---
title: "サンプリングレートとは？音声認識が 16 kHz を使う理由 | BroadRouter"
description: "サンプリングレートは 1 秒あたりに記録する音声サンプルの数です。音声モデルが 16 kHz モノラルを使う理由、ファイルサイズの計算、25 MiB のアップロードに入る分数を解説します。"
url: https://broadrouter.com/ja/glossary/sample-rate/
lang: ja
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/sample-rate/) (2026-11-16 更新).

# サンプリングレート（sample rate）

更新日 2026-11-16

サンプリングレートとは、1 秒間に取り込む音声サンプルの数で、単位はヘルツ（Hz）です。音声認識モデルは一般に 16,000 Hz（16 kHz）のモノラル音声を前提とします。ビット深度、チャンネル数とあわせて、非圧縮音声の 1 分あたりのサイズを決めます。

別名： サンプリング周波数、サンプルレート、標本化周波数、16kHz 音声、sample rate、sampling rate、sampling frequency、audio sample rate、16 kHz audio

音声ファイルが大きすぎるときや、文字起こしのリクエストが拒否されたとき、最初に確かめるべき数字がサンプリングレートです。

## 仕組み

デジタル音声は、音の波形を 1 サンプルにつき 1 つの数値の列として保存します。16,000 Hz なら、1 チャンネルにつき毎秒 16,000 個の数値です。16 ビット深度では、各数値が 2 バイトを使います。したがって非圧縮 WAV のサイズは次のとおりです。

```text
bytes per second = sample rate x bytes per sample x channels
16 kHz, 16-bit, mono:    16,000 x 2 x 1 = 32,000 B/s  -> x 60 = 1,920,000 B per minute
44.1 kHz, 16-bit, stereo: 44,100 x 2 x 2 = 176,400 B/s -> x 60 = 10,584,000 B per minute
```

音声モデルは通常 16 kHz の音声で学習されています。OpenAI の Whisper のコードは `SAMPLE_RATE = 16000` を設定し、すべてのファイルを ffmpeg 経由で `-ac 1 -ar 16000` を付けて読み込みます。FFmpeg 自身のドキュメントでは、`-ar` が音声のサンプリング周波数を、`-ac` がチャンネル数を設定します。

## なぜ重要か

-   **ファイルサイズの上限。** CD 品質のステレオ WAV は 16 kHz モノラルの 10,584,000 / 1,920,000 = 5.5 倍の大きさで、16 kHz のモデルにとっては何の得にもなりません。
-   **アップロード時間。** ファイルが小さいほど API に早く届きます。音声ボットでは重要です。
-   **互換性。** [音声区間検出（VAD）](https://broadrouter.com/ja/glossary/vad/)などのツールは特定のレートしか受け付けません（WebRTC VAD は 8、16、32、48 kHz）。
-   **アップサンプリングしない。** 8 kHz の通話録音を 16 kHz に変換しても、ファイルが 2 倍になるだけで情報は増えません。

## BroadNet Inference の場合

BroadNet の文字起こしエンドポイントは、1 ファイルあたり 26,214,400 バイト（25 MiB）までの WAV または MP3 を受け付けます。ドキュメントでは、WhatsApp の `.ogg` ボイスメッセージや `.m4a` の録音を次のコマンドで変換しています。

```bash
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
```

16 ビット WAV で 1 回のリクエストに入る音声の長さは次のとおりです。

| 形式 | 1 分あたりのバイト数 | 26,214,400 バイトに入る長さ |
| --- | --- | --- |
| 16 kHz モノラル | 1,920,000 | 26,214,400 / 1,920,000 = 13.65 分、約 13 分 39 秒 |
| 44.1 kHz ステレオ | 10,584,000 | 2.48 分、約 2 分 29 秒 |

それより長い音声は、[WhatsApp ボイスメッセージのガイド](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)のように 10 分ごとのセグメント（600 秒 × 32,000 B/s = 1 つあたり 19,200,000 バイト）に分割するか、1 分あたりのサイズがずっと小さい MP3 で送ってください。`language` は必ず指定してください。課金はバイトではなく音声の分数単位なので、サンプリングレートはアップロードのサイズを変えても料金は変えません。費用は[音声認識の料金計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)で確認できます。全体像は[音声認識](https://broadrouter.com/ja/glossary/speech-to-text/)を参照してください。

## よくある質問

### 音声認識にはどのサンプリングレートを使えばよいですか？

16 kHz モノラルが一般的です。Whisper はすべての入力を 16,000 Hz にリサンプリングし、BroadNet のドキュメントもボイスメッセージを ffmpeg -ar 16000 -ac 1 で変換しています。

### 16 kHz の WAV は 1 分でどのくらいのサイズですか？

16 ビット・モノラルなら、16,000 サンプル × 2 バイト × 60 秒 = 1,920,000 バイトで、約 1.92 MB に小さなヘッダーが加わります。

### サンプリングレートを上げると文字起こしの精度は上がりますか？

モデルが 16 kHz で動くなら上がりません。どのみち音声をダウンサンプリングするからです。レートを上げてもアップロードが大きくなるだけです。

## 関連項目

-   [音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/) (用語)
-   [音声区間検出（VAD）](https://broadrouter.com/ja/glossary/vad/) (用語)
-   [話者ダイアライゼーション（speaker diarization）](https://broadrouter.com/ja/glossary/diarization/) (用語)
-   [タイムスタンプ（音声認識、timestamps）](https://broadrouter.com/ja/glossary/timestamps-asr/) (用語)
-   [WAV](https://broadrouter.com/ja/glossary/wav/) (用語)
-   [Ogg Opus](https://broadrouter.com/ja/glossary/ogg-opus/) (用語)
-   [WhatsApp のボイスメッセージを API で文字起こしする](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/) (ガイド)
-   [アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/) (ガイド)
-   [ビジネス向けボイスメッセージの文字起こし：WhatsApp と Telegram からチケットへ](https://broadrouter.com/ja/blog/voice-notes-to-text-for-business/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-sample-rate&utm_content=page-cta) ·

**出典**

-   [FFmpeg ドキュメント、-ar と -ac の音声オプション（2026-11-16 確認）](https://ffmpeg.org/ffmpeg.html)
-   [OpenAI Whisper のソース、audio.py（SAMPLE\_RATE = 16000）（2026-11-16 確認）](https://github.com/openai/whisper/blob/main/whisper/audio.py)
-   [BroadNet Inference API リファレンス、文字起こしと ffmpeg による変換（2026-11-16 確認） （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-sample-rate&utm_content=sources)
