インターネット用のビデオを作るなら、字幕は単なる便利なものではありません。
しかし、字幕フォーマットがいくつかある：STT、SRT、VTTだ。これらはすべて何を意味するのでしょうか？そして、どれを実際に使うべきなのでしょうか？
興味がある人には深く掘り下げていくが、基本的なことが知りたい人のために、より深く、よりオタク的で、もう少し専門的になりそうなときにお知らせする。
さて、ここでいくつかのトピックと略語について触れておこう。STT（音声テキスト化）が提供する複雑さと、最も普及している2つの時限テキスト形式の詳細な比較：SubRip Subtitle (SRT)とWeb Video Text Tracks (VTT)です。
略語はお分かりですか？私たちが前進するにつれて、何度も口にすることになるだろう。
オンラインビデオコンテンツを作成または配信する人にとって、それぞれの機能、利点、制限を理解することは非常に重要である。
まず、音声テキスト化（STT）技術について説明しよう。
Speech-to-Text (STT) は、話し言葉を書き言葉に変換する高度な技術です。このプロセスは、キャプションファイルや字幕ファイルに最終的に入力される字幕テキストを生成するための基本です。
要約すると、STT技術（この謎めいたコード）は言葉を聞き、それを文字に書き起こすことができる。これらの単語は、キャプションに使用されるか、何らかのテキスト形式で出力される。
これを積み重ねていこう。
STTの仕組み
テープ起こしのプロセスには、高度な機械学習モデルが関わっている。まず、話し言葉の振動をとらえ、アナログ・デジタル変換器を介してデジタル言語に変換する。
このコンバーターは、オーディオファイル形式の音波を綿密に測定し、関連する音を分離するためにフィルタリングします。
これらの音は、通常100分の1秒または1000分の1秒という小さな単位に分割され、音素（言語内の単語を区別する基本的な音の単位）に照合される。これらの音素は、既知の文、単語、フレーズの膨大なデータベースと比較する数学的モデルを通して処理され、音声入力の最も可能性の高いテキストバージョンを決定する。
出来上がったトランスクリプションは、テキストファイルとして表示されるか、コンピュータのコマンドを実行するために使用される。
STTの主な用途と利点
AIビデオ・エディター、そして誰もが手にするメディアによって、STTテクノロジーはマルチメディア・コンテンツの消費・管理方法を変革している。
- アクセシビリティ：STTの主な利点は、音声コンテンツのクローズドキャプションやテキスト版を提供できることである。聴覚に障害のある人、騒がしい環境でコンテンツを消費する人、母国語を話さない人は、この恩恵を受けることができる。
- 検索エンジン最適化：話し言葉をクロール可能なテキスト形式に変換することで、STTは検索エンジンが音声や動画コンテンツを発見できるようにします。これにより、対話内のキーワードがインデックス化され、オンラインビデオのコンテンツ可視性が大幅に向上します。
- 時間とコストの効率化：STTは、リアルタイムまたは効率的なバッチ処理で正確なトランスクリプトを提供することにより、大幅な時間節約を実現します。この自動化は、人間のテープ起こしサービスだけに頼るよりもはるかにコスト効率が高くなります。
- ローカライズ：STTを翻訳サービスと組み合わせることで、ローカライズされた字幕テキストを作成し、世界中の視聴者にコンテンツのリーチを広げることができます。
時限付きテキスト形式の生成におけるSTTの役割
GoogleやAzure AI Speechのような最新の音声テキストAPIは、SubRip（.srt）とWebVTT（.vtt）の両方のファイル形式で正確なキャプションを自動的に生成するように特別に設計されています。
これらのファイルタイプは、正確なタイムコードとタイムスタンプとともにテキストコンテンツを保存するように設計されており、字幕テキストと関連するビデオコンテンツの同期表示を可能にします。以下に例を示します。
これらのAPIは、複数のフォーマットを同時に出力することができます。つまり、1つのトランスクリプションリクエストで、別々のsrtファイルとvttファイルを生成することができ、すぐに使えるキャプションファイルを作成するためのワークフローを合理化することができます。
平たく言えば
- STTはエンジンだ。
- SRTとVTTは、出力ファイル（タイムスタンプや、場合によってはスタイルやメタデータを含むテキストのラッパー）である。
こう考えてほしい：
- STT："こう言われました"。
- SRT："ここで何が語られたか、それをいつ見せるか"。
- VTT："ここで何が語られたか、それをいつ見せるか、どうスタイリングするか、そして多分どこで見せるか"。
さて、STTの基礎技術をしっかり理解したところで、次に進もう。これからが本番だ。
サブリップ字幕（SRT）：世界標準
