スクリーンリーダー利用者のための文字起こし：効果的なフォーマット手法

スクリーンリーダーは文字起こしをどう読み上げるか

文字起こしのアクセシビリティは、その意味的構造（セマンティック構造）で決まります。 スクリーンリーダーはページを視覚的に表示せず、背後にあるHTMLを解析して音声や点字として出力します。5,000語の文字起こしをナビゲートする全盲の利用者は、見出しによるジャンプ、段落ごとの移動、テキスト検索、順次読み上げなどの手段を使います。どの方法が快適に機能するかは、文字起こしがどうフォーマットされているかに完全に依存します。

キャプションと文字起こしは、異なる利用者のための異なるツールです。WCAG 1.2.2（レベルA）では、音声と同期して画面上に表示されるため、同期動画に対してキャプションが必須とされています。WCAG 1.2.1（レベルA）では、視覚障害者は動画プレーヤーを見ることができず、時間同期キャプションの恩恵を受けられないため、録音済みの音声のみコンテンツに対して文字起こしが必須とされています。両者の線引きについて詳しくは、文字起こし、キャプション、字幕の違いをご覧ください。

実践上の要点として、ポッドキャストのエピソード、録音講義、インタビューなどを公開する場合、文字起こしは全盲やロービジョンのリスナーにとって最も重要なアクセス経路となります。その構造こそがインターフェースです。

スクリーンリーダー利用者が文字起こしで行える操作

スクリーンリーダーの利用者は、いくつかのナビゲーションモードを利用できます。

• 見出しジャンプ：全見出しのリストを表示し、任意のセクションへ直接ジャンプ（高速で、長いコンテンツで最も好まれる操作）
• 段落スキップ：中程度の速度で次の段落へ移動
• 文スキップ：正確に読み進めるために1文ずつ移動
• テキスト検索：キーワードやフレーズに直接ジャンプ
• 順次読み上げ：上から下へと聞き流す（構造がない場合に使われる低速なモード）

90分のインタビューの文字起こしにおいて、見出しナビゲーションがあるかどうかは、目的のセクションを数秒で見つけられるか、何分も音声を聴き続けなければならないかの違いを生みます。見た目の装飾がどうであるかは関係ありません。重要なのはその下にある意味的構造です。

効果的なフォーマットのパターン

正しい見出し階層を使う

見出しはスクリーンリーダー利用者に文書の見取り図を提供します。ポッドキャストやインタビューの文字起こしの場合：

• H1: エピソードまたはインタビューのタイトル（文字起こし本文ではなくページ上に配置）
• H2: 主要セクション（導入、メインテーマ、Q&A、締めくくり）
• H3: 内容に応じて設ける、主要セクション内のサブセクション

会議や講義の場合：

• H2: アジェンダ項目または講義の進行順セクション
• H3: セクション内で大きくトピックが変わる箇所

トピックが明記された見出し（「価格モデルの議論」）があれば、利用者はそのセクションを読むべきかを判断できます。タイムスタンプだけの見出し（「00:15:30」）では、実際にそこへジャンプするまで何の内容か分かりません。

話者が変わるごとにテキストで話者ラベルを付与する

複数人が話すコンテンツでは、話者が交代するたびに目に見えるテキストラベルが必要です。効果的なパターンは以下のとおりです。

**Sarah:** 2つ目の選択肢に焦点を当てるべきだと思います。

**David:** 同意します。タイムライン的にもそのほうが良いですね。

**Sarah:** 長期的にもコストを抑えられます。

太字のスタイリングは視覚的な読みやすさに役立ちます。そして話者名の後にコロンを置くことで、スクリーンリーダー利用者は内容の前に「Sarah、2つ目の選択肢に……」と発言者を把握できます。インデントや文字色などの視覚的な手がかりは音声には変換されません。テキストラベルだけが正しく伝わります。

自然な区切りで段落を分ける

テキストの塊は誰にとっても読みづらいものですが、段落ごとにナビゲートするスクリーンリーダー利用者にとって、改行のない600語の塊は1つの文を探すためにブロック全体を聞かなければならないことを意味します。次のような箇所で段落を分けます。

