字起こしやコンテンツ制作のワークフローでは扱いづらくなってきています。アーキビスト、インディペンデント映画制作者、コンテンツクリエイターにとって MPGからMP4への変換 は、単なる形式の互換性確保ではありません。映像の品質も音声の明瞭さも失わず、しかも自動文字起こしシステムが正確に動作できるように変換することが大切なのです。
安易な低品質変換と違い、ビットレートやサンプルレート、チャンネル構成を保った計画的な変換は、ASR（自動音声認識）エンジンを混乱させるアーティファクトの発生を防ぎます。字幕生成やコンテンツの再利用、ロングインタビューの保存など、目的が何であれ、この変換段階が後工程すべての品質を左右します。具体例としては、リンクやファイルを直接アップロードするだけでタイムスタンプと話者ラベル付きの精度の高い文字起こしを作成してくれる字幕抽出ツール（例）へ送る前に、MP4を最適な状態に準備することなどが挙げられます。
このガイドでは、MPGを文字起こしに適したMP4に変換するための技術的ポイントと作業フローを、映像と音声両面でオリジナルを尊重する方法としてまとめます。
なぜ文字起こしにはMPG→MP4変換が必要なのか
かつては標準だったMPGファイルですが、MPEG-1やMPEG-2といった古いコーデックを使い、サンプルレートやコンテナ構造にばらつきがあります。最近のクラウド型ASRサービスは、徐々にMPG入力を非推奨または受付停止する傾向にあります。
現在業界では、H.264映像＋AAC音声のMP4が「文字起こし向き」の標準として扱われています。これは単なるマーケティングではありません。研究では、MPGをそのままアップロードした場合、最適化されたMP4と比べ 15〜30％も単語誤認識率（WER）が高くなる ことが示されています。原因はノイズレベルや不安定なタイムスタンプです。
互換性はワークフロー全体にも影響します：
- フレームレートを30fpsに安定させると字幕同期が向上。
- MP4に埋め込まれたタイムスタンプは字幕のズレを削減。
- AAC音声は、可変MPEG-2音声よりも音声周波数帯域をクリアに処理。
リラップと再エンコードの違い
「MPGからMP4への変換は必ず品質が落ちる」という思い込みはよくありますが、リラップ（リマックス） なら音声や映像を再エンコードせずにコンテナだけ入れ替えるため、元のビットレートや解像度をそのまま保てます。
リラップの利点
- 品質劣化ゼロ：圧縮なしなので波形は完全に保持。
- 音声の明瞭さ維持：語音の鮮明度はソースそのまま。
- 再エンコードより高速：ファイルサイズも変わらずワークフローを妨げない。
一方で再エンコードは、新しいコーデックに変換する方法。AAC音声に移行すればASR適合性は向上しますが、ビットレートが低すぎると圧縮ノイズや高域の欠損が発生します。スペクトログラムで比較すると、リラップした音声は高域がシャープなままですが、過度に圧縮した再エンコード版ではピークが鈍くなります。
アーカイブ用途では、ソースが既にAACかASR向け設定であればリラップ、標準化が必要な場合（例：48kHzモノラル）は高ビットレートで丁寧に再エンコードするのがおすすめです。
ビットレート・解像度・音声準備のポイント
文字起こし精度を左右するのは映像の解像度ではなく音声の明瞭さです。クラウドASRは音声トラックを解析するので、重点を置くべきは以下です：
- サンプルレートは48kHzに統一する。
- 音声ビットレートは常時128kbps以上。
- 会話主体ならモノラルにダウンミックス。
ステレオの残響や定位差は話者分離を乱し、誤った話者ラベルを生む原因になります。インタビューならモノラル化が特徴抽出を簡潔にし、WERを大幅に低減します。
UniFabのMPG→MP4ガイドの調査では、ステレオのMPG音声を48kHzモノAACに変換した結果、誤認識率が25％から8％に大幅改善しました。
バッチアップロード前にアーティファクトを抑える
数十〜数百のMPGを扱うアーカイブでは、変換設定を統一してバッチ処理することが重要です。
文字起こし用変換チェックリスト：
- サンプルレートを48kHzに統一。
- 会話はモノラル化。
- 音声ビットレートは128kbps以上、可変ビットレートは避ける。
- フレームレートを30fpsに安定化。