SubRip Subtitle（SRT）ファイルフォーマットは、ビデオコンテンツに最も広く採用されている字幕フォーマットの1つです。プレーンテキストのファイル形式であるため、人間にもソフトウェアにも理解しやすく、読みやすい。srt形式は、SubRipというフリーのDVDリッピングソフトウェアから生まれました。
SRTファイルの構造
srtファイルは非常に単純で、空白行で区切られた一連の字幕テキストブロックから構成されています。各ブロックは4つの要素で構成されています：
- 数値カウンター：1から始まる連番で、各サブタイトル・シーケンスを識別する。
- タイムコード： 字幕がいつ表示され、いつ消えるかを示す、正確な開始と終了のタイムコード。フォーマットは
時:分:秒,ミリ秒 --> 時:分:秒,ミリ秒 (例 00:00:00,000 --> 00:00:00,000)、矢印はハイフン2つと右向き角括弧(-->). - 字幕テキスト：実際の台詞や説明的なテキストファイル。
- 空白行：この重要な区切り線は、1つの字幕ブロックの終わりと次の字幕ブロックの始まりを示します。
SRTファイルは、純粋なテキストファイルであり、埋め込まれたビデオコンテンツやオーディオを含みません。その最小限の設計により、多様なソフトウェアおよびハードウェア環境において、最大限の相互運用性が保証されます。
SRTの使用例
SRTファイルは、YouTube、Vimeo、Facebook、Twitter、LinkedInなど、事実上すべての主要なビデオプラットフォーム、および大半のメディアプレーヤーで広くサポートされており、比類のない互換性を誇っています。このように幅広く受け入れられているため、真にユニバーサルなキャプションフォーマットとしての地位を確固たるものにしています。
srtファイルはシンプルなプレーンテキスト構造なので、メモ帳やTextEdit（Microsoft Wordpad）などの標準的なテキストエディタを使って、手動で簡単に作成・編集できます。参入障壁が低いため、迅速な修正が可能です。
さらに、srtファイルは通常、より複雑な字幕フォーマットと比較してファイルサイズが小さく、ウェブのパフォーマンスやストレージに有利です。
SRTファイルの主な使用例の1つは、聴覚障害者を含む幅広い視聴者のアクセシビリティを向上させることです。また、動画コンテンツにクロール可能なテキスト形式を提供することで、SEOにも大きく貢献します。
SRTは、そのシンプルさから、短納期のプロジェクトや初心者に好まれます。特に、企業のトレーニングビデオや一般的なウェブサイトのビデオに適しており、大掛かりなスタイリングは必要ありません。
SRTフォーマットの限界
広く使われているにもかかわらず、SRTフォーマットにはいくつかの制限がある：
- Limited Formatting Options: SRT files support only a very basic set of HTML-like tags for text formatting, specifically bold (< b >), italics (< i >), underline (< u >), and simple font color (< font color >). They do not support advanced styling options such as different font sizes, diverse font styles, background colors, or comprehensive theming.
- 限られたポジショニング オプション：SRTは座標による初歩的な位置決めを提供しますが、より高度な字幕フォーマットで利用できる高度で正確な位置決めコントロールはありません。通常、字幕は固定された位置に表示され、通常は画面の中央下部に表示されます。
- メタデータのサポートがない：重大な制限は、SRT ファイルに言語、作者、説明などのメタデータ用のフィールドが含まれていないことです。このため、大規模なプロジェクトでは、サブタイトルの管理や整理が難しくなります。
- 動的コンテンツやローカライズをサポートしない：SRTフォーマットは、プレースホルダー、複数形、性別を特定した翻訳をサポートしていないため、動的コンテンツや高度にローカライズされたコンテンツシナリオでの使用が制限されます。
これらの制限は、WebVTTのような新しいファイルフォーマットが、現代のダイナミックでインタラクティブなウェブベースのコンテンツの進化する要求に対応するために開発された理由を浮き彫りにしている。
しかし、大半の人々にとっては、もう少し必要なのだ。
WEBVTT
<!-- Voice tags or narrator label example -->
00:00:00.000 --> 00:00:01.000
<v Jon>Hi, I'm Jon.
<!-- Positioning example -->
00:00:01.001 --> 00:00:03.000 line:0 position:90% align:end
<v Narrator>Welcome to Submagic.