• 同じ話者の中で話題が変わるタイミング
• 長い発話では100〜150語ごと
• 3秒以上の自然な休止（ポーズ）が入る箇所

それぞれの段落が単独で意味の通るまとまりになっている必要があります。

ナビゲーション用のタイムマーカーを設ける

20分を超える文字起こしでは、定期的なタイムスタンプが特定の瞬間を見つける助けになります。該当箇所のテキストの直前にインラインで配置します。

**[00:15:30]** そして、価格設定の話題に移りました……

角括弧で囲まれたタイムスタンプはスクリーンリーダーによって読み上げられ、読書の邪魔をすることなく基準点を提供します。90分の文字起こしであれば、5〜10分ごとにマーカーを置くのが適切です。

音声以外の音を角括弧で表記する

理解を助ける重要な環境音は文字起こしに含めます。

• [観客の笑い声]
• [BGMがフェードアウト]
• [ドアがバタンと閉まる音]

これらは動画と同期する必要があるキャプションでより重要ですが、独立した文字起こしでも、音声を一度も聞いたことがない利用者にとって貴重な文脈となります。

初出時に略語を正式名称で記載する

スクリーンリーダーは見慣れない略語を1文字ずつ読み上げることがよくあります。「GDPR」は適切に設定されたスクリーンリーダーでは「G-D-P-R」と発音される場合があります。初出時に「雇用機会均等委員会（EEOC）」と記載し、以降を「EEOC」とすることで、略語が登場する前に完全な名称を利用者に把握させることができます。NASAやFBIなどの一般的な頭字語は正しく処理されることが多いですが、専門用語の略語には注意が必要です。

標準的な句読点のみを使用する

最新のスクリーンリーダーは、句点、読点、疑問符を正確に処理します。問題を引き起こしやすいのは次のような表記です。

• 不自然な沈黙を生む過剰な三点リーダー（……）
• スクリーンリーダーによっては1文字ずつ読まれるすべて大文字の単語
• 発音が統一されない装飾的なUnicode記号
• 古い読み上げ環境で問題を起こす特殊なクオート記号

句読点は標準的で実用的なものに留めてください。

避けるべき失敗パターン

話者表記のない長文の塊は、機能的にアクセス不可能です。話者ラベルも改行もない3,000語のテキストブロックは、順次読み上げ以外のナビゲーション手段を奪ってしまいます。

見出しだけしか構造がない状態は何もないよりはマシですが、各H2見出しの中に改行なしで800語も詰め込まれていると、セクションへのジャンプはできてもその中身をすべて聞き通すことを強いられます。

PDF形式のみでの配布は非常によくある落とし穴です。WordやウェブページからPDFへ書き出すと、見た目が整っていても意味的なタグ構造が抜け落ちることが多々あります。見出しナビゲーションも機能しなくなります。スクリーンリーダーのアクセシビリティを考慮するなら、ウェブページ上のHTMLが最も確実なフォーマットです。

文中の編集者コメントは順次読み上げの流れを混乱させます。文脈を追加したい場合（「[編集注：このセクションは時間の都合でカットされました]」）は、話者のセリフ内に混ぜず、明確に区別できる注記や脚注として配置してください。

タイムスタンプだけの見出し（「00:15:30」）はナビゲーションとしての価値がありません。タイムスタンプとトピック名を組み合わせて記述してください。

言語マークアップのない他言語混在コンテンツは、スクリーンリーダー側ではどうにもできない典型的な問題です。英語の文書内にスペイン語の文章が含まれている場合、スクリーンリーダーは発音ルールを切り替えるためにlang属性を必要とします。WCAG 3.1.2（レベルAA）では、ページのデフォルト言語と異なるすべての文やフレーズについて言語の識別を求めています。これがないと、他言語の文章がデフォルト言語の音韻規則で無理やり読み上げられてしまいます。

ワークフロー：AI文字起こしからアクセシブルな文書を作る

音声テキスト変換ツールで生成したAI文字起こしを出発点とします。

ファイルドロップゾーンとフォーマット設定を表示するConvertAudioToText音声アップロードツール

ステップ1：初期確認。 音声を聞きながら文字起こし全体を確認します。正確性を確認し、H2見出しにすべき主要なトピックの転換点を特定します。

ステップ2：見出し構造の追加。 主要なトピックの変わり目にH2見出しを挿入します。60分のインタビューであれば、5〜15個程度の見出しが目安です。各見出しには具体的なトピック名を付けます。

