字幕・キャプション・文字起こし：購入者向け比較ガイド

字幕・キャプション・文字起こしは別の成果物です

字幕、キャプション、文字起こしの違いは利用方法にあります。文字起こしは音声を独立して読める文書にし、キャプションは動画再生中に発話と理解に必要な音情報を同期表示し、翻訳字幕は通常、原語を理解しない視聴者にせりふを伝えます。同じ音声を基にしていても、ビジネス目的、アクセシビリティ、ローカライゼーション、プラットフォーム要件は異なります。

「動画をテキスト化する」という依頼だけでは、タイムコード、話者名、効果音、翻訳、表示位置、検索可能な文書、LMSに取り込めるファイルのどれが必要か分かりません。文字起こしは同期キャプションの代わりにはならず、せりふだけの翻訳字幕はアクセシビリティに必要な話者・音情報を欠くことがあります。

定義と納品内容

文字起こし（transcription）は発話と、合意した範囲の重要な非言語音を文章にします。逐語、読みやすく整えた原稿、話者ラベル、タイムスタンプ、公開用文書などの形があります。通常は動画と別に読みますが、インタラクティブなトランスクリプトは文章と再生位置を結び付けます。

キャプション（captions）は、発話だけでなく、理解に必要な音楽、笑い、警報、声の調子、話者情報も含む同期テキストです。W3Cの収録済みキャプション解説もこの違いを明示しています。クローズドキャプションはオン・オフでき、オープンキャプションは映像に焼き込まれて消せません。

翻訳字幕（subtitles）は主にせりふを別の言語で伝えます。ただし地域やプラットフォームによって用語が異なり、同言語のアクセシビリティ用テキストを subtitles と呼ぶ場合もあります。名称だけでなく、含める情報と機能を指定してください。

SDHは聴覚障害者向け字幕で、翻訳または同言語のせりふに話者表示と重要な音の手掛かりを加えます。ローカライゼーションとアクセシビリティを同時に提供できますが、形式や表示ルールは別途定義します。

購入者向け比較表

一つの研修動画に三つすべてが必要なこともあります。ページには検索可能な文字起こし、プレーヤーには原語キャプション、各市場には翻訳字幕または SDH を提供します。承認済みの原文とタイミングは共有できますが、各成果物は個別に検収します。

翻訳前にアクセシビリティ要件を決める

テキストが存在するだけではアクセシビリティ対応になりません。収録済み同期メディアについて、WCAG 2.2 達成基準 1.2.2は記載された例外を除き、レベルAでキャプションを求めています。W3Cが定義するキャプションは、発話と理解に必要な非言語音の両方を含みます。プレーヤー下の文字起こしは同期されず、せりふだけの翻訳字幕は必要な音情報を欠く可能性があります。

W3Cの文字起こしガイダンスは、基本トランスクリプトと重要な視覚情報も含む説明付きトランスクリプトを区別します。読む方が理解しやすい人、時間をかけたい人、テキスト検索や別の支援技術を使う人にも役立ちます。キャプションと文字起こしのWCAG上の役割は異なるため、一つのファイルだけで包括的な適合を約束しないでください。

法的義務は国・地域、業界、組織方針、配信経路、番組の来歴に左右されます。米国FCCのインターネット字幕規則も、字幕付きでテレビ放送された一定の番組に関係する範囲を持ち、すべてのウェブ動画に適用される普遍的ルールではありません。アクセシビリティまたは法務責任者が適用基準を確認し、発注仕様に記録すべきです。

品質は単語の正しさだけではありません。FCCのキャプション品質枠組みは正確性、同期性、完全性、配置を重視します。文字が正しくても、遅れる、短すぎる、最後が切れる、重要な操作ボタンを隠すといった状態では利用できません。

承認済み原語トラックからローカライズする

最初に動画版を固定し、フレームレート、長さ、音声構成、編集版を記録します。台本、人名、用語、発音、ブランドルール、画面内テキストを集めます。今後編集される可能性があれば、変更の識別と費用処理を合意します。短い挿入でも後続キューすべての時間がずれます。

次に原語の文字起こしをレビューし、不明瞭な発話、人名、数字、略語、話者を解決します。その上で、適切なキュー境界、表示時間、改行、話者変更、効果音を持つ原語キャプションテンプレートを作成します。ただし翻訳を同じ形にはめ込んではいけません。言語ごとに長さ、語順、自然な分割位置が違います。

文単位の置換ではなく視聴状況に合わせて翻訳します。意味、トーン、用語、CTAを守りながら密度を調整し、承認済み方針に従って慣用表現、単位、敬称、文化的要素をローカライズします。画面テキストを字幕にするか、画像を差し替えるか、別資産にするかも決定します。

