ブログ
SRTファイルの作り方:動画・音声・テキストから字幕を作成
著者: Hushscript 公開日: 最終確認日:
SRTファイルを作成するには、動画や録音の音声を文字起こしして、SRTとして書き出します。話した1行ごとに、開始時刻と終了時刻が入った番号付きのキューになります。字幕ジェネレーターならブラウザー上でオンラインで処理できるので、タイムスタンプを自分で入力する必要はありません。手元にテキストしかない場合は、SRTを手書きで作ることもでき、後半にその手順があります。このガイドでは、形式に何が含まれるか、動画・音声・テキストからSRT字幕を作る方法、そして字幕が読みやすくなるように仕上げる方法を説明します。
始める前に必要なもの
必要なのは、動画ファイルと数分の時間です。MP4、MOV、MKV、WebM、AVIなど、一般的なコンテナ形式であれば使えます。SRTの作成に編集ソフトは要らず、先に動画を変換する必要もありません。字幕エディターは必須ではなく、あとでタイムラインを見ながらタイミングを微調整したいときにだけ役立ちます。
全体の文字起こしには、アカウントと十分な残り分数が必要です。対象の個人アカウントは、カード確認に成功すると30分の無料分を1回受け取れます。まだ付与されていない場合は、初回購入時にも受け取れます。最初に表示される5分のプレビューにはアカウントが要らないので、何かを決める前に品質を確かめられます。
SRTファイルとは
SRTはSubRip Textの略です。詳しくは、SRTファイルとは何か、VTTとの違いをご覧ください。形式はあえてシンプルに作られていて、番号付きのブロックが並んでいるだけです。各ブロックは3つの部分が別々の行に積み重なっています。最初にインデックス番号、次にstart --> endのタイムスタンプ、最後に1〜2行の字幕テキストです。ブロックとブロックの間は空行で区切ります。
1
00:00:02,340 --> 00:00:05,810
音声はブラウザー上で抽出されます。
2
00:00:06,100 --> 00:00:09,440
サーバーに届くのは音声だけで、動画は届きません。
ファイルを読んだり手で編集したりするときは、いくつか注意点があります。タイムスタンプの形式はHH:MM:SS,mmm(時からミリ秒まで)で、ミリ秒の前の区切りはピリオドではなくカンマです。2つの時刻の間の矢印は、ハイフン2つと大なり記号のきっかり3文字です。インデックス番号は、1から欠番なく順に並べます。このどれかを間違えると、プレーヤーによっては該当のキューが何も言わずに飛ばされます。手で編集したSRTが途中から「動かなくなる」原因の、いちばん多いパターンです。
SRTは、デスクトップのプレーヤー、編集ソフト、動画の配信プラットフォームで広く使えますが、すべてで使えるわけではありません。米国議会図書館のフォーマット解説は、SRTを、番号付きで時間指定のあるテキストキューが連なっただけの単純な形式として記録しています。どの字幕形式を取り込めるかは、配信先ごとに異なります。HTMLのネイティブな<track>要素は、WHATWG Living Standardにあるとおり、時間指定のテキストにWebVTTを使います。この変換は簡単で、後半で説明します。
動画からSRTファイルを作成する方法
Hushscriptは、SRTを作るジェネレーターとして使えます。音声を文字起こしして各行にタイミングを付け、.srtとして書き出します。動画からSRTファイルを作るのに必要なのは、動画と、アカウント、そして動画の長さに足りる分数です。流れは3段階で、順番を逆に思い込みやすい部分です。先にファイルをドロップし、アカウントを作る前にプレビューを確認します。
- 動画をドロップして、無料プレビューを見る。 動画の文字起こしのページを開きます。ファイルがMP4ならMP4の文字起こしでも構いません。動画をアップロード領域にドロップします。音声トラックはブラウザー上でローカルの処理ライブラリによって抽出され、最初の5分が話者ラベル付きのプレビューとして返ります。この段階ではアカウントは不要で、動画そのものがお使いのデバイスから出ることもありません。
