夜のニュースを字幕付きで見ていると、アナウンサーが次の話題に移ったあとで、前の話題の字幕がまだ流れていることがあります。録画したドラマなら台詞とぴったり合っているのに、生放送では数秒遅れる。地方局の夕方のローカルニュースでは、そもそも字幕が出ないこともあります。

同じテレビの同じ「字幕」ボタンなのに、なぜ番組によってこれほど違うのでしょうか。理由をたどると、字幕放送という制度の作られ方と、生放送で字幕を作る現場の手順の両方に行き当たります。

字幕放送とは、音声の情報を文字で届ける放送

字幕放送とは、番組の台詞やナレーションを文字にして、映像と一緒に送る放送のことです。主な受け手は耳の聞こえない人、聞こえにくい人で、高齢の視聴者にも広く使われています。日本の地上デジタル放送の字幕は、映像に焼き込まれているのではなく、別のデータとして送られて受信機が画面に重ねる方式です。仕組みとしてはクローズドキャプションの一種なので、リモコンの「字幕」ボタンで出したり消したりできます。ボタンを押しても何も出ないなら、その番組に字幕データが付いていません。

似た言葉に「文字放送」があります。こちらはアナログ放送の時代に、電波のすき間を使ってニュースや天気予報などの文字情報を番組とは別に流していたサービスで、アナログ放送の終了とともに姿を消しました。番組の音声を文字にする字幕放送とは、目的も中身も別物です。

字幕放送には法律上の根拠もあります。放送法第4条第2項は、テレビ放送の事業者に対し、音声を聴覚障害者に説明するための文字を見られる番組を「できる限り多く設ける」よう求めています。視覚障害者向けの解説放送も同じ条文に並んでいます。ただし条文が求めるのは「できる限り多く」までで、何割にすればよいかは書かれていません。

総務省の指針が決めている「対象の放送番組」

数字を決めているのは、総務省の「放送分野における情報アクセシビリティに関する指針」です。2018年2月に策定され、2023年10月に改定されました。字幕放送、解説放送、手話放送のそれぞれについて、放送事業者の区分ごとに普及目標を定めています。

字幕放送の目標は「対象の放送番組」に対する割合で書かれています。対象になるのは6時から25時までのうち連続した18時間に放送される番組で、そこから字幕を付けられない番組を除いたものです。除かれるのは、複数人が同時に会話する生放送のように技術的に字幕を付けられない番組、外国語の番組、大部分が器楽演奏の音楽番組、権利処理などの理由で字幕を付けられない番組の4種類です。

目標値は次のとおりです。

  • NHKと、在京キー局など県域局以外の地上民放は、対象の放送番組の全てに字幕を付ける
  • 県域局は、2027年度までに対象の放送番組の80%以上に付け、できる限り全てに付ける
  • NHK以外の衛星放送(BS)は、2027年度までに対象の放送番組の50%以上に付ける

ここで一つ引っかかるのは、除外の一つめです。複数人が同時に話す生放送は、技術的に字幕を付けられないものとして最初から分母に入っていません。

実績で見ると、残っているのは地方局と生放送

令和6年度の字幕放送実績を、対象番組に占める割合と総放送時間に占める割合の2本の棒で事業者区分ごとに比べたグラフ

総務省は毎年度の実績を公表しています。2025年10月に出た令和6年度の数字を見ると、在京キー5局は対象の放送番組の100.0%に字幕が付いています。目標どおりです。ところが同じ5局について、総放送時間に占める字幕放送時間の割合を見ると71.0%に下がります。

この差の29ポイントは、指針の対象から外れた時間帯と番組の分です。深夜の時間帯もあれば、除外された生放送もここに入ります。対象番組の割合が100%でも、テレビをつけたときに字幕が出る確率が100%というわけではありません。

地方に行くと数字はさらに下がります。系列の県域局101局は、対象番組に占める割合が89.1%、総放送時間に占める割合が59.1%でした。系列に属さない独立県域局13局では、それぞれ46.4%と18.3%です。キー局から送られてくる全国ネットの番組には字幕が付いて届きますが、自社で作るローカル番組、とくに夕方のローカルニュースのような生放送に字幕を付ける体制を持てるかどうかで差がつきます。

