動画からローカルで字幕を作る手順｜文字起こしからSRT・VTTまで

動画からローカルで字幕を作る場合、音声認識で文章が得られた時点ではまだ完成ではない。

字幕では、何を話したかだけでなく、いつ表示するか、どこで区切るか、画面上で読みやすいかも重要になる。

文字起こし、時刻情報、字幕としての分割、動画上での確認を分けて進める。

図を拡大して見る

図: 処理や設定の流れを1枚に整理。実際の操作条件は本文で確認する。

まず動画から使う音声を決める

動画に複数の音声トラックがある場合は、どれを文字起こしするか先に決める。

必要なら動画から音声を取り出し、使う文字起こしソフトが扱える形式へ変換する。最初の試行では、入力条件も残しておく。

元動画:
使用した音声トラック:
言語設定:
文字起こしモデル / リビジョン:
実行環境 / バージョン:

問題が起きたとき、動画そのもの、音声の取り出し、文字起こしのどこで崩れたかを追いやすくするためだ。

時刻情報付きで文字起こしする

Whisperは音声認識と時刻情報を扱える。字幕を作るなら、文章だけでなく各区間の開始・終了時刻も残す。

ただし、日本語へ対応していることと、固有名詞、早口、複数人が重なる発話まで常に正しく認識できることは別だ。

重要な部分は後で原音へ戻れるようにしておく。

文字起こしを字幕向けに区切る

長い文章をそのまま一つの字幕へ入れると読みにくい。

意味の切れ目と表示時間を見ながら、字幕を短い区間へ分ける。句読点の位置だけで機械的に切るのではなく、実際に読める長さになっているかを見る。

開始時刻:
終了時刻:
字幕本文:

の組を一つずつ持つと確認しやすい。

SRTとVTTでは書式を守る

SRTでは連番、開始・終了時刻、字幕本文を並べる。VTTではWebVTTの形式へ合わせる。

変換ソフトで自動出力できても、

• 改行位置が不自然ではないか
• 一つの字幕が長すぎないか
• 短時間で大量の文字を表示していないか
• 句読点や記号が崩れていないか

を確認する。

書き出した字幕を動画へ重ねて確認する

字幕ファイルを動画プレーヤーへ読み込み、実際の映像と音声に合わせて見る。

最低でも冒頭・中央・末尾でずれを確認する。長い動画では途中から少しずつ時刻がずれていく場合もあるため、一箇所だけ見て終わりにしない。

特に確認したいのは、

• 人名・製品名
• 数字・日付
• 否定表現
• 話者が切り替わる場所
• 音声が途切れる場所

だ。

重要な動画を公開する場合は、自動生成した字幕だけで確定せず、人が映像と原音を見ながら確認する。

字幕作成の完成条件は、文字が出力されたことではなく、動画上で正しい内容が読みやすい時刻に表示されることだ。

話者ごとに会議録まで分けたい場合は、会議音声をローカルで文字起こし・話者分離する方法も確認できる。