- サインアップして、残りを文字起こしする。 プレビューで問題がなければ、アカウントを作成してファイル全体を処理します。対象の個人アカウントには、カード確認後、または最初の購入時に、無料30分が1回付与されます。お支払い方法は、決済画面に表示されるものをお使いください。始めるのにカードは不要です。文字起こしは最上位のAIで処理するため有料で、サブスクリプションなしの従量課金制です。無料分を超える長い動画については、料金ページをご覧ください。料金はファイル単位ではなく、音声の1分単位で発生します。
- 文字起こしを開いて、SRTで書き出す。 文字起こしができたらエディターで開き、必要な修正をしてから、書き出しをクリックしてSRTを選びます。話した1つの発話が1つのキューになり、開始と終了のタイムスタンプはすでに入っています。ダウンロードされるのは、ウォーターマークのないシンプルな
.srtファイルです。
書き出す前に、エディターで話者ラベルを確認できます。インタビュー、討論、パネルディスカッションなどで字幕に名前を入れたい場合は、先に「話者 1」「話者 2」を実際の名前に変更してください。書き出しでは、該当するキューの先頭にその名前が入ります。
実際の例
2人が話す12分の録音インタビューfounder-chat.mp4があるとします。ページにドロップすると、5分のプレビューで2人の声がきちんと拾えていることが確認でき、そこでサインアップします。全体の文字起こしができたら、2人の話者の名前を「Maya」と「Devin」に変更し、聞き間違えた製品名を1か所直して、SRTで書き出します。ファイルの冒頭は次のようになります。
1
00:00:01,120 --> 00:00:04,460
Maya: 今日はお時間をいただき、ありがとうございます。
2
00:00:04,800 --> 00:00:08,210
Devin: こちらこそ。今日を楽しみにしていました。
3
00:00:08,540 --> 00:00:12,900
Maya: では、最初から伺います。このアイデアはどうやって生まれたのですか?
注目したい点が2つあります。1つは、各キューが自然な1つの発話に対応しているため、タイミングが固定のクロックではなく会話に沿っていること。もう1つは、キューとキューの間の数百ミリ秒の間が、話者の入れ替わりの実際の間を反映していることです。たいていはそれが望ましい形ですが、1つだけ注意点があり、次に説明します。
音声ファイルからSRTファイルを作成する方法
動画は必須ではありません。MP3、WAV、M4Aなどの録音ファイルしかない場合も、手順は同じです。ファイルをドロップして無料プレビューを確認し、サインアップして全体を文字起こしし、SRTで書き出します。できあがった字幕ファイルは、あとで編集する動画と組み合わせても、時間情報付きの文字起こしとしてそのまま使うこともできます。対応する形式は、音声の文字起こしのページにまとめてあります。
テキストからSRTファイルを作成する方法
SRTはただのテキストなので、プレーンテキストエディターだけでも作れます。文言とタイミングがすでに分かっているとき、たとえば自分でタイミングを計った短い台本があるときは、この方法が向いています。
- テキストエディターで空のファイルを開き、1行目に
1と入力します。 - 次の行に、
00:00:02,340 --> 00:00:05,810のように開始時刻と終了時刻を書きます。 - その次の1〜2行に、字幕のテキストを入力します。
- 空行を1行入れて、
2、3と同じ形で続けます。 - 拡張子を
.srtにして保存します(.txtにはしません)。
時間がかかるのはタイムスタンプで、録音を聞きながら、1キューずつ拾っていかなければなりません。Hushscriptは、すでにある台本ではなく音声そのものから字幕を作るので、長い録音ならこちらのほうが、時間情報付きのキューを早く手に入れられます。短いクリップなら、手書きでも十分です。
SRTファイルを無料で作成できるツールはある?