<!-- Formatting example -->
00:00:03.001 --> 00:00:06.000
<u>Let me show you how easy it is</u>
<font color="yellow">to add captions.</font>
ウェブ・ビデオ・テキスト・トラック（VTT）：ウェブに最適化されたフォーマット
Web Video Text Tracks (WebVTT)は、通称VTTと呼ばれ、以下のような同期したテキストトラックを表示するために特別に設計されたプレーン・テキスト・ファイル・フォーマットです。 < video > そして < audio > HTML5 内の要素です。これらのwebvttファイルは、動画コンテンツにクローズドキャプションや字幕テキストをオーバーレイするために使用されます。
VTTはもともとWeb Hypertext Application Technology Working Group (WHATWG)によって、HTML5の機能とシームレスに統合することを明確な目的として作られました。これはWorld Wide Web Consortium (W3C)によって正式に定義、標準化され、Webエコシステム内での強固な統合と将来の互換性を保証しています。
WebVTTファイルは多用途で、字幕やキャプションだけでなく、説明文、ナビゲーションのためのチャプター情報、オーディオまたはビデオコンテンツと時間的に一致させる必要のある一般的なメタデータも提供します。
VTTファイルの構造
VTTファイルの構造は、一番上に "WEBVTT "という必須の文字列で始まり、オプションでヘッダーのメタデータが続く。ヘッダーの後、ファイル形式は一連のデータブロックで構成され、主に "キュー "と呼ばれる、タイムドテキストの核となる単位で構成されます。
各キューには、正確な開始時間と終了時間のコード（例． 01:07:32.053 --> 01:07:35.500)と対応する字幕テキストを含む。VTTファイルは基本的に、マルチメディアリソースと時間的に整合したデータのチャンクを保持するコンテナファイルで、UTF-8テキストファイルとしてエンコードされます。
また、WebVTT仕様では、ビデオコンテンツのビューポート、リージョン（キューをグループ化するためのサブエリア）、キュー（キューラインを持つボックス）で構成されるボックスモデルが定義されており、テキストの配置をきめ細かく制御することができます。
高度なスタイリング、ポジショニング、メタデータ機能
VTTは、SRTに比べ格段に洗練された編集機能を提供し、フォント、色、背景のクリエイティブで正確なスタイリングを可能にします。これは主にCSS（カスケーディング・スタイル・シート）の統合によって実現され、以下のような擬似要素を活用しています。 :キュー キュー内の特定の要素をターゲットとし、スタイルを設定する。
キュー・ペイロード内の基本的なHTMLタグ（太字、斜体、下線）もサポートしており、インライン・フォーマットも可能ですが、CSS機能により、ビジュアル・プレゼンテーションのコントロールがはるかに向上します。
VTTは、ビデオ・コンテンツ・ビューポート内のどこにでも、サブタイトルの高度なポジショニングとアライメントをサポートします。その構造化されたボックス・モデルにより、テキストの配置をきめ細かくコントロールすることができ、画面上のグラフィックと重ならないように、または特定の話者を強調するために、キャプション・ファイルをダイナミックに配置することができます。
大きな利点は、タイトル、著者、説明、チャプター情報など、様々なメタデータ・フィールドをVTTが独自にサポートしていることです。また、Base64エンコードされた画像やJSONデータなど、開発者が定義した追加情報のための時間ベースのメタデータトラックにも対応できます。この機能により、単純なキャプション付けにとどまらず、用途が広がります。
VTTはまた、キャプション内に直接、ホットキーやハイパーリンクのようなインタラクティブ要素を組み込むことを容易にし、ユーザーエンゲージメントを高め、シームレスなナビゲーションや外部リンクを可能にします。
さらに、VTTは、アラビア語やヘブライ語などの右から左へ読む言語に優れたサポートを提供しており、これらの言語オーディエンスをターゲットとするコンテンツにより適した選択肢となっています。
VTTの利点と理想的な使用例
VTTは、最新のウェブベースのビデオ・コンテンツに適したキャプション・フォーマットとして、説得力のある利点を提供しています。その豊富な追加機能と編集能力により、SRTよりも堅牢であると考えられています。
高度なスタイリング・オプションと配置機能により、高度にカスタマイズされた、ブランド化された、読みやすいキャプションが可能になり、ユーザー・エクスペリエンス全体が大幅に向上します。インタラクティブ機能は、視聴者の興味をさらに引きます。