最後に各言語を実際の動画で確認します。対訳レビューだけでは、タイミング、切れ、重なり、フォント、エンコード、場面転換の問題をすべて発見できません。字幕翻訳と文化的適応と多言語字幕QAチェックリストも参照してください。

配信先に合わせてファイル形式を選ぶ

• TXT、DOCX、構造化HTMLは読むための文字起こしに適しています。必要に応じて話者名と定期的なタイムスタンプを入れます。
• SRTは広く交換でき簡単ですが、機能が限られ、プラットフォームごとに動作が異なる場合があります。
• WebVTT（.vtt）はウェブ向けの時間同期テキストです。W3C WebVTT仕様はキャプション、字幕、説明、チャプター、メタデータを扱います。
• TTMLまたはIMSCは放送・配信の豊富な構造に使われます。必要なプロファイルを指定します。
• プラットフォーム専用形式が放送局、配信サービス、LMS、SNS、編集システムで必要な場合は、全量制作前にサンプルを取り込みます。
• 焼き込み字幕は映像ピクセルの一部で、消すことができず、ユーザーによる表示調整、検索、再利用も難しくなります。

マニフェストには編集可能なマスター、言語コード、元動画版、フレームレート前提、納品版を記録します。`module03_ja-JP_sdh_v2.vtt`は`final2.srt`より追跡しやすい名前です。UTF-8または指定エンコード、日本語フォント・句読点、対象端末での表示も試験します。

タイミング、話者、音、配置を指定する

タイムコードの基準、最短・最長表示時間、最大行数、一行の文字数、読速度の計算法、カットまたぎ、重複発話、速い会話の処理を測定可能にします。全言語・全プラットフォームに共通する唯一の数値はないため、配信先の仕様を優先します。

キャプションとSDHでは、画面だけで分からない話者を示し、理解に必要な音を記述しますが、すべての音を実況しません。音楽も出所、雰囲気、歌詞、物語上の役割が重要な場合に示します。色だけで話者を区別しないでください。翻訳字幕では人名、肩書、画面グラフィック、外国語せりふを同じトラックに含めるか分けるか決めます。

配置は顔、操作デモ、安全警告、チャート、ボタン、ローワーサードを隠さないようにします。位置メタデータが使える場合は実機で試し、使えない場合はセーフエリアを定義します。小さなスマートフォン画面でも確認します。

購入者の判断フロー

• 検索・ダウンロード・レビュー可能な文書が必要か。文字起こしを発注し、必要なら話者、時刻、視覚説明を追加します。
• 再生中の原語音声をアクセス可能にするか。重要な音と話者表示を含む同言語キャプションを発注します。
• 別言語の視聴者にせりふを伝えるか。翻訳字幕を発注し、アクセシビリティも必要ならローカライズSDHを選びます。
• アクセシビリティと海外展開の両方が必要か。承認済み原語テンプレートから各市場のトラックを作ります。
• 検索、記録、翻訳、再生に共用するか。原語文字起こし、原語キャプション、翻訳トラック、版管理マニフェストをセットで発注します。
• ライブ配信か。遅延、修正、人員、プラットフォーム、障害対応が異なる別工程として設計します。

迷う場合は、複数話者、音楽、画面文字、数字、速い部分、アクセント、ローワーサードを含む代表動画で試行します。

検収可能な成果物で見積もりを比較する

同じ「キャプションサービス」でも内容は異なります。原語確認、文字起こし、タイミング、キャプション作成、翻訳、バイリンガルレビュー、動画内QA、形式変換、アップロード、修正回数、最終修正を分けて価格提示してもらいます。音声認識や機械翻訳を使う場合、その後の人手確認も明記させます。

検収証跡には言語・ファイル一覧、検証結果、レビューチェックリスト、課題ログ、修正版、正確な動画版を含めます。冒頭・中盤・終盤の完全なキューと難しい箇所を確認してください。AI学習データ用文字起こしは要件が大きく異なるため、AI学習データ向け文字起こしサービスも参照できます。

承認前に、全言語・全成果物、正しい動画版、発話・人名・数字・用語、必要な音情報、翻訳の読みやすさ、タイミング・改行・配置、エンコード・言語タグ・取り込み・トラック選択、文書としての読みやすさ、関連派生ファイルへの修正反映を確認します。

最適解は三者択一ではなく、目的に合わせた組み合わせであることが多いものです。Smart Language Serviceに元動画一本、対象プラットフォーム、言語、アクセシビリティ方針、用途をお送りください。全量見積もりの前に、文字起こし、キャプション、翻訳字幕、SDH、形式、QAの必要範囲を確認します。