一部は無料です。料金がかからないのは次のものです。
- プレビュー。 ファイルをドロップすると、最初の5分が話者ラベル付きの文字起こしとして返ります。アカウントは不要です。品質は分かりますが、SRTのダウンロードは、全体の文字起こしから行います。
- 最初の30分。 対象の個人アカウントには、カード確認後、または最初の購入時に、無料30分が1回付与されます。対象のアカウントなら、30分までの録音は、ファイルからSRTまで無料で進められます。
- 手書きでファイルを作る方法。 上で説明したとおりです。
- すでにあるファイルの変換。 字幕コンバーターは無料で、ブラウザー上で動作しますが、変換できるのは既存の字幕ファイルだけです。音声や動画から字幕を作ることはできません。
無料分を超えると、サブスクリプションなしで、音声の1分単位で課金されます。料金ページをご覧ください。どのファイルでも無料で使えるSRT作成ツールをお探しの場合、ここにはありませんが、始める前に知っておくほうがよいことです。
パックはプリペイドなので、動画を作らない月は費用がかかりません。1分単位の料金の仕組みは、従量課金の文字起こしのページで説明しています。
タイミングと行の長さを調整する
ほとんどの書き出しはそのまま使えますが、次の2つの確認をするだけで、字幕がぐっと読みやすくなります。この短い仕上げが、自動生成の字幕と、プロが作ったような字幕の差になります。
行の長さと行数:スタイルガイドはさまざまで、SRT形式自体は、共通の行の長さや行数を強制しません。長いキューは、文字の壁になりかねません。配信先に現行のルールがある場合はそれに従い、なければ、各キューを短くまとめ、自然な句の切れ目で分けて、最終的なフレームサイズで確認してください。
読み取り速度:画面に出ている時間は、キューの文字量に合っている必要があります。非常に短い時間に多くの文字が出るキューは、自然な間で分けるか、後の発話にかぶらないようにタイミングを調整してください。タイミングは、テキストファイルだけで判断せず、通常の再生速度で字幕をプレビューして確認します。
キュー間の隙間と重なり:連続する2つのキューの隙間が約80ミリ秒より短いと、プレーヤーによっては前の行を長く表示しすぎたり、次の行を飛ばしたりします。続けて並ぶキューの間には、少し息をつく間隔を空けてください。逆の問題が重なりで、2人が同時に話すと、エンジンは話者ごとに別のキューを割り当てるため、そのキューどうしが時間上でぶつかることがあります。本当の重なりを完全に解消できる自動ツールはありません。会話の多い映像では、タイムスタンプが重なっていないかを確認し、どちらかのキューを手作業で前後にずらしてください。
形式は人間が読めるので、これらの作業はすべてプレーンテキストエディターでできます。書き出しの画面には、行の分割方法を変えるための字幕の再分割コントロールもあります。見ながら作業したい場合は、WindowsのSubtitle Editや各プラットフォーム対応のAegisubのような専用の字幕エディターを使うと、波形のタイムラインが加わり、間隔や読み取り速度のよくある問題をまとめて自動修正できます。
SRTとVTT:どちらで書き出すか
2つの形式はよく似ていて、どちらを選ぶかは、字幕をどこで再生するかで決まります。決める前に比較をしっかり見たい場合は、SRTとVTTの違いと選び方で、それぞれの強みを詳しく説明しています。
デスクトップのプレーヤー、動画編集ソフト、そして大半の配信プラットフォームにはSRTが向いていて、必要な場面のほとんどはこれでまかなえます。HTML5の<video>要素を使ったカスタムのWebページに字幕を載せる場合は、WebVTTを選びます。<track>要素でブラウザーが標準で読めるのはこの形式だけだからです。内容は両者で同じです。VTTはファイルの先頭にWEBVTTの行が加わり、各タイムスタンプのミリ秒の前がカンマではなくピリオドになるだけです。
違いはこれだけなので、切り替えるために文字起こしをやり直す必要はありません。SRTで書き出しておいて、あとからVTTが必要になったら、SRTをVTTに変換する無料ツールにかけてください。アカウントなしでブラウザー上で動作し、何もアップロードされません。
SRTをプレーヤー・編集ソフト・プラットフォームに追加する
ファイルができたら、取り付け方は、動画をどこで使うかによって変わります。
デスクトップのプレーヤー:VLCやmpvをはじめ、ほとんどのデスクトッププレーヤーは、動画と同じ名前(拡張子を除く)で同じフォルダーにあるSRTを自動で読み込みます。interview.mp4とinterview.srtのようにファイル名をそろえて同じフォルダーに置くと、再生時に字幕が表示されます。プレーヤーが読み込まなかった場合は、字幕メニューにある手動の「字幕ファイルを読み込む」を使います。