冒頭の、地方のニュースで字幕が出ないという現象の正体はこれです。

生放送の字幕は、なぜ数秒遅れて出るのか

生放送の字幕が、番組音声からリスピーク、音声認識、修正確認を経て送出されるまでの流れと、そこで生まれる時間差を示した図

録画番組の字幕は、放送前に完成した映像を見ながら作れます。台詞の書き起こし、表示のタイミング合わせ、読みやすさの調整、校正までを済ませてから、ARIB STD-B36などの形式で納品します。時間をかけられるぶん、台詞と字幕はぴったり合います。

生放送ではその時間がありません。話された言葉を、その場で文字にして送り出す必要があります。現場で使われてきた方法は大きく三つあります。

  • 速記の技術を持った入力者が、複数人で分担して高速にキーボード入力する方法
  • 番組の音声を、別の話者が聞き取りやすく言い直し(リスピーク)、その声を音声認識にかける方法
  • 番組の音声を、そのまま音声認識にかける方法

どの方法でも、出てきた文字を修正担当者が確認してから送り出します。話を聞く、文字にする、確かめる、送る。この四つの手順を順に通る以上、どうしても話し終わりから表示までに時間差が生まれます。総務省の検討会の資料には、数秒から、条件によっては10秒前後のずれがあるという報告が並んでいます。

三つめの、音声をそのまま認識にかける方法がいちばん速いのは確かです。ただ、NHKが2010年代に公表した資料では、アナウンサーが原稿を読む部分の認識率が98%だったのに対し、自由な会話の部分では88.7%に下がっていました。リスピークを挟むと95%程度まで戻ります。ニュースの原稿読みは自動で、対談や中継は人が言い直して、という使い分けが生まれたのはこのためです。

では、地方局がこの体制を自前で持てるでしょうか。入力者やリスピーカー、修正担当者を、毎日の夕方のニュースのために確保し続ける必要があります。外部の字幕制作会社に頼む方法もありますが、費用は番組の本数に比例して増えます。字幕放送の地域差は、技術の差というより、人を何人置けるかという体制の差です。

指針の改定は「生成AI」に触れた

2023年10月に改定された指針の前文には、それまでになかった一文が加わりました。生成AIが急速に発展し、情報アクセシビリティの向上への活用も期待されている、という内容です。同じ文の中で、活用にはポテンシャルとリスクの両面があること、利用者を含む幅広い意見を聞きながら動向を見ていくことにも触れています。字幕を実際に読む当事者が議論に参加することの重要性も、別の文で明記されました。

期待とリスクが同じ文に並んでいる理由は、生放送の字幕を思い浮かべるとわかります。速く出る字幕と正しい字幕は、今の技術では一致しません。固有名詞を一つ取り違えた字幕は、遅れて出る正しい字幕より害が大きいこともあります。音声認識に任せる部分を広げるほど、誤りをどこで、誰が止めるかという設計が重くなります。

指針の数値目標は2027年度を年限にしています。その先の目標を決めるときには、この「速さと正確さ」の配分が論点になるはずです。

NAXAの取り組み

NAXAは、放送局向けのAI字幕生成サービス「Subtitle Generator」を開発・提供しています。日本語に特化した独自の音声認識エンジンで文字起こしとタイムコード付けを行い、話者の認識やテロップを避けた字幕の配置、ルビ振りまでを自動化します。字幕の表記ルールは局ごとに違うため、各局の制作ルールに合わせて調整したうえで提供しています。工程の詳しい中身はAI字幕生成の仕組みでまとめています。

自動化で浮いた時間を、人による確認と修正に回す。字幕放送を地方局やローカル番組に広げるには、こうした分担が欠かせないと考えています。

リモコンの字幕ボタンは、全国どこのテレビにも同じ形で付いています。押したときに字幕が出る番組を、東京以外の放送局で、生放送でどこまで増やせるでしょうか。