文字起こし vs キャプション vs サブタイトル:2026年版ガイド

文字起こしファイル、キャプショントラック、サブタイトルファイルは、まったく別の3つのものです。 3つとも同じ音声から始まりますが、それぞれが解決する問題、配布される形式、含まれる内容が異なります。誤ったものを選べば、聴衆の期待を裏切るか、コンプライアンス審査に不合格になります。

3つの成果物の全体像

最後の行が、最も意外に思われる点です。翻訳されたサブタイトルはアクセシビリティ法を満たしません。真のキャプションだけがそれを満たします。

文字起こし:成果物は文書

文字起こしとクローズドキャプションの違いは何ですか?

文字起こしは文書です。タイムコードがなく、読みやすさに最適化され、段落構造を持ち、行長の制限もありません。クローズドキャプションは動画に同期した時間指定テキストトラックで、動画とは別に保存されるため、視聴者がオン/オフを切り替えられます。両者とも同じ音声認識処理から始まりますが、出力形式、内容、編集の慣習が異なります。

文字起こしは視聴するものではなく、読むものです。 この一点が、フォーマットのあり方をすべて変えます。

• 可読性のための段落レベルの構造。32文字ごとの改行ではない。
• 話者が複数いる場合は話者ラベルを付け、可読性を高める。
• タイムコードは不要(ナビゲーション用の任意のタイムスタンプなら問題ない)。
• 動画プレーヤーではなく、読み手に最適化された句読点と書式。
• 行長の上限なし。キュー終了マーカーなし。

キャプションファイルをそのまま文書に貼り付けると、印刷されたティッカーテープのような読み物になります。きちんとした文字起こしは、洗練されたインタビューや記事のように読めるよう編集されています。言葉が同じでも、両者は構造的に別物なのです。

一般的な用途:インタビューからのブログ記事、ポッドキャストのショーノート、議事録、学術論文、法廷証言記録、検索インデックス用コンテンツなど。

キャプション:成果物は同期されたアクセシビリティトラック

クローズドキャプションには、サブタイトルにはない何を含める必要がありますか?

クローズドキャプションには、話者の識別、効果音(例:「ドアが閉まる」、「電話が鳴る」)、音楽の手がかり(「明るい音楽」、「観客の拍手」)、画面外の話者の識別、そしてテキストだけでは曖昧な場合のトーン表示を含める必要があります。サブタイトルはセリフのみ(場合によっては翻訳)で構成されます。視聴者はその他のすべてを聞き取れるからです。

キャプションは、まったく音のない状態で視聴する人のために設計されています。 本来なら聞こえるはずの情報は、すべて画面に表示しなければなりません。だからこそキャプションには、文字起こしやサブタイトルには含まれない内容が入るのです。

必須要素:

• 話者の識別。 各発話の前に「Alice:」や「[Bob]」を付ける。特に話者が画面外だったり、見た目で識別できない場合に重要。
• 効果音。 「[ドアが閉まる]」「[電話が鳴る]」「[観客の拍手]」など。
• 音楽の手がかり。 「[明るい音楽が流れる]」「[不穏な弦楽]」「[楽曲:ここに歌詞]」など。
• トーン表示。 言葉だけでは感情的なニュアンスが伝わらない場合。「[皮肉っぽく]」「[ささやき声で]」など。

また、キャプションは動画に対してタイムコードが割り振られています。各キューには開始時刻と終了時刻があり、テキストは音声と同期して画面に現れます。この同期の品質は、法的にも問題になります。

SNSプラットフォームについては、オープンキャプションとクローズドキャプションの記事で詳しく解説しています。簡単に言うと、クローズドキャプションは切り替え可能(YouTubeのCCボタン)で、オープンキャプションは動画のピクセルに焼き込まれているため取り除けません。ショート動画(TikTok、Instagramリール)では、多くの視聴者がミュートで視聴し、プラットフォーム側のクローズドキャプション対応が不安定なため、通常はオープンキャプションが使われます。詳しくはTikTokとInstagram向けのキャプション付けガイドをご覧ください。

サブタイトル:言語アクセスのためのセリフトラック

アクセシビリティ対応において、サブタイトルはキャプションとして認められますか?