動画編集ソフト:DaVinci Resolve、Premiere Pro、Final Cutでは、SRTを字幕またはキャプションのトラックとしてインポートします。各キューが正しいタイムコードでタイムラインに配置されるので、そこからフォントや位置を変更でき、字幕を画像に焼き込みたい場合は、最終の書き出しで焼き込めます。
動画の配信プラットフォームとSNS:YouTubeは、字幕の作業フローでSRTをそのまま受け付けます。ほかのプラットフォームは、別ファイルの字幕を受け付ける、内蔵の字幕エディターを使う必要がある、字幕を動画に焼き込んだものを求める、のいずれかです。確認済みのSRTを基準となる正本として保管し、1つのアップロード方法がどこでも通用すると思い込まず、配信先の現行の公開手順に従ってください。
字幕を焼き込む:切り替えられる別ファイルの字幕ではなく、文字を映像の一部として固定したい場合は、別のエンコード作業になります。HandBrakeなら、SRTを動画に無料で焼き込めます。動画を読み込み、「字幕」タブにSRTを追加して、「焼き込み(Burned In)」にチェックを入れ、エンコードします。別ファイルのSRTは編集できますが、焼き込んだ字幕は編集できないため、配信先が別ファイルの字幕を読めない場合にだけ使ってください。各プラットフォームでの字幕の取り付けと焼き込みを、順を追って確認したい場合は、動画に字幕をつける方法をご覧ください。
よくある問題と対処法
最初から字幕がずれている。 すべての行が一定の時間だけ早い、または遅い場合、たいていはプレーヤーが、タイミングの前提とは少し違うフレームレートで読んでいます。ほとんどのデスクトッププレーヤーには、トラック全体を一度にずらす字幕の遅延設定があります。最初の行が合うまで調整すれば、残りもそれに合わせて動きます。
時間が経つほどずれが広がる。 再生が進むにつれてずれが大きくなるのは、元の動画と書き出した動画のフレームレートが違っている状態です。23.976 fpsのファイルを25 fpsに変換した場合や、その逆でよく起こります。以前のカット版ではなく、実際に公開する動画のバージョンに合わせて、SRTを書き出し直してください。
字幕に話者の名前が出ない。 ラベルの名前を変更したのにプラットフォームで名前が表示されない場合、そのプラットフォームがインポート時にSRTから話者名の接頭辞を取り除いている可能性があります。名前を強制するSRTの設定はありません。確実な対処は字幕の焼き込みで、名前も映像の一部になります。
英語以外の動画が、違う言語で返ってきた。 Hushscriptは約99言語の話し言葉を自動検出しますが、非常に短いクリップや雑音の多いクリップでは、まれに誤認識することがあります。よりクリアな区間でやり直すか、対応言語のページで、その言語に対応しているかを確認してください。
長い区間が1つの巨大なキューになる。 誰かが途切れなく長く話し続けたときに起こります。文の切れ目でキューを手作業で分割し、1つのブロックに読みやすい文字が2行を超えて入らないようにしてください。
少ない修正で済ませる、精度のコツ
字幕の品質の大半は、エディターを開く前に、取り込む音声で決まります。元の音声がクリアなら、聞き間違いが減り、タイムスタンプも正確になるので、修正の手間が少なくなります。
音声は、強い圧縮をかけずに、普通の話し声の音量で録音または書き出し、会話の裏で大きな音楽が流れる状態は、できる範囲で避けてください。複数人が話す場合は、それぞれの声がある程度聞き分けられる録音のほうが、話者ラベルが安定します。字幕に名前を残すつもりなら、これが重要です。すでに公開した動画が元なら、音声は変えようがありませんが、自分で録音する場合は、音量とマイクの位置に数分気を配るほうが、あとでどれだけ編集するよりも字幕の品質に効きます。
SRTのあとに:文字起こしの残り
SRTを作ると全体の文字起こしも手に入るので、使い道は字幕だけに限りません。同じセッションから、テキストをTXTやDOCXで書き出して、番組ノート、講演のブログ版、動画の横に掲載するアクセシブルな文字起こしに使えます。きれいな文字起こしを書き出すことと、動画の文字起こしで字幕を作ることは、同じサービスの機能です。SRTは、そこから書き出せる形式の1つにすぎません。
この字幕を動画に付ける次のステップ、つまり別ファイルの字幕にするか焼き込みにするかの選び方は、動画に字幕をつける方法をご覧ください。
独立した情報源と規格
Hushscript は、競合関係にない独立した情報源を参照しています。これらは研究、規格、プラットフォームの仕組みを説明するもので、Hushscript を推奨するものではありません。
情報源の確認日: