文字起こしに渡す音声ファイルでつまずく3か所｜対応形式・25MBの壁・分割の切り方

録音した音声ファイルをOpenAIの音声文字起こしAPIに渡すと、エラーだけが返り、理由が表示されないことがあります。原因は、対応形式・ファイルサイズ・分割の仕方の3つのどれかです。

この記事は、OpenAIの音声文字起こしAPI（Speech-to-Text API）の仕様だけを扱います。確認できたのは公式ページの範囲だけで、他社サービス（Notta・CLOVA Noteなど）は扱いません。

結論：OpenAIの音声文字起こしAPIで止まる原因は3つです

公式ページの制約を並べました。

当社は2026-09-11に、OpenAIの公式ドキュメント（developers.openai.com/api/docs/guides/speech-to-text）で以下を確認しました。

項目	結果	確認日
対応入力形式	mp3・mp4・mpeg・mpga・m4a・wav・webmの7つ	2026-09-11
ファイルサイズの上限	25MBまで（超過時は結論表③）	2026-09-11
モデルの使い分け	文字起こしはgpt-transcribe（推奨）、話者識別はgpt-4o-transcribe-diarize、タイムスタンプ・字幕・翻訳はwhisper-1	2026-09-11

対応形式とは、このAPIが読み込める音声ファイルの拡張子です。

公式の7つは、mp3・mp4・mpeg・mpga・m4a・wav・webmです。ogg・flac・aiffなど、ここに無い形式は公式ページで確認できませんでした。

25MBの壁とは、このAPIが受け付けるファイルサイズの上限です。

公式ページは「25MBまで」で、対応形式でも超えるファイルはそのままでは渡せません。長時間録音で当たりやすい壁です。

1時間の録音はおよそ何MBか（当社の試算）

64kbpsなら1時間＝3600秒×64kbit÷8÷1000＝およそ28.8MB、128kbpsならおよそ57.6MBです。公式ページに記載はなく、当社の計算です。

実際のサイズは設定で変わるため、端末で確認してください。

分割の切り方とは、25MBを超えるファイルを分けるときの切る場所の決め方です。

公式の案内は、圧縮するか25MB以下に分割し、文の途中で分割しないことです（文脈が失われ精度が落ちるため。ここまでが公式）。

無音の区間（発言の間、話題の変わり目）を目安にすると、この注意に沿いやすくなります（当社の補足。公式に無音の記載はなし）。

分割するときのチェックリスト

録音時間の長さで、確認すべき順番が変わります。

録音の状態	まずやること
30分程度、1本の録音で終わる人	拡張子に加えサイズも確認を（128kbpsなら30分で約28.8MB、25MB超あり）
1〜2時間の長時間録音がある人	渡す前にサイズを確認し、超えていれば分割します
録音アプリの仕様で、もともと複数ファイルに分かれている人	無理に結合せず、分かれたまま渡します（文の途中で切れている場合は③の注意）

ここまでの3つは、いずれもファイルを渡す前に決まってしまう条件です。次のどちらかに当てはまる方は、確認せずにそのまま渡して構いません。

スマートフォンやパソコンの画面から使う文字起こしサービスに、ファイルをそのままドラッグして渡している方：形式の変換や分割は、サービス側が先に済ませている場合があります。エラーが出たときにこの記事へ戻ってください。
録音が10分以内で、iPhoneのボイスメモ（m4a）やパソコンの標準録音（wav）を使っている方：形式は公式の7つに入っており、サイズも25MBに届かない見込みです。ただし高音質設定で録った場合は容量が増えるため、渡す前にファイルの大きさだけ見ておくと確実です。

逆に、会議やインタビューを1時間以上まとめて録っている方は、この記事の②と③がそのまま必要になります。

ここでは、OpenAIの音声文字起こしAPIにファイルを渡すときに読者から実際に出やすい疑問を、公式ページで確認できた範囲だけでお答えします。

できます。公式の7形式の1つがm4aです（2026-09-11確認）。iPhoneのボイスメモはこの形式です。

この7形式以外は公式ページで確認できませんでした。対応形式に変換してから渡してください。

公式が挙げている7つの形式には、mp4とwebmが含まれています（2026-09-11確認）。ただし動画は音声だけの形式より容量が大きくなりやすく、25MBの上限に先に当たることがあります。音声だけを取り出してから渡すほうが、分割の手間は減ります（ここは当社の補足です）。

公式表記は「Files can be up to 25 MB.」で、25MBちょうどを含むかは未確認です。余裕を持って圧縮か分割をおすすめします。

モデルごとに対応形式やサイズ上限が変わるという記述は、今回確認した公式ページでは見当たりませんでした（2026-09-11確認）。用途別にgpt-transcribe（推奨）、gpt-4o-transcribe-diarize（話者識別）、whisper-1（タイムスタンプ等）が案内されています。

この記事で扱ったのは、OpenAIの音声文字起こしAPIにファイルを渡す前に決まってしまう3つの条件です。

OpenAIの音声文字起こしAPIの対応形式は、mp3・mp4・mpeg・mpga・m4a・wav・webmの7つです（2026-09-11確認）。
OpenAIの音声文字起こしAPIのファイルサイズ上限は25MBで、超えると渡せません。
OpenAIの音声文字起こしAPIで25MBを超える場合は、圧縮か分割で対応します。公式の注意は「文の途中で切らない」までで、無音の区間の目安は当社の補足です。
1時間あたりの目安（28.8MB・57.6MBなど）は当社のビットレート試算で、公式の数値ではありません。
精度を決める要因は範囲外です。別記事で方法論として扱っています。