- 不要なチャンネル（環境音など）は削除。
- 波形を確認し、クリッピングやヒスがあれば再処理。
バッチ処理では設定の不統一が特に問題になります。サンプルレートや圧縮率が混在しているとASRはタイムスタンプを誤配置しやすくなります。事前に揃えることで修正の手間を削減でき、長期保存プロジェクトでも有効です。
大量文字起こしの準備では、変換後に自動で区切りを整えるツール（例）を使えば、手作業で分割する必要がなく、効率的です。
倫理的・保存的観点からの注意
リラップでは、元のMPGコンテナに入っているメタデータが失われることがあります。これはアーカイブにおける来歴や技術情報の記録として重要です。最終的なMP4を作成する前に、必ずメタデータを抽出・保存しておきましょう。
ユネスコの保存標準のように、形式移行時に詳細な記録を残すことが求められる場合にも該当します。
変換設定がASRに与える影響を可視化
オーディオスペクトログラムを見ると変換の違いが一目で分かります：
- MPG→MP4をリラップした場合、音声帯域（2〜5kHz）が豊かで、子音のピークもはっきりしており音素認識に有利。
- 64kbpsまで圧縮した再エンコードではフォルマントがぼやけ、ノイズフロアが上がりASRが誤認識しやすくなります。
ASRのエラーログには、低ビットレート音声が「アーティファクト過多」として処理遅延の原因に挙げられることが多いです。48kHz AACで安定したビットレートを保つのが、Microsoft Learnやアーキビスト向けフォーラムでも推奨される標準です。
変換後のMP4を文字起こしパイプラインで活用する
クリーンなMP4ができたら、ASRや字幕生成プラットフォームへの取り込みを行います。変換をしておけば、同期の取れない字幕や話者認識のずれを後から手作業で直す必要がなくなります。
SkyScribeのようなツールでは、MP4のリンクやファイルをアップロードするだけで、タイムスタンプと話者ラベル付きの構造化された文字起こしが自動生成されます。これによりアーカイブ素材のインタビューを、記事や報告書、映画祭資料などにそのまま引用できる精度が確保されます。
変換時に音声を適切に保つことは、その後の編集効率にも直結します。雑な変換では一文ずつ誤りを修正する羽目になりますが、上記の手順を踏めば、AI補助の編集機能を備えた文字起こしエディタにそのまま取り込み、内容に集中できます。
まとめ
MPG→MP4変換は単なる技術的な作業ではなく、最終的な文字起こしの精度を左右する重要な保存工程です。可能な限りリラップで品質を保ち、必要な場合は慎重に再エンコードして最新のASR環境に適合させましょう。音声品質の優先、設定の標準化、フレームレートの安定化が不可欠です。
これらをアップロード前に整えることで、アーティファクトを抑え、タイムスタンプの精度を高め、得られる文字データの正確性を保証します。口述史の出版準備から映画字幕のリマスターまで、変換を文字起こし工程の一部として捉えることが、後工程の信頼性を大きく向上させます。ソースを尊重し、最新ツール（リンクベースの文字起こしサービスなど）に最適化されたワークフローで、映像も音声も長く守り続けられます。
よくある質問
1. なぜMPGはMP4よりASR誤認識率が高いのですか？ 古いMPEGコーデックはサンプルレートが不安定でノイズが多く、音素認識を妨げます。AAC音声のMP4は安定かつクリアな入力をASRに提供します。
2. リラップは常に再エンコードより優れていますか？ リラップは元の音質を完全保持できますが、ASR向けに音声設定を標準化することはできません。ソースが既に適合していればリラップ、設定が必要な場合は再エンコードが適しています。
3. MPG→MP4変換でメタデータを失わない方法は？ 変換前にメタデータを別途書き出してください。リラップや再エンコードでコンテナ内メタデータが削除・変更されることがあります。
4. 高解像度映像は文字起こし精度を上げますか？ いいえ。ASRは映像ではなく音声トラックを解析します。音声の明瞭さや適切なサンプルレートの方が重要です。
5. 文字起こし用MP4の最適なサンプルレートは？ 48kHzが高精度ASRの標準です。ステレオの位相ズレを避けるため、会話主体ならモノラルが望ましいです。
