文字起こしによるWCAG準拠：SC 1.2の完全マッピング（2026年版）

本記事は法的助言ではありません。 WCAGの達成基準は技術標準であり、法的文書ではありません。特定の規制が適合を義務付けているか、またどのレベルで義務付けているかは、管轄区域、組織の種類、対象となる法律によって異なります。コンプライアンスに関する判断は、法律の専門家にご相談ください。

文字起こしが関係する達成基準

文字起こしは、音声コンテンツにおける最も汎用性の高いアクセシビリティ成果物ですが、WCAG 1.2の全体をカバーするわけではありません。SC 1.2.1は音声のみのコンテンツに文字起こしを求めます。SC 1.2.3では、レベルAにおいて文字起こしを動画のメディア代替として使用できます。この2つを超えると、文字起こしは作業を支援するものであって、キャプションや音声解説の代わりにはなりません。

WCAG 2.2では、ガイドライン1.2は2.1からまったく変更されていません。以下の基準は両方のバージョンに等しく適用されます。WCAG 2.2の新基準は、キーボードナビゲーション、タッチターゲット、認知アクセシビリティを扱うものであって、時間依存メディアには関係ありません。

SC 1.2の構成

ガイドライン1.2の9つの達成基準は、次の3つの適合レベルに分かれます。

ほとんどの法規制はレベルAAを対象にしています。米国のADAタイトルIIは、州および地方自治体にWCAG 2.1 AAを義務付けています（人口規模に応じて、準拠期限は2027年4月と2028年4月にそれぞれ延長されました）。米国連邦機関向けのセクション508はWCAG 2.0 AAを義務付けます。EU欧州アクセシビリティ法は、EN 301 549に基づき2025年6月から施行されており、現在はWCAG 2.1 AAを参照しています。各国の枠組みをもっと詳しく比較したい方は、国別アクセシビリティ関連法令をご覧ください。

SC 1.2.1：音声のみ・映像のみ（収録済み）、レベルA

音声のみのコンテンツには、テキストの文字起こしを提供してください。映像のみのコンテンツ（音声なし）には、文字起こし、または映っている内容を説明する音声トラックのいずれかを提供してください。

ポッドキャストのエピソード、映像のない録音講義、その他あらゆるスタンドアロンの音声ファイルがこの基準に該当します。文字起こしには、音声と同じ情報——発話内容、重要な非発話音、複数の話者がいる場合の話者の識別——を伝える必要があります。

十分とみなされる基準：W3Cは「時間依存の視覚情報および聴覚情報について、正しい順序で並べられたテキストによる説明」と定めています。要約では要件を満たしません。セクションを飛ばしたり、重要な内容を省略したりした文字起こしも要件を満たしません。意味が保たれている限り、軽微な表現の揺れや固有名詞のスペルミスは一般に許容されます。

文字起こしは音声と同じページに埋め込まれている必要はありませんが、そこから容易にアクセスできるようにしてください。ページ内のHTMLでも、リンク先のHTMLでも、いずれも基準を満たします。PDFの文字起こしでも要件を満たせますが、追加のアクセシビリティ上の負担が生じます。HTMLのほうがよりクリーンな選択肢です。

例外が1つあります。音声のみのコンテンツが、ページ上の既存テキストコンテンツのメディア代替そのものであり、その旨が明確にラベル付けされている場合、SC 1.2.1は適用されません。

ポッドキャストや収録済み音声用にきれいな文字起こしが必要なだけであれば、ConvertAudioToTextの音声からテキストへの変換ツールを使えば、ダウンロードしてレビューし、音声プレーヤーのそばに公開できるテキスト文字起こしを作成できます。

SC 1.2.2：キャプション（収録済み）、レベルA

公開されているウェブサイト上の、音声付きの収録済み動画にはすべて、同期キャプションが必要です。

重要なのは「同期」という言葉です。キャプションは、それが表す発話が行われている最中に表示されなければならず、前後にまとめて表示してはいけません。また、関連する非発話音も含める必要があります。「［ドアが閉まる］」「［明るい音楽］」、複数人が登場するコンテンツでの話者ラベルなどです。

