WAV・MP3・AAC・Opusはどう選ぶ？音声合成APIの出力形式ガイド！

皆さんこんにちは。
感情豊かな音声合成技術を誰もがかんたんに活用できる未来を目指す、Aivis Projectです✨

音声合成APIを実装するとき、仕様の検討で意外と後回しにされやすいのが出力形式です。

まずは既定値のまま実装し、公開直前になってから「ファイルが想定より大きい」「利用者の端末で再生できない」「後工程のツールへ読み込めない」と気づくこともあります。

形式をあとから変更すると、保存するファイルの拡張子だけでなく、HTTPレスポンスの扱い、音声プレイヤー、キャッシュ、後工程の編集ソフトなど、音声を受け取る側の実装まで見直しが必要になる場合があります。

Aivis Cloud APIは、WAV / FLAC / MP3 / AAC / Opusの5形式に対応しています。

どれか1つがすべての用途で最良というわけではなく、再生環境、ファイルサイズ、音質、配信方法、後工程のどれを優先するかで、適した形式は変わります。

この記事では、5つの形式の特徴から、用途別の選び方、ビットレート、サンプリングレート、チャンネル数、ストリーミング再生時の注意点まで、順番にわかりやすく解説します📚

Aivis Cloud APIで選べる5つの出力形式

Aivis Cloud APIでは、output_formatに次の5つを指定できます。

wav / flac / mp3 / aac / opus

形式によって、圧縮方法、音質の変化、レスポンスのContent-Type、向いている用途が異なります。まずは、それぞれの違いを簡単に整理します。

・WAV (audio/wav)
PCM無圧縮のため音質劣化がありません。ファイルサイズは大きくなりますが、編集素材や既存ツールとの受け渡しに向いています。

・FLAC (audio/flac)
音質を保ったまま容量を抑えられる可逆圧縮形式です。無劣化で保存したい場合や、アーカイブ用途に向いています。

・MP3 (audio/mpeg)
容量を抑えられる非可逆圧縮形式です。幅広い再生環境で扱いやすく、ブラウザ再生や一般的な音声配信に向いています。

・AAC (audio/aac)
MP3より効率よく圧縮しやすい非可逆圧縮形式です。Apple製品を含む環境で、容量を抑えて配信したい場合の候補になります。

・Opus (audio/ogg; codecs=opus)
低いビットレートでも音質を保ちやすい非可逆圧縮形式です。通信量を抑えたい場合や、低遅延なストリーミング再生に向いています。

⚠️ 拡張子だけを書き換えても、音声形式は変わりません。

APIから返されたContent-Typeと、output_formatに対応する拡張子で保存してください。

WAV — 加工しやすいPCM無圧縮

WAVは、音声合成エンジンの出力をPCM音声として無劣化で保持できる形式です。

圧縮による音質の変化がなく、多くの編集ソフトや音声処理ツールへ渡しやすい点が強みです。

一方で、圧縮しないためファイルサイズは5形式の中で最も大きくなります。保存容量だけでなく、ネットワーク転送量やダウンロード時間も増えやすいため、大量配信やモバイル回線での再生には向きません。

次のような用途で候補になります。

・動画や音声作品を編集するための元素材
・別の形式へ変換する前のマスター音声
・WAV入力を前提とする既存システムとの連携
・圧縮された音声を受け付けないツールへの入力