いいえ。サブタイトルは視聴者が聞こえることを前提としているため、効果音、音楽の手がかり、発話以外の音声を省略します。アクセシビリティ法(WCAG SC 1.2.2、ADA Title II、Section 508、EAA)は、コンテンツを理解するために必要なすべての音声情報を含むキャプションを求めています。セリフのみを収めたサブタイトルトラックでは、これらの要件を満たせません。

サブタイトルは、視聴者が聞こえることを前提としています。 別の言語のセリフを追うために必要な内容だけを含みます(読字サポートが必要な視聴者のために、同じ言語で使われることもあります)。

• セリフのテキスト。通常は視聴者の言語に翻訳される。
• 効果音なし。ドアが閉まる音は視聴者に聞こえている。
• 音楽の手がかりなし。劇伴は視聴者に聞こえている。
• 画面上で完全に曖昧な場合を除き、話者名なし。

映画のスペイン語から英語へのサブタイトルは、セリフを翻訳してそこで終わります。銃声も、笑い声も、静寂も、視聴者が聞いているものとして、サブタイトルトラックは信頼しているのです。

実務的な意味合いはこうです。動画にサブタイトルトラックがあってもキャプショントラックがなければ、母語以外の言語の視聴者には対応できても、ろう者や難聴の視聴者には対応できていません。これは2つの別個の成果物なのです。

用語に関する補足

これらの用語は世界的に統一されていません。アメリカでは「キャプション(captions)」は通常アクセシビリティトラック(音の手がかり、話者名)を指し、「サブタイトル(subtitles)」は通常セリフのみのトラックを指します。イギリスやヨーロッパの多くの地域では「サブタイトル」が両方をカバーし、「キャプション」はほとんど使われません。ストリーミングプラットフォーム(Netflix、Disney+、Amazon Prime)は、UI上では両方のタイプを「字幕」という言葉で一覧表示していますが、内部では別々に扱っています。

たとえばNetflixは、音の手がかりを含むアクセシビリティトラックをSDH(Deaf and Hard of Hearing向け字幕)という用語で呼んでいます。社内では、納品パイプラインにおいて、すべてのSDHおよび字幕ファイルをSRTやVTTではなくTTML1形式(.xmlまたは.ttml)で提出することを求めています。このような文脈で、用語のギャップが実際の制作上の問題を引き起こすのです。

ファイル形式:何をどこで使うか

キャプションとサブタイトルには、どのファイル形式を使うべきですか?

SRTが最も汎用性が高く、YouTube、Vimeo、Facebook、ほとんどの動画プレーヤーで動作します。VTT(WebVTT)はHTML5プレーヤー向けにスタイル指定と位置指定を追加でき、Webホスト型動画に適しています。TTML(およびそのプロファイルIMSC1.1)はNetflixなどのプロフェッショナルな放送・OTT配信に必須です。SCCは北米の放送ワークフローで使われます。ほとんどの個人クリエイターやオンライン講座では、まずSRTを生成し、必要に応じて下流で変換するのがよいでしょう。

実務上のルールはこうです。最大限の汎用性のためにまずSRTを生成し、プロフェッショナルなOTT配信のために下流でTTMLへ変換します。SRTとVTTはキャプションにもサブタイトルにも使えます。どちらのタイプになるかはファイル拡張子ではなく、中身の内容で決まります。

各形式の中身やプレーヤーによる解析方法について詳しく知りたい方は、SRTファイルの作成方法をご覧ください。

同じ言語のトラックと翻訳トラック

英語のYouTube動画には、英語のキャプショントラック(アクセシビリティ、音の手がかりを含む)とスペイン語のサブタイトルトラック(セリフの翻訳、音の手がかりなし)を付けることができます。ファイル形式は同じでも、内容は異なります。

• 同じ言語のキャプション: 話者名と効果音を含むアクセシビリティトラック。
• 同じ言語のサブタイトル: セリフのみ。理解の補助や騒がしい環境向けに使われることもあるが、アクセシビリティの代替にはならない。
• 翻訳キャプション(別言語のSDH): セリフとともに音の手がかりも翻訳。コンテンツが元々ある言語で作られており、その言語でろう者や難聴の可能性がある対象読者に向けて提供する場合に必要。
• 翻訳サブタイトル: セリフの翻訳のみ、音の手がかりなし。言語アクセスのためのもので、アクセシビリティのためのものではない。

文字起こしパイプラインは元言語のテキストを作成します。翻訳はその下流の工程であり、対象読者のニーズに応じてキャプションにもサブタイトルにも適用されます。

それぞれが必要になる場面

ほとんどのコンテンツクリエイターにとっての答えは「文字起こしとキャプション」です。それで問題ありません。1回の文字起こし処理で両方を作成できます。読む用にTXTをエクスポートし、埋め込み用にSRTをエクスポートするだけです。字幕ジェネレーターは、音声または動画からワンステップでSRTとVTTファイルを作成します。

法的要件:法律が実際に定めていること

自動生成キャプションはアクセシビリティ対応として十分ですか?