WCAG自体は具体的な精度率を定めていません。FCCとDOJの指針では、放送・公開コンテンツの目標値は99%とされています。アクセシビリティ専門家の間では、95%を実務上の最低ラインとして扱うのが一般的です。動画プラットフォームの自動生成キャプションは、固有名詞、専門用語、重なり合う発話、非発話音で精度が落ちる傾向があります。

準拠したキャプションを作るためのワークフロー：

1. 動画を文字起こしツールに直接アップロードするか、動画からテキストへの変換用に音声を抽出します。
2. 時間情報付きのSRTまたはVTTキャプションファイルを生成します。
3. 人間によるレビューを行います。固有名詞や専門用語を修正し、非発話音のキューを追加し、タイミングを確認します。
4. レビュー済みのファイルを、手動キャプショントラックとして動画ホスティングサービスにアップロードします。

動画ホスティングサービスの自動キャプションは出発点であって、ゴールではありません。

SC 1.2.3：音声解説またはメディア代替（収録済み）、レベルA

音声付きの収録済み同期動画には、音声解説または完全なテキストによるメディア代替のいずれかを提供します。どちらを選ぶかはあなた次第です。

これは最も誤読されやすい基準です。レベルAにおいては、この「または」は実在し、重要な意味を持ちます。

選択肢A：音声解説。 別のナレーターが、会話の自然な間に視覚的な内容を描写します。「彼女はホワイトボードへ歩み寄り、リストの3番目の項目を丸で囲む」。これには追加の音声トラックを録音する必要があります。

選択肢B：メディア代替。 動画内のすべての内容をカバーするテキスト文書で、セリフと視覚的内容が一体化されています。動画を見ることも聞くこともできない人でも、この文書を読めば同じ情報が得られるようにします。

話者の顔が中心の動画、講義、プレゼンテーションなど、視覚的コンテンツが比較的少ない形式では、通常は選択肢Bのほうが作りやすくなります。まず音声から完全な文字起こしを作成し、レビューの際に簡潔な視覚注釈を加えていきます。

一方、デモ動画、製品のウォークスルー、あるいは画面や動作がセリフでは語られていない重要な内容を担っているものの場合は、音声解説のほうがユーザーの役に立ちやすい傾向があります。

注意：1.2.3で選択肢B（メディア代替）を選んだとしても、レベルAAの1.2.5を満たす必要は残ります。こちらでは音声解説が特に求められます。

SC 1.2.4：キャプション（ライブ）、レベルAA

音声のあるライブ配信、ウェビナー、オンラインイベントには、リアルタイムキャプションが必要です。

収録済みのキャプションには人間によるレビューの時間がありますが、ライブキャプションにはありません。主な選択肢は次の通りです。

CART（Communication Access Realtime Translation）： プロの速記者がリアルタイムでキャプションを付けます。精度は高くなります。CARTサービスの費用は、英語であれば通常1時間約60ドルから、題材・提供業者・所要時間に応じて1時間120〜200ドル程度です。重要度の高いライブコンテンツにおけるゴールドスタンダードです。

自動音声認識（ASR）： Zoom、Google Meet、Microsoft Teamsなどのプラットフォームが提供するライブASRサービス。高速かつ低コストですが、複数の話者がいる場合、訛り、専門用語、音声品質の問題があると精度が低下します。

ハイブリッド： ASRに加えて、人間のレビュワーが監視しながらリアルタイムで修正を加えます。多くのユースケースでコストと精度のバランスが取れます。

レベルAAの準拠のためには、WCAGはキャプションが正確かつ適切なタイミングで提供されることを求めます。CARTは確実にこの水準を満たします。ASRのみの場合は、音声が明瞭で管理された環境の単一話者コンテンツであれば、通常この水準を満たせます。複雑なイベントや重要度の高いイベントには、CARTまたはハイブリッド方式がふさわしいでしょう。