WAVは「音質を優先したいから選ぶ」というよりも、無圧縮の音声が必要な後工程へ合わせて選ぶ形式と考えるとわかりやすいでしょう。

FLAC — 無劣化のまま容量を抑える

FLACは、音声を元に戻せる可逆圧縮形式です。

再生時には元の音声データを復元できるため、圧縮による音質劣化がありません。それでいて、通常はWAVよりファイルサイズを小さくできます。

「無劣化で保存したいが、WAVの容量は避けたい」という場合に適しています。

たとえば、生成した音声を長期間保存したい場合や、あとから別の形式へ変換する可能性がある場合は、FLACを保存用のマスターデータにする方法があります。

ただし、利用する編集ソフト、ブラウザ、再生ライブラリがFLACを受け付けるかは、実際の環境で確認してください。

無劣化であっても、再生環境が対応していなければ、そのまま利用することはできません。

MP3 — 迷ったときの標準的な選択

MP3は、幅広いOS、ブラウザ、プレイヤーで扱いやすい形式です。

Aivis Cloud APIの既定値でもあり、Webサービス、音声記事、ナレーションの配信など、多くの用途で最初の候補になります。

非可逆圧縮のため、圧縮時に一部の音声情報は失われます。

ただし、音声合成による話し声では、用途に合ったビットレートを選べば、ファイルサイズと聞きやすさのバランスを取りやすい形式です。

次のような場合は、MP3から試すのがおすすめです。

・ブラウザで音声を再生したい
・利用者のOSや端末が幅広い
・音声をダウンロードできるようにしたい
・既存のプレイヤーや配信環境を利用したい
・まずは再生互換性を優先したい

MP3は必ずしも最も容量が小さい形式ではありませんが、対応環境の広さと実装のしやすさを両立しやすい点が大きなメリットです。

AAC — 圧縮効率と対応環境のバランス

AACは、MP3より効率よく圧縮しやすい非可逆圧縮形式です。

Aivis Cloud APIでは、AACコーデックをADTS形式で格納し、audio/aacとして返します。

Apple製品を含む多くの環境で利用できるため、iPhoneやiPadでの再生を想定しながら、MP3より転送量を抑えたい場合の候補になります。

ただし、「AAC」という名前が同じでも、音声データの格納形式やプレイヤーの実装によって扱いが異なることがあります。

Aivis Cloud APIから出力した音声を、そのまま利用予定のブラウザ、アプリ内ブラウザ、ネイティブアプリ、再生ライブラリで確認してください。

⚠️ AACを単純に「MP3の上位互換」と考えるのは正確ではありません。

圧縮効率ではAACが有利でも、既存環境との互換性や実装のしやすさではMP3が適する場合があります。

MP3とAACで迷う場合は、次の2点を比較しましょう。

・同じ文章を生成したときのファイルサイズ
・実際の対象端末やブラウザで問題なく再生できるか

音質だけでなく、再生環境まで含めて選ぶことが大切です。

Opus — 容量と低遅延性を重視する形式

Opusは、低いビットレートでも音質を保ちやすく、低遅延なストリーミングにも向く非可逆圧縮形式です。

大量配信、通信量を抑えたいサービス、音声対話のように再生開始の速さが重要な用途で、有力な選択肢になります。

Aivis Cloud APIは、OpusをOggコンテナに格納し、audio/ogg; codecs=opusとして返します。

ここで注意したいのが、Apple製品への対応です。

WebKitのSafari 18.4機能紹介では、Oggコンテナに格納されたOpusの再生対応が、macOS Sequoia 15.4、iOS 18.4、iPadOS 18.4、visionOS 2.4から追加されています。

つまり、Aivis Cloud APIのOpus出力をiPhoneやiPadのSafariで再生する場合は、iOS / iPadOS 18.4以降を対象にする必要があります。

それ以前のバージョンを対象に含めるなら、MP3またはAACを選ぶか、再生できない環境向けの代替形式を用意してください。

「Opusコーデックに対応しているか」だけでなく、Aivis Cloud APIが出力するOgg Opusを再生できるかを確認することが重要です。

用途別に選ぶなら

幅広いブラウザで再生したい

まずはMP3がおすすめです。

互換性が高く、Aivis Cloud APIでも既定形式になっているため、実装と検証を始めやすい選択です。

ただし、PCブラウザだけで判断せず、スマートフォン、アプリ内ブラウザ、実際に採用するプレイヤーでも確認してください。

ファイルサイズと通信量をできるだけ抑えたい

対象環境が対応しているなら、Opusが有力です。

iOS 18.3以前も対象に含める場合は、AACまたはMP3と比較してください。

形式だけでなく、ビットレートも容量へ大きく影響します。同じ形式でも、320kbpsと128kbpsでは1分あたりのデータ量が大きく変わります。

iPhoneやiPadを含むWebサービスで使いたい

幅広いOSバージョンを対象にするなら、まずMP3を基準にすると進めやすくなります。

容量をさらに抑えたい場合はAACを候補に加え、対象端末で再生を確認します。

Opusを選ぶ場合は、Aivis Cloud APIの出力がOgg Opusであることを踏まえ、iOS / iPadOS 18.4以降をサポート対象にできるか確認してください。