ステップ3：話者ラベルの検証。 AIの話者識別（ダイアライゼーション）は通常80〜90%の精度ですが、2人の話者が1つにまとめられた重なり合う会話、AIがひとまとめにしてしまった素早い話者交代、発言者の取り違えがないかを確認します。

ステップ4：段落の分割。 長い発話を自然なポイントで分割します。段落の長さは100〜200語を目安にします。

ステップ5：タイムマーカーの追加。 ナビゲーションの助けとして、5〜10分ごとにタイムスタンプを挿入します。

ステップ6：非音声情報の付記。 ナレーションなどの音声では、重要なタイミングに角括弧で音の説明を追加します。純粋な対談（会議やインタビュー）では通常不要です。

ステップ7：言語マークアップの付与。 異なる言語のセクションがある場合は、HTMLのlang属性で囲むか、プレーンテキスト形式であれば言語を明示します。

ステップ8：スクリーンリーダーでの検証。 NVDA（無料のオープンソース、Windows向け）とVoiceOver（macOSおよびiOSに内蔵）が最も手軽な検証ツールです。キーボード操作だけで文字起こしを移動してみてください。見出しナビゲーションで主要セクション間をジャンプできるか、段落ごとの移動がスムーズか、テキストの前に話者ラベルが読み上げられるかを確認します。

この検証ステップにより、視覚的なレビューでは見逃してしまう問題を発見できます。

文字起こしを公開する場所とフォーマット

フォーマットが削除されてしまうプラットフォーム（一部のポッドキャスト配信サービスや講座プラットフォームなど）では、自社サイトにHTML版を公開してそこへリンクを貼るようにします。

ページ上の配置

文字起こしは別リンクの先に隠すのではなく、音声と同じページ上に配置してください。 エピソードページを訪れた利用者が、新しいURLを開くことなくスクロール（または見出しジャンプ）して文字起こしに到達できるようにする必要があります。文字起こしが長い場合は、プレーヤーの上部にスキップリンク（「文字起こしへジャンプ」）を設けることでナビゲーションの負担を軽減できます。

動画コンテンツの場合、文字起こしとキャプションは異なる利用者を対象としており、両方が必要になることがあります。文字起こしはページ上のテキストとして掲載します。キャプションは動画プレーヤー上の時間同期ファイルとして設定します。どちらか一方で代用することはできません。どのフォーマットがどのようなアクセス要件を満たすかの全体像については、聴覚障害のある利用者のための文字起こしをご覧ください。

コンテンツ種別ごとの長さと構造の目安

15分未満の音声：小見出しのない単一の文章構成でも許容されます。ただし話者ラベルと段落の分割は依然として重要です。

15〜60分：5〜15分ごとにH2見出しを配置します。一般的なインタビューであれば5〜10個の見出しが目安です。

60〜180分：主要セクションにH2、セクション内のトピック転換にH3を用いる階層的な見出し構造にします。

複数セッションまたは数時間に及ぶコンテンツ：セッションやトピックごとに個別の文字起こしページに分割することを検討してください。ナビゲーションの目標は、どの利用者でも目的の箇所を30秒程度で見つけられるようにすることです。

教育用コンテンツについては、文字起こしを活用したアクセシブルな講義で講義プラットフォームとの連携方法を解説しています。法規制コンプライアンスの全体像については、文字起こしにおけるWCAG適合基準でどのメディアにどの達成基準が適用されるかを網羅しています。

アクセシビリティのクイックチェックリスト

文字起こしを公開する前に、以下を確認してください。

1. スクリーンリーダー利用者がテキストのどの位置からでも話者を特定できますか？
2. 見出しナビゲーションを使って特定のセクションへ直接ジャンプできますか？
3. コンテンツ内を段落ごとに移動できますか？
4. 他言語の箇所に言語属性が指定されていますか？
5. 文字起こしは別リンクの先ではなく、音声と同じページ上に配置されていますか？
6. 実際のスクリーンリーダーを使ってナビゲーションをテストしましたか？