ライブの会議の文字起こしという用途では、ほとんどのチームはイベント中は会議プラットフォーム内蔵のASRを使用し、イベント後の録画をより精度の高い文字起こしツールに通して、修正済みのアーカイブ版を作っています。

SC 1.2.5：音声解説（収録済み）、レベルAA

レベルAAでは、収録済み動画の音声解説は必須であり、任意ではありません。

これは、1.2.3がレベルAで与えていた柔軟性を閉じるものです。メディア代替で置き換えることはもうできません。1.2.3のためにテキスト代替を用意していた場合でも、1.2.5はその上に新たな要件を課します。

両方を満たす実践的な方法は、1.2.5を満たすために音声解説を提供することです。音声解説は1.2.3で認められる2つの選択肢の1つなので、そうすれば1.2.3も自動的に満たされます。

動画コンテンツにおける実用的なAAの組み合わせ： キャプション（1.2.2）＋音声解説（1.2.5）。多くのコンプライアンスワークフローでは、この2つをレベルAAのセットとして扱います。

セリフの間（ま）が十分にあるコンテンツに有効な近道があります。制作段階で、後から解説音声を挿入できるようナレーションに意図的な空白時間を設けておくことです。隙間なく続く濃密なセリフに後から解説を組み込むのは、最初から設計しておく場合に比べて格段に難しくなります。

私見：教育系・企業系のほとんどの動画制作担当者にとって、大きな課題は基準を理解することではなく、ワークフローを構築することです。キャプションと文字起こしを後処理の修正ではなく制作プロセスの一部として扱えば、コストを半分に抑えられます。

SC 1.2.6：手話（収録済み）、レベルAAA

音声付きの収録済み動画には、手話通訳を提供します。

レベルAAAであり、規制で義務付けられることはまれです。大半の公開コンテンツはこれを満たしておらず、AAを適合目標とする場合は不要です。最も関係するのは、ろう者を明確に対象とするコンテンツや、公共サービス・医療分野における重要度の高いコミュニケーションです。

SC 1.2.7：拡張音声解説（収録済み）、レベルAAA

セリフに自然な間が十分になく、標準的な音声解説では不十分な場合は、拡張音声解説を提供します。動画を一時停止してより長い解説を挿入し、その後再生を再開します。

レベルAAAです。ほとんどのコンテンツには十分な間があるため、実践ではまれです。該当するのは、絶え間なく続く濃密なナレーションと、重要な視覚情報を伴う教材系コンテンツです。

SC 1.2.8：メディア代替（収録済み）、レベルAAA

同期動画の音声・視覚コンテンツのすべてを網羅する完全なテキスト文書で、音声にも映像トラックにもアクセスできないあらゆるユーザー向けのものです。

これはキャプションや音声解説だけの範囲を超えるものです。文書に必要な要素：

• 話者の識別付きのすべてのセリフ
• 関連する非発話音のすべて
• 画面上のテキスト、場面設定の説明、登場人物の動きといった、重要な視覚コンテンツのすべて
• 構造的なナビゲーション（チャプター、場面転換）

よく整備された文字起こしがセリフ部分の土台になります。視覚情報の注釈作業は人間の手が必要ですが、話者ラベル付きの完全な文字起こしから始めれば、所要時間は大幅に短縮できます。

SC 1.2.9：音声のみ（ライブ）、レベルAAA

ライブの音声のみのコンテンツ向けリアルタイムテキスト代替：ラジオの生放送、音声会議、音声のみの放送。

レベルAAAであり、実践で達成されることはまれです。音声のみのストリームのリアルタイムテキスト代替には、通常ライブASRまたはライブキャプショナーが必要です。この基準を満たす音声のみのライブ放送はごくわずかです。

