30分番組の字幕制作に、半日から1日。AI導入前のテレビ大阪では、それだけの時間がかかっていました。聞き起こし、表記の統一、尺に合わせた分割、表示タイミングの調整。字幕制作は「音声を文字にする」だけでは終わりません。細かい判断の連続です。

AI字幕生成は、この工程の大部分を「初稿」として肩代わりする技術です。ただ、音声認識の精度が高いというだけで、放送の現場でそのまま使えるとは限りません。放送字幕とWeb動画の字幕、何が同じで何が違うのでしょうか。

文字起こしは、そのままでは字幕にならない

発話は書き言葉より冗長です。言い直し、相づち、助詞の省略。正確に文字起こしするほど、そのままでは読めない文になります。

字幕は、映像を見ながら1〜2秒で読み切る情報です。認識結果を読める日本語に直す作業を「整文」、読み切れる単位に割る作業を「分割」と呼びます。この二つが、認識精度と同じくらい品質を左右します。長い一文をそのまま1枚に載せれば読み切れません。かといって細かく割りすぎれば、表示がチカチカして映像の邪魔になる。塩梅をどこに置くか、そこにツールの設計思想がいちばん出ます。

AI字幕生成の工程

音声認識から出力まで、字幕を自動生成する仕組みは主に5つの工程に分かれます。

AI字幕生成の5つの工程（音声認識から出力まで）
  • 音声認識：発話をテキスト化し、発話単位の時間情報を付ける
  • 整文：言い直しや相づちを整理し、句読点・表記を統一する
  • 分割：1枚あたりの文字数と意味のまとまりで字幕単位に割る
  • タイミング：発話に合わせつつ、読み切れる表示時間を確保する
  • 出力：SRT、WebVTT、XMEML、ARIB字幕など用途別の形式へ

出演者が複数いる番組では、もうひとつ判定材料が増えます。誰の発言かを聞き分ける 話者分離 の精度です。

整文は要約ではありません。発言の内容は変えず、句読点、助詞、文末、数字やアルファベットの表記を整え、視聴者が自然に読める形へ近づける工程です。ここで肝になるのが固有名詞です。人名、番組名、企業名、製品名を辞書やルールで補正できる設計になっているか。放送では、誤字がそのまま品質事故になります。

タイミングにも機微があります。発話より早く出すぎると違和感があり、遅れると理解が追いつきません。話し始めと話し終わりに合わせつつ、読み切れるだけの表示時間を確保する。この調整を編集者が微修正できるUIがあるか、編集ソフトに渡せる形式で出せるか。ここまで見て、ようやくツールの実力がわかります。

放送字幕には、ルビ・外字・表記ルールの世界がある

放送字幕は、Web字幕よりも表現仕様が厳密です。読みの補助のルビ、外字などの特殊な文字、全角・半角の使い分け、禁則、表示位置。テキストファイルだけでは表現しきれない情報が、そこには詰まっています。

この仕様をまとめているのが、 ARIB STD-B36 という規格です。文字コードや制御情報まで含めて、放送設備が解釈できる形を定めています。

放送のこうした字幕は、視聴者側でオン・オフを切り替えられる、いわゆる クローズドキャプション です。画面に常時焼き込まれた字幕とは、そもそも扱いが別物なのです。

認識モデルの精度が高くても、それだけでは選べません。「ARIB字幕として出力できるか」「既存の編集・送出フローと接続できるか」。放送向けのAI字幕生成は、ここで導入判断が分かれます。

Web字幕と放送字幕は「出口」が違う

Web字幕と放送字幕のワークフローの違い

YouTubeやSNS向けなら、 SRT字幕ファイル を書き出してプレイヤーに載せれば完結します。求められるのはスピードと扱いやすさです。

放送字幕はそうはいきません。ARIB字幕やMXF素材との同期、編集ソフト(XMEML)との連携、局ごとの納品仕様。字幕を「視聴環境に載せる」のではなく、「制作・編集・送出のワークフローに組み込む」必要があります。放送字幕の自動化が難しいと言われるのは、認識精度の問題ではないのかもしれません。むしろ、この出口の厳密さによるものです。Web向けのツールを放送現場に持ち込むと、ここで変換と手戻りが発生します。

導入した現場で何が起きたか

テレビ大阪では、収録データを前日にアップロードしておけば、翌日には文字起こしが終わっています。30分番組の字幕制作は、半日から1日かかっていたものが、一晩4〜5時間程度まで縮みました。人名やグループ名などの固有名詞が自動で正確に出てくることが、修正の手間を大きく減らしたといいます（ 導入インタビュー ）。

北海道文化放送(UHB)では、年間約50本の番組字幕を、字幕担当2名とプレビュー担当1名で回しています。「初稿が自動で上がってくるようになって、作業の出発点が変わった。ゼロから作っていたところを、修正から始められる」。そう語られる変化が、実際に起きています（ 導入インタビュー ）。

どちらの現場も、AIを100%正しい前提では使っていません。初稿はAI、確認と判断は人。今のところ、これが現実的に機能している分担です。

ツールを選ぶときのチェックリスト

認識精度の数字だけで比較しても、現場の負担は見えてきません。初稿生成から確認・修正・書き出し・納品まで、全体の時間がどれだけ縮むかで見てください。文字起こしAIや字幕制作サービスを横並びで比べたい場合は、 文字起こしAI・字幕制作サービスの比較 が判断材料になります。

  • 入力形式：MP4だけでなく、MXFや音声ファイルに対応しているか
  • 出力形式：SRT/WebVTTに加え、XMEMLやARIB字幕に出せるか
  • 固有名詞・専門用語を辞書やルールで補正できるか
  • 字幕分割と表示タイミングを人が調整しやすいか
  • 人手確認を前提にした編集画面になっているか
  • オンプレミスやオフライン環境で運用できるか

最後の項目は、技術というより運用の問題です。未公開素材や権利管理された素材を外部のクラウドにアップロードできるかどうかは、社内ルールで決まります。ここが「ダメ」なら、構成ごと選び直すことになります。

NAXAのSubtitle Generator

NAXAのSubtitle Generatorは、放送・映像制作の実務に接続することを前提にしたAI字幕生成サービスです。SRT/WebVTTに加えてARIB STD-B36/NABや編集ソフト向けのXMEML出力、MXF(SMPTE 436M VANC)入力に対応しています。素材を外部に出せない現場向けには、オンプレミスやオフライン構成も選べます。

字幕制作の負荷に悩んでいるなら、まず実素材で1本試してみてください。認識精度の数字を眺めるより、初稿からの修正がどれだけ楽になるかを体感するほうが、判断は早く、正確になります。テレビ大阪の一晩4〜5時間は、御社の現場でも同じように縮むでしょうか。それは、素材を渡してみるまでわかりません。