字幕翻訳ワークフロー:1本の動画を8言語に(2026年版)

スケールする字幕翻訳ワークフローの鉄則は「1度文字起こし、何度も翻訳」です。 下流で出荷するすべての翻訳は、1つのソースSRTに依存しています。他の言語に手を付ける前にこのファイルを正しい状態にしておけば、言語をいくつ追加してもパイプラインの残りの部分はきれいに動きます。

この記事では、本番パイプライン全体を扱います。ソースの品質ゲート、翻訳ツールの選択、言語ごとのQC、ファイル命名とバージョン管理、プラットフォーム別のアップロード手順です。翻訳の仕組みそのものについては、動画の字幕翻訳の記事で詳しく解説しています。こちらはそれらを包むパイプラインに焦点を当てます。

言語ごとに文字起こしするのではなく、一度だけにする理由

8言語を目指すと、プラットフォームごとに自動翻訳を別々に実行したくなります。たとえばYouTubeは自動字幕からの自動翻訳を提供しています。しかし、その経路では誤りが二重に積み重なります。まずプラットフォームの音声認識が間違え、次に自動翻訳がその誤りの上に構築するからです。2〜3言語を超えると、複合した誤りによって出力は使い物にならなくなり、タイミングもバージョン間で一貫しなくなります。

正しいパイプラインはこうです。検証済みタイムコードを持つ高精度なソースSRTを1つ作り、そのSRTを各ターゲット言語に翻訳します。タイムコードは8つの言語ファイルすべてで同一のままです。入れ替えるのはテキスト内容だけで、再タイミングは一切しないためです。ソースは1つ、出力は8ファイル、タイムスタンプは同じ。

ステップ1:ソース文字起こしの品質ゲート

翻訳を始める前に、ソースSRTは人間によるレビューを1回通す必要があります。ソースの誤りはすべての言語バージョンに伝播するため、ここで1つの間違いを潰せば、同じ間違いが8回分消えることになります。

チェックする項目:

• 固有名詞とブランド名。 AI文字起こしモデルは、学習データにほとんど出てこない名前を聞き間違えることがあります。誤って文字起こしされたブランド名は、すべてのターゲット言語で自信満々に翻訳された誤ったブランド名になります。
• 専門用語と分野固有の用語。 ジャーゴン、頭字語、専門語彙はよくある失敗ポイントです。元の音声と照合して確認します。
• 音声品質の悪いセグメント。 背景ノイズ、クロストーク、音量の低さは文字起こしエラーの原因になります。翻訳前にフラグを立てておきます。
• 話者属性。 ダイアライゼーションを使っている場合は、翻訳者や翻訳ツールが文脈の推論に使う前に、話者ラベルが正しいことを確認します。

ソース音声1時間につき10〜15分のレビュー時間を割り当てます。この投資により、翻訳後に同じエラーを発見して直すのにかかる時間の少なくとも8倍を節約できます。

ConvertAudioToTextの字幕ジェネレーターは、翻訳前にダウンロードして確認できるSRTを生成します。さまざまな音声条件でどの程度の精度を期待できるかについては、文字起こし精度の解説の記事で、ノイズ、アクセント、発話の重なりが単語誤り率に与える影響を扱っています。

ステップ2:ターゲット言語を選ぶ

言語の選択は野心ではなくオーディエンスデータに基づくべきです。翻訳の自動化があっても、言語ごとに1本の動画につき5〜15分の編集時間が加わります。どのファイルにも少なくとも手早いレビューが必要だからです。

2026年によくある選択リスト:

• 西欧市場を狙う英語クリエイター: スペイン語、フランス語、ポルトガル語(ブラジル)、ドイツ語、イタリア語。
• グローバル展開を狙う英語クリエイター: スペイン語、ポルトガル語、アラビア語、ヒンディー語、標準中国語。
• アフリカを狙うクリエイター: 英語、フランス語、アラビア語、スワヒリ語、ハウサ語。
• 欧州のみを狙うクリエイター: スペイン語、フランス語、ドイツ語、イタリア語、ポーランド語、オランダ語。

私の考え:オーディエンスデータがまだないなら、最大3言語で始めてください。その3言語でパイプラインを組み、品質を検証し、システムが安定してから言語を追加します。3言語をきちんと出す方が、8言語を雑に出すよりも成果が出ます。