音質を変えずに保存したい

通常はFLACが扱いやすい選択です。

無劣化のままWAVより容量を抑えられます。

ただし、後工程のツールがWAVだけを受け付ける場合や、圧縮形式を避けたいワークフローではWAVを選びます。

保存時の容量だけで決めず、音声を次に渡す相手まで含めて判断しましょう。

電話・音声認識・外部APIへ渡したい

接続先が要求する形式、サンプリングレート、チャンネル数を優先してください。

たとえば、接続先が16,000Hz・モノラルを要求するなら、44,100Hz・ステレオで生成しても、その後に変換が必要になります。

「高い数値で作っておけば安心」ではなく、最終的な入力仕様へ合わせるほうが、変換処理やデータ量を減らせます。

ビットレートの決め方

output_bitrateには、8〜320kbpsの整数を指定できます。

ただし、指定できるのはMP3 / AAC / Opusです。

⚠️ WAVとFLACにはoutput_bitrateを指定できません。

WAVは無圧縮、FLACは可逆圧縮であり、MP3などと同じ方法でビットレートを選ぶ形式ではないためです。

Aivis Cloud APIのOpenAPI定義では、形式ごとに次の範囲が目安として案内されています。

・MP3：128〜320kbps
迷ったときは、192kbpsから試すのがおすすめです。

・AAC：96〜256kbps
まずは、128〜192kbpsを目安にしてください。

・Opus：64〜192kbps
まずは、128kbpsを目安にしてください。

ビットレートを上げるほど、一般には圧縮による音質の変化を抑えやすくなる一方、ファイルサイズと転送量は増えます。

話し声では、数値を最大まで上げても、再生機器や周囲の環境によっては差を感じにくい場合があります。

最初から最大値へ固定するのではなく、本番で使う文章を複数の設定で生成し、実際の端末で聞き比べるのがおすすめです。

サンプリングレートの決め方

output_sampling_rateには、次の値を指定できます。

8000 / 11025 / 12000 / 16000 / 22050 / 24000 / 44100 / 48000

既定値は44,100Hzです。

Aivis Cloud APIでは、44,100Hzを超える値へ上げても音質は向上しません。

48,000Hzは、48kHzを要求する動画編集環境や外部システムに合わせるための出力設定と考えてください。

Opusだけは指定できる値が異なり、次のサンプリングレートに対応します。

8000 / 12000 / 16000 / 24000 / 48000

対応していない値を指定した場合は、指定値以上で最も近い対応サンプリングレートへ自動調整されます。

たとえば、Opusで44,100Hzを指定すると、48,000Hzへ自動調整されます。

保存した音声の情報を確認したときに「指定値と違う」と慌てないようにしましょう。

モノラルとステレオの決め方

output_audio_channelsには、monoまたはstereoを指定できます。

既定値はmonoです。

Aivis Cloud APIの音声合成結果は、もともとモノラル音声です。stereoを指定した場合は、そのモノラル音声を左右の2チャンネルへ複製して出力します。

⚠️ ステレオを指定しても、声に方向感や広がりが追加されるわけではありません。

左右に同じ音声が入るため、再生側がステレオ形式を必須とする場合を除き、モノラルのままで問題ありません。

ステレオ空間に声を配置したい場合は、Aivis Cloud APIで生成した後に、動画編集ソフトやDAWなどで定位、残響、BGMとのミックスを調整します。

リクエストで出力形式を指定する

たとえば、MP3・192kbps・44,100Hz・モノラルで出力する場合は、次のように指定します。

curl -X POST \
  "https://api.aivis-project.com/v1/tts/synthesize" \
  -H "Authorization: Bearer $AIVIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model_uuid": "音声合成モデルのUUID",
    "text": "Aivis Cloud APIで音声を生成します。",
    "output_format": "mp3",
    "output_bitrate": 192,
    "output_sampling_rate": 44100,
    "output_audio_channels": "mono",
    "leading_silence_seconds": 0.1
  }' \
  --output speech.mp3

形式をAACやOpusへ変更する場合は、output_formatだけでなく、保存する拡張子、ブラウザへ返すContent-Type、プレイヤーの対応もセットで変更します。