大きな利点は、VTTの優れたSEO最適化です。HTML5標準のファイル形式であるVTTキャプションは、本質的に検索エンジンによる検索が可能であるため、ビデオ・コンテンツの発見が容易になり、ウェブ・プラットフォームのSEOに大きく貢献します。
VTTはHTML5ビデオ用に特別に設計されており、機能強化と最新のウェブ・プレーヤーとのシームレスな統合を必要とするウェブベースのビデオ・コンテンツに最適です。VTTは、機能性、可読性、拡張性の間で絶妙なバランスを保っており、構造化されたメタデータをコンテンツと一緒に伝送できる唯一の柔軟な仕様です。
そのスタイリングとインタラクティブな機能により、VTTは特にチュートリアルビデオ、製品説明、その他ビジュアルアピールとユーザーエンゲージメントが最優先される教育やマーケティングコンテンツに適しています。カスタマイズ可能なスタイリング機能により、ソーシャルメディアやマーケティング・キャンペーンによく利用されています。
VTT導入に関する考察
VTTは優れた機能を提供するが、その実装には一定の考慮事項が伴う：
- 互換性の問題：VTTは、特にHTML5をベースとした最新のメディアプレーヤーとシームレスに統合できますが、その互換性は、すべてのソーシャルメディア・ビデオ・プラットフォームで普遍的とは限りません。コンテンツ制作者は、プラットフォーム固有のサポートを確認する必要があります。
- マニュアル編集の複雑化：VTTの豊富で高度な機能と構造化された性質は、初心者ユーザーにとって手動編集をより複雑にする可能性がある。強力な反面、SRTのストレートなプレーンテキストに比べ、構文や機能をより深く理解する必要があります。
- より大きなファイルサイズ：高度なスタイリングやメタデータのサポートを含む豊富な機能性により、VTTファイルは、SRTのようなシンプルなファイル形式と比較して、ファイルサイズが大きくなる可能性があります。これは、帯域幅を重視するアプリケーションや、ファイルサイズの制限が厳しいプラットフォームでは、考慮すべき点かもしれません。
- コンテンツタイプの制限：WebVTTファイルは、1種類のデータで構成されていなければなりません。つまり、ファイルはチャプターのみ、またはメタデータのみとなる可能性がありますが、両方を同時に扱うことはできません。
SRTとVTTの比較
SRTとVTTのどちらを選択するかは、コンテンツ制作者にとって非常に重要な決定事項です。重要なパラメータを系統的に並べて比較することで、情報に基づいた意思決定のための明確な概要が得られます。
SRTはシンプルさと幅広い互換性を優先し、VTTは豊富な機能とウェブ統合を優先している。
機能ごとの比較主な違い
| パラメータ |
字幕 (SRT) |
ウェブ・ビデオ・テキスト・トラックス（VTT） |
| 原産地/規格 |
DVDリッピングソフトウェア（SubRip）が起源で、オープンソース、事実上の標準[1, 2]。 |
W3Cによって定義され、HTML5の機能のために設計された[3, 1]。 |
| タイムコード・フォーマット |
時:分:秒,ミリ秒 --> 時:分:秒,ミリ秒 (カンマ区切り ミリ秒).[4, 1, 2] |
時:分:秒.ミリ秒 --> 時:分:秒.ミリ秒 (期間を区切る ミリ秒).[1, 5] |
| 基本フォーマット |
サポート <b>, <i>, <u>, <font color> タグでインライン書式を設定する[4]。 |
サポート <b>, <i>, <u> タグを使用します。 スタイリング.[6, 5] |
| 高度なスタイリング |
フォントサイズ、スタイル、背景色、総合的なテーマ設定はサポートされていない[4]。 |
広範なCSS経由(:キュー 擬似要素); カスタム フォントの、色、背景、およびリージョン[7, 6, 1, 5]。 |
| ポジショニング |
基本的な座標（X1、X2、Y1、Y2）では、配置のコントロールは最小限[4]。 |
高度で正確なコントロール。アライメントと位置のプロパティを使用して、ビデオコンテンツのフレーム内の任意の場所にキャプションを配置することができます[7, 3, 5]。 |
| メタデータ・サポート |
メタデータ・フィールド（言語、作者、説明）を本質的にサポートしていない[4, 7]。 |
タイトル、著者、説明、チャプター、カスタムタイムベースデータ（JSON、画像）など、さまざまなメタデータタイプをフルサポート。 |
| 互換性（一般） |
事実上すべてのビデオプラットフォームと編集ソフトウェアに、幅広く、ほぼ普遍的な互換性がある[7, 1]。 |
ほとんどの最新のウェブベースの メディアプレーヤー（特にHTML5）と相性が良い[7]。 |
| 互換性（ソーシャルメディア） |
主要なソーシャルメディア・ビデオ・プラットフォームに幅広く対応している[1]。 |
すべてのソーシャルメディア・ビデオ・プラットフォームに対応しているわけではありません。 |
| SEOの意味合い |