ステップ3:字幕対応の翻訳ツールを選ぶ

SRT翻訳に使えるツールは2種類あります。SRT形式をネイティブにパースする専用の字幕翻訳サービスと、構造保持のプロンプトと組み合わせて使う汎用翻訳モデルです。

本番用途には専用ツールのルートが安全です。 SRT専用に作られたツールは各キューを個別に読み込み、セリフのテキストだけを翻訳し、タイムコードとキュー番号を一切変更せずにファイルを返します。代替策であるGoogle翻訳のテキストインターフェースへのSRTファイル貼り付けは、行の統合、タイムスタンプの翻訳、キュー間の空行区切りの欠落が起きることが知られており、特に数分を超えるファイルで顕著です。

DeepLはSRTファイルのアップロードをネイティブにサポートし、タイムコードを保持します。ファイル翻訳には有料のProサブスクリプションが必要で、無料プランではSRTを扱えません。約1,500行を超えるファイルでタイムアウトの報告があるため、長尺コンテンツでは先にSRTを分割しておきましょう。

汎用LLM(ChatGPT、Claude)も、連番、タイムコード、空行区切りを保持し、キューのテキストだけを翻訳するようプロンプトで指示すれば、SRT翻訳を安定してこなせます。この方法は機能しますが、出力ファイルが有効なSRTかどうかを確認する検証パスが必要です。単発のプロジェクトなら十分ですが、多くの動画を扱う本番パイプラインには専用ツールの方が信頼できます。

どのツールを選ぶにせよ、SRTファイルにGoogle翻訳のウェブインターフェースを使ってはいけません。出力は規模が大きくなると必ず構造を壊します。

ステップ4:言語ごとの品質チェック

翻訳品質は言語ペアによって大きく異なります。英語からスペイン語、フランス語、ドイツ語、ポルトガル語への翻訳は、軽いレビューでほぼ公開可能なレベルに達します。一方、英語からアラビア語、標準中国語、日本語、韓国語への翻訳は、より慎重なレビューが必要です。文法構造が大きく異なり、ターゲット言語の文の長さがソースとしばしば異なるからです。

言語タイプ別のレビュー優先事項:

• 右から左に読む言語(アラビア語、ヘブライ語): 文字方向が正しく保持されていることを確認します。SRTファイルはRTL方向のメタデータをネイティブに持たないため、一部の字幕レンダラーでは正しく表示するために明示的なUnicode双方向制御文字が必要です。NetflixがRTL言語にTTML形式を求めるのは、SRTのRTL処理がプレーヤー間で一貫していないためです。
• 表語文字の言語(中国語、日本語): ラテン文字よりも改行位置が重要です。改行は文字数制限だけでなく、自然な文法的な境界で入れるべきです。日本語の標準的な字幕規約では、欧州言語より短い行が求められます。
• 屈折の強い言語(ロシア語、ポーランド語、ハンガリー語): 固有名詞や専門用語の周りの格の誤りに注意します。機械翻訳が誤った活用形を出しがちな箇所です。
• 声調言語(標準中国語、ベトナム語、タイ語): 声調に依存する意味は文字起こしの段階で引き継がれないため、ソースの同音異義語の誤りが翻訳で意味を反転させることがあります。ネイティブスピーカーによるレビューの価値は、他の言語ペアよりもここで高くなります。

ターゲット言語のネイティブレビュアーがいない場合は、別のモデルで2回目のAI翻訳パスを実行すると、最初のモデルが出したエラーのかなりの部分を捕捉できます。人間によるレビューの代わりにはなりませんが、予算に制約がある場合の妥当な品質チェックになります。

ステップ5:直訳を超えた文化的適応

直訳が常に正しい出力とは限りません。適応が必要なコンテンツカテゴリがいくつかあります:

• 慣用句。 ほとんどのAI翻訳ツールは、主要な言語ペアの一般的な慣用句を正しく処理します。レアな慣用句は確認し、決めつけずに出力をチェックします。
• 通貨と単位。 英語ソースのドル額やヤード・ポンド法の数値は、字幕では通常そのままにし、オーディエンスが元の単位に直感を持てない場合は現地換算の括弧書きを添えます。
• 文化的参照。 特定の番組や文化的な瞬間に結びついたジョークは、別の市場では通じないことがあります。字幕ローカライズでは、現地で認知できる参照に差し替えることがありますが、これには両方の文化を知る人間が必要です。
• 名前と肩書き。 翻訳ツールの中には、東アジアの慣習に合わせて姓と名の順序を入れ替えるものと、そうしないものがあります。自分の好みの慣習を確認し、一貫して適用します。

ほとんどのクリエイターコンテンツでは、必要な適応は最小限です。企業向け、研修向け、マーケティング向けのコンテンツでは、適応の有無がローカライズ版が目的を達成できるかに大きく影響します。