実践的なAA準拠ワークフロー

ポッドキャストと収録済み動画を掲載するウェブサイトでWCAG AAを目指す場合：

ポッドキャストエピソードの場合（SC 1.2.1）

1. 音声からテキストへの変換ツールで音声を文字起こしします。
2. 人間によるレビュー：固有名詞や専門用語を修正し、話者ラベルを確認します。
3. レビュー済みの文字起こしをHTMLとして、エピソードページ上またはその近くに公開します。

収録済み動画の場合（SC 1.2.2と1.2.5）

1. 文字起こしを行い、時間情報付きのキャプションファイル（SRTまたはVTT）を取得します。
2. 人間によるレビュー：精度、話者ラベル、非発話音のキューを確認します。
3. キャプションを動画ホスティングサービスにアップロードします。
4. セリフの合間に視覚コンテンツをカバーする音声解説を、自ら収録するか外部に発注します。
5. 音声解説を別の音声トラックとして公開します。

ライブウェビナーの場合（SC 1.2.4）

1. 配信中：CARTまたはASRのライブキャプションを使用します。
2. 配信後：録画を文字起こしツールにかけ、アーカイブ版を作成します。
3. 録画とともに公開する前に、アーカイブ版のキャプションをレビュー・修正します。

よくある準拠の失敗例

レビューなしで公開された自動キャプション。 自動生成キャプションは、固有名詞、専門用語、話者ラベル、非発話音を見落とします。レビューは省略できません。

文字起こしの代わりに要約。 SC 1.2.1が求めるのは、編集された要約ではなく音声と同じ情報です。文字起こしの代わりに「ショーノート」を公開しても、この基準は満たせません。

視覚コンテンツに対する説明がない。 何が表示されているかをナレートせずにインターフェースだけを見せる製品デモには、音声解説またはメディア代替が必要です。キャプションだけでは映像のみの情報はカバーできません。

ダウンロードの壁の向こうにある文字起こし。 PDFダウンロードでも基準の字義どおりには満たせますが、スクリーンリーダーユーザーにはアクセスの摩擦が生じます。ページ上のHTMLか、リンク先のHTMLがよりクリーンな方法です。

複数話者のコンテンツで話者の識別がない。 2人以上が話す場合は、キャプションと文字起こしの両方で、誰が何を言っているかを識別する必要があります。

コンプライアンス監査のためのドキュメント

アクセシビリティ対応プロセスを文書化するときは：

• 対象とする標準を明記する（WCAG 2.2レベルAA。管轄区域が要求しているのがWCAG 2.1 AAであればそちら）。
• 生成プロセスを記述する（AI文字起こしの後に人間によるレビュー）。
• どの成果物がどの達成基準を、どのコンテンツに対して満たしているかを明示する。
• 既知の例外と改善のスケジュールを記録する。
• 生成に使用したツールに言及する。コンプライアンスが属するのはプロセスであって、個々のツールではありません。

これらの基準を参照する法的枠組みについてさらに詳しくは、国別アクセシビリティ関連法令と音声コンテンツのADA準拠をご覧ください。ユーザー体験の側面については、スクリーンリーダーユーザーのための文字起こしで、これらの成果物が実際にどう使われるかを解説しています。

よくある質問

文字起こしはWCAG 1.2のすべての要件を満たしますか？

いいえ。文字起こしは音声のみのコンテンツに対するSC 1.2.1を満たし、SC 1.2.3のメディア代替の選択肢を満たすこともできますが、SC 1.2.2（キャプションは同期している必要があります）、SC 1.2.5（動画には実際の音声解説が必要です）、ライブ配信コンテンツの基準は満たしません。

SC 1.2.3とSC 1.2.5の違いは何ですか？

SC 1.2.3はレベルAで、収録済み動画に対して音声解説または完全なテキスト代替のいずれかを選択できます。SC 1.2.5はレベルAAで、この選択肢がなくなり、音声解説が特に求められます。1.2.5を音声解説で満たしていれば、1.2.3も自動的に満たしたことになります。

YouTubeの自動生成キャプションはSC 1.2.2を満たしますか？

それ単体では満たしません。WCAG自体は特定の精度率を定めていませんが、