動画の字幕を自動生成するには？

字幕の自動生成は、AIの音声認識で動画の音声を文字に起こし、話しているタイミングに合わせて字幕を表示する仕組みです。YouTubeの自動字幕や動画編集ソフト、文字起こしツールなどで作れます。自動で作ったあとに、固有名詞の誤変換や改行位置を確認して直すと、見やすい字幕に仕上がります。

動画の内容を書く

アイデアを書いて形式を選べば、作成画面で動画が丸ごとできあがります。

字幕の自動生成とは、動画の音声をAIが聞き取って文字にし、話しているタイミングに合わせて画面に表示する機能のことです。以前は、音声を聞きながら一文ずつ文字を打ち込み、表示する時間を手作業で合わせる必要がありました。今は音声認識の精度が上がり、数分の動画なら短時間で字幕の下書きが完成します。

字幕が大切な理由

電車の中や職場の休憩中など、音を出せない場所で動画を見る人はたくさんいます。字幕がない動画は、音なしではほとんど内容が伝わらず、すぐにスワイプされてしまいます。字幕を入れておけば、音を出せない状況でも内容が伝わり、耳が聞こえにくい人にも動画を楽しんでもらえます。聞き取りにくい言葉や専門用語も、文字で見れば理解しやすくなります。

1語ずつ表示する字幕とは

ショート動画でよく見かけるのが、話している言葉に合わせて1語ずつ、または短いフレーズごとに文字が現れる字幕です。今読まれている言葉の色が変わるカラオケのような演出もあります。文字の量が少なく、目で追いやすいため、テンポの速いショート動画と相性がよいスタイルです。一方、長尺の解説動画では、一文ずつ画面下に表示する従来型の字幕のほうが落ち着いて読めます。

字幕を自動生成する方法

方法	特徴
YouTubeの自動字幕	アップロードした動画に自動で字幕が付く。視聴者が表示を切り替える方式
動画編集ソフトやアプリの自動字幕機能	映像に字幕を焼き込める。フォントや色も編集できる
文字起こしツール	音声をテキストや字幕ファイルとして書き出せる。別の編集ソフトで使える

手元の動画を文字にしたいときは動画の文字起こしツール、音声ファイルなら音声の文字起こしツール、YouTubeの動画ならYouTube文字起こしツールが使えます。

SRTとVTTの違い

字幕を映像に焼き込まず、別のファイルとして扱う場合によく使われるのがSRTとVTTです。どちらも、字幕の文字と表示する時間をセットで記録したテキストファイルです。

形式	特徴	主な用途
SRT	最も広く使われているシンプルな形式	YouTubeへのアップロード、多くの動画編集ソフト
VTT（WebVTT）	ウェブ向けの形式で、文字の位置などの指定もできる	ウェブサイトに埋め込む動画プレーヤー

YouTubeに字幕をアップロードする場合はどちらも使えます。迷ったらSRTを選んでおけば、ほとんどの場面で困りません。

精度を上げて見やすくするコツ

雑音やBGMの少ない、はっきりした音声で認識させる
人名や地名、商品名などの固有名詞は誤変換が多いので、必ず目で確認する
1行の文字数を詰め込みすぎず、意味の切れ目で改行する
白い文字に黒い縁取りを付けるなど、どんな背景でも読める色にする
縦型動画では、画面下部のボタンや説明文と重ならない位置に置く

ナレーションをAIで作る場合は、台本のテキストがそのまま字幕の元になるため、誤変換がほとんど起きないのも利点です。ナレーションについてはAIナレーションの解説をご覧ください。

よくある質問

YouTubeの自動字幕だけでは足りませんか？

YouTubeの自動字幕は視聴者が自分で表示を切り替える方式のため、オフのまま見ている人には字幕が見えません。ショート動画のように最初から字幕を見せたい場合は、映像に字幕を焼き込んでおくのが確実です。

関西弁や早口でも字幕を自動生成できますか？

認識はできますが、標準語ではっきり話した音声に比べると誤変換が増えやすくなります。自動生成のあとに一度見直し、聞き取りにくかった部分を中心に手で直すと安心です。

字幕のフォントは何がおすすめですか？

スマホの小さな画面でも読みやすい、太めのゴシック体が基本です。明朝体や細い手書き風のフォントはおしゃれですが、動きのある映像の上では読みにくくなりがちです。色は白に黒の縁取りなど、背景に左右されない組み合わせを選びましょう。