ショート動画のナレーションとポッドキャストのOP、MP3とWAVどっちで書き出す？実話ベースで比べてみた

なんでWAVで書き出したのに、スマホで聴くとこもって聞えるの？ 先週、友達のTikTok用ショート動画を編集した時の話。彼が「ファイル小さい方がいいんでしょ？MP3がいいに決まってる」って言うから、そのままMP3でナレーションを書き出した。…で、BGMを重ねて聴いてみたら、声の輪郭がぼやける。え、これ俺の声が問題？フォーマットが問題？って、一人で首をかしげたわけ。 逆に、自分で週一で配ってるポッドキャストのオープニングは、きれいな声で聴かせたいからWAVを選んだ。…したら今度はファイルサイズが爆発して、クラウドの容量が一瞬で赤くなった。 この2つの現場を何度も行き来して、ようやく「どっちを選ぶべきか」の基準ができた。今日は、その泥臭い話をそのまま書いておく。

その1：ショート動画のナレーションは、MP3でいい。むしろMP3の方が合理的

TikTokもYouTubeショートもInstagramリールも、内部で勝手に音声をAACに再圧縮する。こちらがWAVでアップロードしても、向こうが「どうぞ」と軽くした形式に変換しちゃうんだよね。だったら最初からMP3で書き出しておいた方が、無駄がない。 この前、無料 音声クローンの類いのツールで、動画用のナレーションを生成した。台本を貼り付けて、テキスト読み上げ 無料のサービスでささっと音声化。そのままMP3の128kbpsで保存したら、ファイルが数百KBしかなくて、スマホの編集アプリでもサクサク動いた。 動画のナレーションなんて、BGMと効果音に埋もれる前提の音声だ。細かい歯切れの良さまでは、よっぽどのことがない限り視聴者は気にしない。…とはいえ、MP3のビットレートを下げすぎると話にならない。64kbps以下はマジで声がこもる。96kbpsでも、BGMが入ると薄っぺらく聞こえる時がある。僕は128kbpsか192kbpsに落ち着いた。 あと、登録不要 音声合成の無料ツールあるあるなんだけど、書き出したファイルの先頭に数十ミリ秒の無音が入ってることがある。編集画面でズレると、声が半拍遅れるみたいに見えるから、波形を見てカットしといた方がいい。

その2：ポッドキャストのOPは、WAVの「生感」に価値がある

ポッドキャストはイヤホンで聞かれることが多い。ショート動画みたいに「ながら聞き」されないから、小さなノイズや圧縮跡が意外と目立つ。OPは番組の顔だから、ここはケチりたくない。 前に自分の声 クローンで自分の声を複製して、OPの仮音声を作った。WAVの44.1kHz/16bitで書き出したら、息の音や唇の音まで素のまま。後でイコライザやコンプレッサーをかける時も、MP3みたいに「いじればいじるほど汚くなる」感覚がない。 もちろんWAVは重い。1分のナレーションで10MB近くいく。でもOPなんて数十秒だし、この程度の容量は許容範囲。むしろ、ここでケチって音質を犠牲にする方がもったいない。 もし音声クローン オンラインでサンプリングレートが48kHzになってたら、ポッドキャストのホストが推奨してる44.1kHzとズレるから、書き出し前に設定を確認した方がいい。でないと後で変換するハメになる。

MP3とWAV、本質的な違いはひとことで言うと

MP3は「人間の耳に聞こえない高音をバッサリ切る」ことで軽くした圧縮形式。WAVは「加工してない生データ」をそのまま保存する形式。 つまり、SNSにそのまま載せるならMP3。自分で編集ソフトで後処理するならWAV。それだけで迷わない。

僕の今の書き出しルール

無料 TTSだろうがAI 音声 無料サービスだろうが、今はこの3行だけ守ってる：

  • TikTok / YouTubeショート / インスタのリール：MP3 128kbpsか192kbps
  • ポッドキャスト、オーディオブック 音声 作成、ノイズ除去が必要な素材：WAV 44.1kHz / 16bit
  • ツールがWAV出力に対応してなくてMP3しかない場合：あとで自分で変換できるように、可能ならWAV優先で探す（MP3→WAVは音が戻らないけど、WAV→MP3は簡単なので）

「登録不要」「無料」に潜む落とし穴

登録不要 音声合成や音声クローン オンラインの無料ツールは、会員登録なしで試せるのは本当に助かる。ただ、無料だからこそ出力形式がMP3だけ、WAVは有料、みたいなケースも少なくない。 僕の使い方は、無料のうちに台本と喋り方・速度を詰めて、OKが出てから最終出力をする。最初からフォーマットで悩んでも時間の無駄。 あと、英語や中国語のナレーションも一緒に作りたい時は、多言語 音声合成 無料の多言語対応の動的音声生成を使うと、同じ台本から各国語の音声をまとめて用意できて助かるよ。

同じ原稿でMP3とWAVを波形比較してみた

動画 ナレーション AIで同じ文章、同じ音声モデルを使って、MP3 128kbpsとWAV 44.1kHz/16bitを書き出して、Audacityで波形を並べてみた。 WAVは波形のエッジが鋭くて、呼吸の上げ下げがそのまま見える。MP3は波形のフチがモヤっとしてて、高音域が削られてるのが目で見て分かる。普通に聴く分にはどっちも同じように聞こえるんだけど、ピッチを変える処理（声を低く/高くする）をかけると、MP3の方は金属をこすったような「シャリシャリ」した音が混じる。WAVは自然なまま。 だから、声を加工してキャラクター性を出したい、あるいはSEデザインに使いたいならWAV一択。BGMに乗せてそのまま公開するだけならMP3で問題ない。

「WAV=高音質」「MP3=低音質」は誤解

これは本当に多い誤解。フォーマットはただの容器で、中身がクソならWAVだろうが音は悪い。安マイクで録ったWAVは、ただのノイズ入り生データ。逆に良い環境で録ったMP3は十分キレイ。 あと「ビットレート高い方が良いでしょ」と思って320kbpsを選びがちだけど、ショート動画のプラットフォームが再圧縮する時点で、320kbpsと128kbpsの差はほぼ消える。ファイルサイズが2倍以上になるだけ損。聴こえ方で判断して。

結局、どっちを選べばいいの？

今まさに「どっちで書き出そう」と迷ってる人へ。

  • TikTok、YouTubeショート、インスタのリールにそのまま載せる：MP3 128kbps
  • ポッドキャスト、吹き替え AI 無料で作った吹き替え素材、クライアントに納品する音声：WAV 44.1kHz / 16bit

    • ツールとフォーマットが決まれば、あとは中身を磨くだけ。音声の善し悪しは、書き出し形式より「どう作ったか」の方が圧倒的に効く。

FAQ

Q. スマホの編集アプリでもWAVって使えますか？

使えます。ただ、最終的にスマホからSNSへアップロードする時、多くのアプリが内部でMP4に変換しちゃうので、WAVのメリットが途中で消えることが多いです。スマホの容量が厳しいなら、最初からMP3で書き出して、編集を軽くする方が現実的です。

Q. MP3で書き出したら声がこもるんですけど、フォーマットのせいですか？

たぶんフォーマットじゃなくて、ツール側の問題です。テキスト読み上げ 無料の質が高いサービスなら、MP3でも十分クリアな声が出ます。もし別のツールに変えてもこもるなら、読み上げ速度を少し落とすか、音声モデルを変えてみてください。フォーマットを変えるより、そっちの方が効果ありますよ。

書き出し形式で失敗したことある？よかったらコメントで教えて。同じ痛みを分かち合いたいだけだから。