1つでも「いいえ」がある場合、その文字起こしは完全にアクセシブルとは言えません。必要な修正はフォーマットの変更であり、文章を一から書き直す必要はありません。これらのチェックをクリアした文字起こしは、キーワードを探している人、小さな画面で読んでいる人、特定の引用を検索している人にとっても使いやすいものになります。

音声や動画ファイルから文字起こしを作成する場合は、ConvertAudioToTextをご利用ください。出力されたテキストをそのままワークフローにコピーし、上記のパターンに従ってフォーマットを整えることができます。

よくある質問

視覚障害のある利用者にはキャプションと文字起こしのどちらが必要ですか？

視覚障害のある利用者が必要とするのはキャプションではなく文字起こし（トランスクリプト）です。キャプションは動画上に重ねて表示される同期テキストであり、映像は見えても音声が聞こえない利用者を想定して設計されています。文字起こしは、スクリーンリーダーで個別にナビゲーションできる独立したテキスト文書です。WCAG 1.2.1（レベルA）では録音済みの音声のみコンテンツに文字起こしを義務付けており、WCAG 1.2.2（レベルA）では同期した動画にキャプションを義務付けています。両方が必要になる場合もありますが、目的と対象利用者が異なります。

文字起こしはページのどこに配置すべきですか？

文字起こしは独立したダウンロードリンクの後ろではなく、音声や動画と同じページ上に配置してください。スクリーンリーダー利用者がテキストにアクセスするために別のページへ移動する必要があってはなりません。文字起こしが長い場合は、メディアプレーヤーの下に見出しを付けて配置し、利用者がセクション一覧からジャンプできるようにします。プレーヤーの上にスキップリンク（「文字起こしへジャンプ」）を設けることも有効です。ダウンロードを提供する場合でも、HTMLの方がPDFより確実にアクセシブルです。

長い文字起こしにおいて見出しはスクリーンリーダー利用者にどう役立ちますか？

スクリーンリーダーには、ページ内の全見出しの一覧を表示して目的の箇所へ直接ジャンプする機能があります。見出しのない90分の文字起こしでは、特定のセクションを探すためにすべての単語を順番に聞き進める必要があります。10〜15分ごとの主要トピックにH2見出しを設ければ、利用者は数秒で目的のセクションに移動できます。見出しテキストはタイムスタンプだけでなくトピックを説明するべきです。「00:15:30：価格設定の議論」は有用な文脈を与えますが、「00:15:30」だけでは伝わりません。

PDF形式の文字起こしはスクリーンリーダーに対応していますか？

PDFもアクセシブルに作成することは可能ですが、デフォルトでは対応していないものが大半です。Wordの「PDFとして保存」やウェブページからのエクスポートで作成されたPDFは、セマンティックなタグ構造が失われがちです。スクリーンリーダーで順次読み上げることはできても、見出しナビゲーション、リスト構造、言語属性などは通常削除されます。信頼性の高いアクセシビリティを確保するには、ウェブページ上のHTMLが最適なフォーマットです。PDFを提供する必要がある場合は、見出し、段落、言語タグを明示的にタグ付けして書き出せるオーサリングツールを使用してください。

参考資料

• W3C WCAG 2.1 Understanding 1.2.1 Audio-only and Video-only (Prerecorded): https://www.w3.org/WAI/WCAG21/Understanding/audio-only-and-video-only-prerecorded.html
• W3C WCAG 2.1 Understanding 1.2.2 Captions (Prerecorded): https://www.w3.org/WAI/WCAG22/Understanding/captions-prerecorded.html
• W3C WCAG Understanding 3.1.2 Language of Parts: https://www.w3.org/WAI/WCAG22/Understanding/language-of-parts.html
• W3C WAI Transcripts guidance: https://www.w3.org/WAI/media/av/transcripts/
• NV Access NVDA download page: https://www.nvaccess.org/download/
• W3C ARIA Landmarks and screen reader AT examples: https://www.w3.org/WAI/ARIA/apg/patterns/landmarks/examples/at.html