動画から音声を抽出

本当に音質を保てるのはどの選択肢か

動画の音声はすでに圧縮されていて（たいていはAAC、ときにはAC-3、Opus、MP3）、このページでの選択は実質的にそのままコピーして取り出すか、もう一度エンコードするかのどちらかです。「元の形式のまま」は前者で、エンコード済みの音声をまったくデコードせずに新しいファイルに移すので、動画に入っていたものと1ビットも変わらず、映画がどれだけ長くても数秒で終わります。ここにあるほかの選択肢がこれを上回ることはありません。元の音声と同等になれるものはほかにないからです。

MP3やWAVを選ぶと変換になり、それぞれに固有の存在理由があります。MP3は、1回目の非可逆圧縮にさらに2世代目を重ねるもので、何が聞こえないかについて意見の異なる2つのコーデックを通すため、きれいな元音源からそれぞれで作るより少し悪くなります。それでも、車の中や古い機器、ほかの形式を受け付けないソフトで再生する必要があるなら、正しい選択です。WAVは音声をデコードして非圧縮で保存します。さらなる劣化は加えませんが、1回目の劣化を元に戻すこともできないので、聴くためではなく編集のためのもので、ステレオで1分あたり約10 MBととても大きくなります。

形式そのものに由来する制限が2つあります。ここではMP3とWAVをステレオで書き出すため、5.1chサラウンドの映画はダウンミックスされます。映画のミックスではセンターチャンネルがせりふを担っていて、ダウンミックスでほかの音とのバランスが変わるため、せりふで違いが聞き取れます。また、「元の形式のまま」にはコーデックに合ったコンテナが必要なので、ごく一部の古い形式ではこの選択肢を選べません。ストリームを入れられる正しい場所がないため、変換するしかないのです。

どれを選んでも、動画に入っていた以上の音質にはなりません。128 kbpsの音声でエンコードされた動画からは128 kbpsの音声しか得られず、320 kbpsのMP3を指定しても、同じ音に新しいエンコーダーの推測を加えた大きなファイルができるだけです。ページに表示される動画の音声トラックのビットレートは、上回るのではなく合わせるべき数値です。

ほかの目的には

ffmpegなら、変換を一切せずに音声をコピーして取り出し、適切なコンテナも自動で選びます。ffmpeg -i in.mp4 -vn -c:a copy out.m4a。-vnで映像を除き、-c:a copyで音声に手を加えないことが保証されます。フォルダーのファイルをまとめて処理するならこの1行をループで回すだけで済み、メモリの上限もありません。

サラウンドをステレオにダウンミックスせずに残すには、それを収められる形式のまま音声を保つ必要があります。元のAC-3やAACのトラックをコピーして取り出せばまさにそうなりますが、ここでのMP3とWAVではそうなりません。また、音声を編集に使うなら、ロスレスで取り出して編集ソフトの中で変換してください。そうすれば劣化は2世代ではなく1世代だけで済みます。