ステップ6:ファイル命名とバージョン管理

明確な命名規則があれば、数十本の動画にわたって1本につき8つの言語ファイルを管理する際の混乱を防げます。

標準形式は videoname.LANG.srt です。LANGは小文字のISO 639-1の2文字コードです。 例:

• episode-42.en.srt
• episode-42.fr.srt
• episode-42.es.srt
• episode-42.ar.srt
• episode-42.zh.srt

国レベルの区別が必要な場合は、アンダースコアと大文字の国コードを追加します:

• episode-42.pt_BR.srt(ブラジルポルトガル語)
• episode-42.pt_PT.srt(ヨーロッパポルトガル語)
• episode-42.zh_TW.srt(台湾の繁体字中国語)
• episode-42.zh_CN.srt(中国本土の簡体字中国語)

非音声の音響描写を含む聴覚障害者向けトラックには、拡張子の前に -SDH を追加します: episode-42.en-SDH.srt。

元のソース言語SRTと音声ファイルを入れた _source フォルダを用意します。翻訳版はそれぞれ、言語コードで整理された _translated フォルダに置きます。ソースSRTを修正した場合は、バージョン接尾辞を上げて(episode-42.en_v2.srt)、個々の言語ファイルにパッチを当てるのではなく、修正済みソースから再翻訳します。

ステップ7:プラットフォーム別の出力とアップロード

配信先のプラットフォームが、ファイル形式と納品方法を決めます。

YouTube:多言語のサイドカーアップロード

YouTubeは言語ごとのSRT、VTT、SBVファイルをサイドカートラックとして受け付けます。手順:

1. 元の動画を1度アップロードします。
2. YouTube Studioで動画を開き、「字幕」に移動します。
3. ターゲット言語ごとに「言語を追加」をクリックします。
4. 「字幕」の下の「追加」をクリックし、「ファイルをアップロード」を選択します。
5. 「タイミングあり」を選択し、その言語用のSRTをアップロードします。
6. 公開します。視聴者向けの言語切り替えはYouTubeが自動で有効にします。

YouTubeは、字幕形式に不慣れなユーザーにはSRTまたはSBVを推奨しています。基本的なタイミング情報だけでよく、どんなテキストエディタでも開けるからです。

TikTokとInstagram:言語ごとに1レンダリング

どちらのプラットフォームも、標準のアップロードフローでは外部SRTサイドカーファイルを受け付けません。多言語コンテンツの場合のワークフローは:

1. FFmpegか動画編集ソフトで、ソース言語の字幕を動画に焼き込みます。
2. ソースSRTを翻訳済みSRTに差し替えて再レンダリングします。
3. 言語ごとに別々の動画をアップロードするか、言語別アカウントにそれぞれ1度アップロードします。

動画への字幕焼き込みの記事では、一括焼き込みレンダリングのFFmpegコマンドを扱っています。複数の言語バージョンを作る場合の最速の方法です。

ストリーミング配信プラットフォーム

Netflixはほぼすべての言語でTTML(.xml または .ttml 拡張子)、日本語ではIMSC 1.1を要求します。SRTやSBVは受け付けません。最大読了速度は毎秒20文字、1字幕の最大行数は2行、1行の最大文字数は42文字です。Amazon Prime VideoはSRT、WebVTT、TTMLおよびいくつかの放送形式をUTF-8エンコードで受け付けます。

ストリーミングパートナー向けのコンテンツは、本番前に各プラットフォームで最新の納品仕様を直接確認してください。要件は変わり、テリトリー別(日本、米国など)のプラットフォーム固有要件は一般仕様より厳格です。

8言語出力の実際のタイムライン

15分の英語ソースクリップを8言語に展開する場合:

• ソースの文字起こし: 5分
• ソースSRTのレビューと修正: 12分
• 7ターゲット言語への翻訳: 5分(一括翻訳ツール)
• 言語ごとのレビュー(各3分): 21分
• 8つのSRTファイルのYouTubeアップロード: 5分

合計:おおよそ48分。固定コスト(文字起こし、ソースレビュー、アップロード)は約22分で、最初の言語以降の追加言語1つにつき約3分が加わります。パイプラインが整ってしまえば、9言語目や10言語目を追加する限界コストは小さくなります。

TikTokやReelsの場合は、それに加えて言語ごとのレンダリング時間がかかります。標準設定の1分クリップのレンダリングには、言語バージョンごとに通常3〜5分かかります。

やってはいけないこと

多言語パイプラインを壊す3つのアンチパターン:

