コンテナ形式とは?

Potokチーム更新日 ~1 分で読めます

コンテナ形式とは? 音声、映像、字幕などの一つ以上のストリームを、一つのファイルにまとめて収めるファイルタイプのことです。MP4、MKV、Oggがコンテナです。コンテナはストリームとそのタイミングを保管し、その中で各ストリームをコーデックが圧縮します。

録音を文字起こしする

音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。

Telegram で @potok_now_bot を開く

2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語

要点

  • 一つのコンテナに複数の音声トラック、たとえば二つの言語や解説音声、さらに字幕トラックを収められます。
  • 拡張子が示すのはコンテナであってコーデックではありません。.mp4で終わる二つのファイルが、異なる音声コーデックを含むこともあります。
  • コンテナは開けてもコーデックがないプレーヤーでは、映像は出るのに無音になったり、その逆になったりします。
  • 文字起こしに必要なのは音声ストリームだけなので、それを抽出すれば巨大な動画ファイルが小さなファイルになります。

見た目のイメージ

// list the streams inside a container
ffprobe -hide_banner lecture.mp4
//   Stream #0:0: Video: h264, 1920x1080
//   Stream #0:1: Audio: aac, 48000 Hz, stereo
//   Stream #0:2: Subtitle: mov_text

// keep only the audio, without re-encoding
ffmpeg -i lecture.mp4 -vn -c:a copy lecture.m4a

関連情報

対応言語の一覧、ツール、用語集もご覧ください。

よくある質問

MP4はコーデックですか。

いいえ。MP4はコンテナです。中の映像はH.264、音声はAACであることが多いですが、コンテナはストリームをまとめる箱にすぎません。

動画に複数の音声トラックがあるのはなぜですか。

コンテナは、異なる言語や別のマイクのトラックなど、複数の音声ストリームを保存できます。文字起こしの前に、必要な声が入ったものを選んでください。

文字起こしの前に動画から音声を抽出する必要がありますか。

いいえ。Potokボットは動画ファイルを直接受け付けます。抽出が役立つのは、ファイルが大きすぎる場合や、特定の音声トラックを選びたい場合だけです。

動画ファイルはどのくらい大きくても送れますか。

2 GBまでのファイルを受け付け、それより大きいものはボットのミニアプリのアップロードボタンから送れます。音声だけのコピーなら、ずっと小さくなります。

コンテナとコーデックの違いは何ですか。

コンテナはファイルの中でストリームを整理します。コーデックは一つのストリームを圧縮し、展開します。一つのコンテナに、複数の異なるコーデックで作られたストリームを収められます。

出典

各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。

  1. Container format (Wikipedia), Wikipedia · 確認日
  2. MP4 file format, MPEG-4 Part 14 (Wikipedia), Wikipedia · 確認日

お手持ちの録音で試してみましょう

音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。

Telegram で @potok_now_bot を開く