AI音声を48kHzのWAVに変換する

OpenAI.fm などの24kHzのAI音声を、動画編集で使いやすい48kHzのWAVに変換します。Gemini TTSなどのヘッダーのない生のPCMも読めます。

音声ファイルをここにドロップ

またはクリックして選ぶ（いくつでも）。WAV・MP3・M4A・OGG・生のPCM

入れるとすぐに変換します。設定を変えると、入れたファイルをすべて変換し直します。

変換後のサンプリングレート
ビット深度

WAVのヘッダーがない音声データを、16bit・リトルエンディアン（s16le）として読みます。拡張子が .pcm・.raw のファイルは、チェックがなくてもこの読み方です。

使い方

  1. 上の枠に音声ファイルをドロップするか、クリックして選びます。いくつでもまとめて入れられます。
  2. 入れるとすぐに、48,000Hz・16bitのWAVに変換します。44,100Hzや24bitにしたいときは、設定を変えます（入れたファイルは自動で変換し直します）。
  3. 「聞いてみる」で音を確かめて、「保存」で1つずつ、または「まとめて保存（ZIP）」で全部を保存します。保存されるファイル名は「元の名前_48k.wav」です。

Gemini TTSなどで作った、WAVのヘッダーがない音声データ（生のPCM）は、「生のPCM（Gemini TTSなど）として読む」にチェックを入れてから入れてください。拡張子が .pcm・.raw のファイルは、チェックがなくても生のPCMとして読みます。

AI音声をPremiere Proに入れると音が出ないとき

OpenAI.fm（OpenAIの音声生成）で作ったWAVは、24kHz・16bit・モノラルです。Zennの記事では、このWAVをPremiere Proに読み込むと、波形が出ず無音になったり、「ファイル形式がサポートされていません」のようなエラーになったりする例が紹介されています。どちらも、24kHzを48kHzに変換すると再生できるようになったそうです。

記事では、変換のしかたとしてAdobe Audition・Media Encoder・ffmpegが紹介されています。このページでは、ソフトを入れずにブラウザだけで同じ変換（48kHz・16bit）ができます。ビット深度は16bitのままで問題ありません。

Premiere Proのバージョンや環境によっては、24kHzのままでも読み込めることがあります。音が出る場合でも、動画の音声は48kHzがよく使われるので、先にそろえておくと編集で迷いません。

サンプリングレートとは

サンプリングレートは、1秒間に音の大きさを何回記録するかの数です。24kHz（24,000Hz）なら1秒に24,000回、48kHzなら48,000回です。記録できる一番高い音は、サンプリングレートの半分までです。24kHzの音声には、12kHzより高い音は入っていません。

24kHzを48kHzに変換しても、音がよくなるわけではありません。12kHzより上の音が新しく増えることはなく、編集ソフトで扱いやすい形に整えるための変換です。逆に48kHzを24kHzにすると、12kHzより上の音はなくなります。

サンプリングレートよく使われるところ
48,000Hz動画の音声。Premiere ProやDaVinci Resolveなどの編集
44,100Hz音楽CD・音楽の配信
24,000HzOpenAI・GeminiなどのAI音声（TTS）の出力
16,000Hz音声認識や通話の録音

Gemini TTSの音声（生のPCM）を読む

Gemini APIの音声生成をストリーミングで受け取ると、データはWAVのヘッダーがない生のPCM（16bit・リトルエンディアン、24kHz、モノラル）です。OpenAIのAPIでも、出力形式に「pcm」を選ぶと、24kHz・16bitでヘッダーのないデータになります。

ヘッダーがないと、ソフトはサンプリングレートやチャンネル数がわからないので、そのままでは再生できないことがほとんどです。このツールで「生のPCMとして読む」にして、元のサンプリングレート（ふつうは24,000Hz）とチャンネル（ふつうはモノラル）を選ぶと、ふつうのWAVになります。

  • 声が低くゆっくり、または高く速く聞こえる：元のサンプリングレートの選び方が違います。
  • 2倍速のように聞こえる：モノラルのデータをステレオとして読んでいます。モノラルにしてください。
  • ザーッという雑音になる：16bit以外のデータ（32bit浮動小数点など）か、音声ではないデータです。

16bitと24bitのちがい

ビット深度は、音の大きさを何段階で記録するかです。聞くため・動画に入れるためなら16bitで十分です。あとの編集で音量を大きく上げ下げするなら、24bitにしておくと細かいところまで残せます。元が16bitの音声を24bitにしても、音質は変わりません。

このツールでできること・できないこと

  • WAVは、ヘッダーから元のサンプリングレート・ビット深度・チャンネル数を読んで表示します。WAVE_FORMAT_EXTENSIBLE形式や、24bit・32bit浮動小数点のWAVも読めます。
  • 変換は、窓関数をかけたsinc補間（ポリフェーズフィルター）で行います。24kHzの音声なら約10.8kHzまでをそのまま通し、それより上をなだらかに落とします。折り返しのノイズが出ないようにするためです。
  • MP3・M4A・OGGなどの圧縮された音声は、ブラウザが読み込むときに変換後のサンプリングレートにそろえるので、元のサンプリングレートはわかりません。M4Aが読めるかどうかはブラウザによります。
  • 32bit浮動小数点のWAVで0dBFSを超えている部分は、16bit・24bitにすると割れます。そのときは結果に書き出します。
  • WAVと生のPCMは少しずつ読んで処理するので、長いファイルも変換できます。MP3などはまとめて読み込むため、とても長いファイルはメモリが足りずに失敗することがあります。
  • 音量は変えません。音量をそろえたいときは音量をそろえるツール、いくつかの音声を1つにしたいときはWAVを結合するツールを使ってください。

よくある質問

44.1kHzと48kHz、どちらにすればいい？

動画に使うなら48kHzです。音楽の配信やCDに合わせるなら44.1kHzにします。ポッドキャストは、Apple Podcastsの案内ではどちらも使えます。

元のファイルは変わる？

変わりません。変換したWAVを新しく作って保存します。

ファイルはどこかに送られる？

送られません。読み込みも変換も、このページの中（ブラウザ）だけで行います。

もとから48kHzのファイルを入れるとどうなる？

サンプリングレートはそのままで、設定したビット深度・チャンネルのWAVとして書き出します。16bitのWAVを16bitで書き出すときは、音のデータは変わりません。

モノラルとステレオ、どちらがいい？

ナレーションならモノラルのままで問題ありません。編集ソフトや投稿先でステレオが必要なときだけ「モノラルをステレオにする」にチェックを入れてください。左右に同じ音が入ります。

出典