動画コンテンツにクロール可能なテキストを提供し、SEOに貢献する[1, 2]。 |
HTML5ベースで、本質的に検索可能であり、より強固なウェブベースのSEO効果を強調することが多い[7, 1]。 |
| ファイルサイズ |
ミニマルな構造のため、一般的に小型化されている[8]。 |
より豊富な機能と埋め込まれたメタデータ ／スタイリングにより、より大きくなる可能性がある[8]。 |
| マニュアル編集の複雑さ |
構造が単純なため、プレーン・テキスト・テキスト・エディターを使って手動で編集するのが簡単である[8]。 |
高度な機能と特殊な構文が要求されるため、初心者ユーザーにとってはより複雑である[8]。 |
| 右から左への言語サポート |
多言語キャプションに対応[7]。 |
右から左への言語（アラビア語、ヘブライ語など）をよりよくサポートする[7]。 |
| その他の機能／制限 |
プレースホルダ、複数形、男女別の翻訳をサポートせず、純粋にテキストベース[4]。 |
ホットキーやハイパーリンクのようなインタラクティブな機能を組み込むことができ、1種類のデータ（チャプターやメタデータなど）のみを含むことができる[3, 1]。 |
戦略的考察：SRTとVTTの比較
SRTとVTTのどちらを選択するかは、一方の字幕フォーマットが他方より本質的に「優れている」ということではなく、選択したファイルフォーマットを特定のプロジェクトのニーズ、戦略的目標、ターゲット・プラットフォームの要件に合わせるということです。
- プラットフォーム要件：ターゲットとする動画プラットフォームの特定のファイル形式要件を常に確認してください。例えば、SRT は普遍的な互換性がありますが、特定のソーシャル メディア プラットフォームは VTT を完全にサポートしていない可能性があり、Articulate 360 のような e ラーニング プラットフォームは VTT をサポートしていても SRT をサポートしていない可能性があります。
- スタイリングとブランディングのニーズ：クローズド・キャプションに、カスタム・フォント、ブランドの一貫性を保つための特定の配色、画面上のグラフィックとの重なりを避けるためのダイナミックなポジショニングが必要な場合、VTTが唯一の有効な選択肢となります。SRTには、これらの高度なスタイリング・オプションがありません。
- メタデータとナビゲーションの要件：ナビゲーションを容易にするためのチャプターマーカー、説明文、その他のタイムアライメントされたメタデータなどの追加情報を埋め込む必要があるプロジェクトでは、SRTはこれらの機能をサポートしていないため、VTTが必要なファイルフォーマットとなります。
- SEOとディスカバビリティの目標：どちらのファイル形式も、動画コンテンツにクロール可能なテキストを提供することでSEOに貢献しますが、VTTのHTML5との深い統合とW3C標準化は、ウェブベースのコンテンツにより直接的で強固なSEO効果をもたらし、検索エンジンのインデックス向上につながる可能性があります。
- ファイルサイズの制約：ファイルサイズの制限が厳しいウェブサイトやアプリケーションでは、SRTのフットプリントが一般的に小さいことが有利に働く場合があります。
- 使いやすさ/手動編集の好み：基本的なマニュアル編集を素早く行いたい、シンプルに行いたいというニーズがある場合、SRTはそのわかりやすい構造から好まれる。VTTは強力ですが、マニュアル編集には複雑で、シンタックスや機能をより深く理解する必要があります。
フォーマット間のシームレスな変換
ウェブベースのツールを使えば、SRTからVTTへ（そしてまたVTTへ）変換できる。数秒で完了。再入力は不要。アップロード、クリック、ダウンロードだけだ。
プロからのアドバイス：Submagicは、キャプションを生成する際に自動的にこれを行います。トランスクリプションで両方のファイルタイプを入手できます。
最後までお読みいただきありがとうございました！ざっとまとめると
STT（Speech-to-Text）テクノロジーは、話し言葉をSRTファイルやVTTファイルに含まれる字幕テキストに変換する基礎エンジンです。
SRTが普遍的な互換性とシンプルさを提供し、幅広い配信と基本的なアクセシビリティに理想的であるのに対し、VTTは高度なスタイリング・オプション、正確なポジショニング、堅牢なメタデータ・サポートを提供し、モダンでインタラクティブ、SEOに最適化されたウェブベースの動画コンテンツに優れた選択肢を提供します。
これら2つの一般的な字幕フォーマットのどちらを選択するかは、特定のプロジェクト要件、ターゲットとする視聴者、希望する機能性とビジュアル・コントロールのレベルによって決まります。
主な違いを理解し、STTと簡単な変換ツールの力を活用することで、コンテンツの専門家は、マルチメディアの提供物を戦略的に強化し、デジタル環境におけるアクセシビリティと最大限のインパクトを確保することができます。
