O formato das mensagens de voz
Quando você grava uma mensagem de voz em um iPhone, sai um M4A. Quando grava com a maioria dos aplicativos de gravador do Android, também. É o invólucro habitual do áudio AAC, que é o codec que os celulares usam porque soa melhor que o MP3 ocupando o mesmo espaço.
Envia-se do jeito que está: não é preciso passar para MP3 antes, nem mudar a extensão, nem nada. Converter só tiraria um pouco de qualidade no caminho, porque cada compressão trabalha sobre o que a anterior deixou.