たとえば、output_formatをopusへ変更したにもかかわらず、ファイル名をspeech.mp3のままにすると、ファイルの中身と拡張子が一致しません。

形式を変更するときは、音声を生成する側と受け取る側の両方を確認してください。

ストリーミング再生を早く始めたいとき

ブラウザで再生開始までの時間を短くしたい場合は、形式だけでなく、テキストの分け方や先頭の無音時間も影響します。

まず候補になるのは、MP3またはOpusです。

互換性を優先するならMP3、対象環境を限定できて容量と低遅延性を重視するならOpusを検討します。

leading_silence_secondsの既定値は0.1秒です。

0.0を指定すると音声先頭の無音を削除でき、ストリーミング再生時の待機時間をさらに短くできます。

ただし、この設定は音声合成の計算時間そのものを短縮するものではありません。

また、先頭の余白を完全に削ると、再生環境によっては発話が急に始まったように聞こえることがあります。

既定値の0.1秒と0.0秒を聞き比べて、サービスに合うほうを選んでください。

一行が長い文章では、最初の音声データが届くまで時間がかかる場合があります。

形式の選択だけで解決しようとせず、文章を意味のまとまりで分けることや、通信、プレイヤー、バッファ処理を含む全体の時間を計測しましょう。

公開前に確認したいこと

形式を決めたら、本番相当の環境で次の項目を確認します。

⚠️ ブラウザやOSが形式へ対応していても、アプリ内ブラウザ、利用中の再生ライブラリ、配信サーバーの設定によって再生できないことがあります。

仕様表だけで完了にせず、実際の利用経路で確認してください。

よくある質問 (FAQ)

Q. 結局、どの形式を選べばよいですか？

幅広いブラウザで再生するなら、まずMP3を選んでください。

容量と低遅延性を優先し、対象環境が対応しているならOpusが有力です。

無劣化で保存するならFLAC、WAV前提の編集環境へ渡すならWAVが候補になります。

Q. iPhoneでOpusを再生できますか？

Aivis Cloud APIが返すのは、Oggコンテナに格納されたOpusです。

iPhoneのSafariでは、iOS 18.4以降が対象です。iOS 18.3以前もサポートする場合は、MP3またはAACを利用してください。

Q. AACなら、必ずMP3より高音質になりますか？

必ずとは限りません。

一般にAACはMP3より効率よく圧縮できますが、実際の品質はビットレートや再生環境にも左右されます。

同じ文章を同程度の容量で生成し、実際に聞き比べるのが確実です。

Q. 48,000Hzにすれば高音質になりますか？

Aivis Cloud APIでは、44,100Hzを超えても音質は向上しません。

後工程が48,000Hzを要求するときに指定してください。

Q. ステレオにすれば臨場感が出ますか？

出ません。

モノラル音声を左右へ複製するため、声の広がりや方向感は追加されません。必要な場合は、生成後の編集工程で調整してください。

Q. FLACとWAVはどちらを選ぶべきですか？

無劣化で保存しながら容量を抑えたいならFLAC、編集ソフトや既存システムとの互換性を最優先するならWAVを検討してください。

Q. output_bitrateを指定するとエラーになります。

output_formatにWAVまたはFLACを指定していないか確認してください。

この2形式では、output_bitrateを設定できません。MP3 / AAC / Opusで、8〜320kbpsの範囲を指定します。

Q. 拡張子を.mp3へ変えればMP3になりますか？

なりません。

拡張子はファイル名の一部であり、音声データの形式を変換するものではありません。

APIリクエストのoutput_formatで指定するか、生成後に音声変換ツールでエンコードしてください。

まとめ

出力形式は、音声そのものだけでなく、再生開始の速さ、通信量、保存容量、利用できる端末、後工程の扱いやすさまで左右します。

迷ったときはMP3から始め、容量が課題になったらAACやOpus、無劣化での保存が必要ならFLACやWAVを検討してください。

最終的には、実際に使う文章と端末で生成・再生し、聞こえ方とデータ量の両方を比べることが大切です✨

以上で、この記事はおしまいです。
Aivis ProjectやAivis Cloud APIに関してご不明点やご相談がある場合には、お問い合わせフォームよりお気軽にご連絡ください。

🔗 関連リンク
・Aivis Cloud API公式ページ
・Aivis Cloud APIドキュメント
・Aivis Cloud API OpenAPI定義
・Safari 18.4のWebKit機能紹介
・AivisHub