通常、自動生成だけでは不十分です。FCCは放送用キャプションの基準として99%の単語精度を採用しています。Section 508およびWCAGガイドラインでは、完全な正確性が確認されない限り自動生成キャプションは不十分とされています。意味を変える誤りはアクセシビリティ上の障壁となるためです。コンプライアンス目的で公開する前に、自動生成結果への人的な編集工程を計画に入れておきましょう。

私の見解では、法的状況は多くの記事が認めているよりも具体的です。そして、文字起こし・キャプション・サブタイトルの区別こそが、組織が間違えがちなポイントなのです。

WCAG(Web Content Accessibility Guidelines):

• SC 1.2.2(レベルA):同期メディア内の録画済み音声に対するキャプション。
• SC 1.2.4(レベルAA):同期メディア内のライブ音声に対するキャプション。
• 文字起こしだけで足りるのは音声のみのコンテンツであって、音声付き動画ではない。
• サブタイトルはどちらの要件も満たさない。

ADA Title II(米国): 司法省(DOJ)の2024年4月最終規則により、公共機関のコンプライアンス基準としてWCAG 2.1レベルAAが定められました。人口5万人超をサービス対象とする機関については、最初の期限である2026年4月24日がすでに到来しています。

Section 508(米国連邦): 同期メディアには、キャプション(WCAG SC 1.2.2)に加え、重要な視覚的コンテンツに対する音声解説(audio description)が必要です。音声のみのメディアには、文字起こしが別途必要です。

FCC(米国放送): 2014年に採択された品質基準は、正確性、同期性、番組の完全性、キャプションの配置を4つの原則として定めています。業界のベンチマークは99%の単語精度です。人的レビュー工程のない自動生成キャプションは、十分とはみなされません。

欧州アクセシビリティ法(EAA): 2025年6月28日に発効し、EU域内で事業を行う事業者、およびEU居住者に販売する事業者を対象とします。視聴覚コンテンツには、品質基準(読了速度は毎分約160〜180語)を満たす同期キャプションまたは字幕を含めなければなりません。

管轄区域ごとのキャプション・コンプライアンスの詳細については、文字起こしによるWCAGコンプライアンスおよびアクセシビリティキャプションとADAコンプライアンスをご覧ください。

このセクションは2026年半ば時点の情報に基づいており、一般的な情報提供のみを目的としたものであり、法的助言ではありません。お住まいの管轄区域とユースケースに応じた要件を必ずご確認ください。

次のステップ

まず成果物を見極めましょう。読者が読むものなら文字起こしが必要です。音声なしで視聴するならキャプションが必要です。視聴はするが話されている言語が理解できないならサブタイトルが必要です。同じ文字起こし処理で3つすべてを作成できます。それぞれに適したエクスポートと編集工程を選びましょう。

本格的なワークフローを構築せずにキャプションやサブタイトルのファイルを生成したい場合は、ConvertAudioToTextの字幕ジェネレーターが音声・動画ファイルを処理し、SRTまたはVTTを直接エクスポートします。

出典

• W3C WAI, "Captions/Subtitles": https://www.w3.org/WAI/media/av/captions/
• W3C WAI, "Understanding SC 1.2.2 Captions (Prerecorded)": https://www.w3.org/WAI/WCAG22/Understanding/captions-prerecorded.html
• Section508.gov, "Video and Other Synchronized Media": https://www.section508.gov/create/synchronized-media/
• 3Play Media, "FCC Closed Captioning Quality Standards": https://www.3playmedia.com/blog/fccs-new-quality-standards-closed-captioning-video-programming/
• FCC, "FCC Adopts Closed Captioning Quality Standards for TV Programs": https://www.fcc.gov/fcc-adopts-closed-captioning-quality-standards-tv-programs
• Netflix Partner Help Center, "Timed Text Style Guide: General Requirements": https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements
• Interprefy, "The European Accessibility Act 2025 Captioning Requirements": https://www.interprefy.com/resources/blog/european-accessibility-act-captioning-requirements
• DOJ April 2024 Title II final rule, ADA.gov