1. YouTube自動字幕の自動翻訳。 YouTubeの自動字幕にはすでに文字起こしエラーが含まれています。それを自動翻訳すると、翻訳エラーがさらに積み重なります。複合した誤り率のせいで、多くの言語ペアでは字幕なしの方がましな出力になります。

2. 複数言語を1つの巨大SRTに詰め込む。 一部のVTTやTTMLプロファイルは1ファイルに複数の言語トラックを持てますが、ほとんどのコンシューマープラットフォームは正しくパースできません。言語ごとに1ファイルで納品します。

3. 言語ごとのレビューを完全に省略する。 外国語の悪い字幕は、字幕がない場合よりも信頼性を損ないます。言語ごとのレビューの予算がゼロなら、出す言語を減らしてください。エラーをチェックしていない8言語よりも、きちんと作った3言語の方が役に立ちます。

どこから始めるか

最もレバレッジの高い単一のアクションは、翻訳を考える前にソース言語のパイプラインを正しく整えることです。どのソース言語であれ、きれいにレビュー済みのソースSRTがあれば、下流のあらゆる翻訳が可能になります。翻訳ステップそのものをより深く知りたい場合は、動画の字幕翻訳を参照してください。

ファイル形式を選ぶ前にトレードオフを理解したい場合は、SRT vs VTT字幕形式が機能面の違いを扱っています。

3言語から始め、最初の動画から命名規則とフォルダ構造を組み立て、システムが安定したら言語を追加しましょう。

パイプラインを始めるためのきれいなソース文字起こしだけが必要なら、ConvertAudioToTextがあらゆる音声・動画ファイルを文字起こしし、全文を無料でコピーできるほか、7日間の無料トライアルでSRTをダウンロードできます。

よくある質問

各言語の音声を再度文字起こししなくても、字幕を翻訳できますか?

はい、むしろそうすべきです。ソース音声は一度だけ文字起こしし、その文字起こしを修正したうえで、SRTを字幕対応の翻訳ツールに渡します。テキスト内容を入れ替えるだけで再タイミングは一切しないため、タイムコードはすべての言語バージョンで同一のまま維持されます。

Google翻訳でSRTファイルを翻訳できますか?

ごく短いファイルでなければ無理です。Google翻訳のテキストモードはSRT構造をパースしないため、タイムコードがテキストに混ざったり、連番まで翻訳されたり、キュー間の空行区切りが消えたりしがちです。出力には大幅な手作業での修正が必要です。各SRTキューを個別に読み取り、タイムコードを一切変更せずにファイルを返すツールを使いましょう。

複数言語の字幕をYouTubeにアップロードするには?

元の動画は1度だけアップロードします。YouTube Studioで「字幕」を開き、動画を選択、「言語を追加」をクリックしてターゲット言語を選び、「字幕」の下の「追加」をクリックして「ファイルをアップロード」を選択します。その言語用のSRTまたはVTTファイルを選びます。言語ごとに繰り返します。視聴者向けの言語切り替えはYouTubeが自動で処理します。

TikTokとInstagramはSRTのような別ファイルの字幕を受け付けますか?

Instagramはサイドカー字幕ファイルをまったく受け付けないため、アップロード前に字幕を動画のピクセルに焼き込む必要があります。TikTokにはアプリ内の自動字幕ツールがありますが、標準のアップロードフローではサードパーティ製SRTのアップロードを受け付けません。多言語のTikTokやReelsコンテンツでは、言語ごとに別々のレンダリングを焼き込みます。

多言語字幕ファイルにはどんな命名規則を使うべきですか?

広く使われている規則は filename.LANG.srt 形式で、LANGは小文字のISO 639-1の2文字コード(en、fr、es、de、ar、zh)です。国レベルの区別が必要な場合は、アンダースコアと大文字の国コードを追加します。ブラジルポルトガル語は filename.pt_BR.srt、ヨーロッパポルトガル語は filename.pt_PT.srt です。聴覚障害者向けの記述が含まれるトラックには、ファイル名に -SDH を追加します。

参考資料

• YouTubeが対応する字幕・キャプション形式
• YouTube 字幕とキャプションの追加ヘルプ
• DeepLの字幕(SRT)翻訳機能
• Netflixタイムドテキストスタイルガイド:一般要件
• NetflixのRTL言語要件
• Amazon Prime Videoの字幕要件(Gotham Lab)
• タイムコードを壊さずにSRT字幕を翻訳する方法(Lara Translate)
• Instagram Reels字幕のベストプラクティス 2026(OpusClip)
• TikTok字幕のベストプラクティス 2026(OpusClip)