AIが生成した字幕をSRTファイルで納品すると、編集者からはあまり歓迎されません。欲しいのはテキストの羅列ではなく、Premiere Proのタイムラインに乗った字幕そのものだからです。映像を流しながら尺を確認し、その場で文言も直したい。この受け渡しを担うのがXMEMLです。Final Cut Pro 7のXML形式に由来する、編集ソフト同士のデータ交換フォーマットです。
では、XMEMLがあれば字幕ファイルは要らなくなるのでしょうか。そう考えると、少し的を外します。
編集者にとって、字幕はタイムラインで見えるもの
映像制作の現場で、字幕は完成後に貼り付けるおまけではありません。オフライン編集、テロップ作成、確認、修正、書き出し、納品。各工程で、映像と同期したテキスト情報として扱われます。編集者が知りたいのは、どの発話にどの字幕が何秒割り当てられているかであり、それはタイムライン上でしか確認できません。
SRTやWebVTTはテキストベースで扱いやすい形式です。ただ、別画面に開いたテキストファイルを目で追うだけの確認には限界があります。 SRT字幕ファイルの書き方 自体はそれほど難しくありません。むずかしいのは、そのテキストを映像のタイムラインに正しく乗せ替える工程のほうです。字幕をクリップやトラックとして扱いたい場面で、XMEMLのような編集データ形式が効いてきます。
XMEMLは「字幕ファイル」ではなく「シーケンスの記述」
XMEMLは、編集タイムラインの構造をXMLで表現する形式です。どの素材を、どのトラックの、どの位置に、どの長さで置くか。それを記述します。Final Cut Pro 7 XMLとして広まり、いまはPremiere Proをはじめ多くの編集ソフトが読み込みに対応しています。
字幕をXMEMLで渡すと、字幕の1枚1枚がタイムライン上のクリップになります。表示開始・終了の時刻は、シーケンス上の配置と長さにそのまま対応します。編集者はAIの生成結果を、別画面の文字起こしとしてではなく、自分のタイムラインに置かれた初稿として扱えるようになります。
ただし、XMEMLは編集ソフト間の互換性を保証する万能形式ではありません。読み込み時の解釈や対応範囲はソフトごとに違います。放送納品のフォーマットでもなく、ARIB STD-B36や、 MXFにSMPTE 436M VANCで字幕を埋め込む仕組み とは役割が別物です。編集はXMEML、配信はSRT/WebVTT、放送納品はARIB/NAB。用途ごとに出口を分けるほうが現実的です。
何のために出すのかで、作るタイムラインが変わる
では、実装は何を先に決めればいいのでしょうか。答えは用途です。編集の確認用なのか、本編集の起点なのか、テロップ作成の素材なのか。ここで何を選ぶかによって、トラック構成やクリップの粒度、含めるべき情報といったタイムライン上の表現が変わります。機械の都合を優先してタイムラインを組むと、編集者の修正負荷はかえって増えます。出力形式は、AI処理側の都合ではなく、編集者の操作性を基準に設計するべきです。
実装でつまずく4点
- シーケンス設定の不一致：元素材のフレームレートや開始タイムコードが編集側のシーケンス設定とずれていると、読み込んだ瞬間に字幕が全部ずれます。XMEML出力は、編集側の前提を確認してから行うべき作業です。
- 分割の粒度：認識結果を細かく切りすぎるとタイムラインがクリップだらけになり、逆に長すぎると直しにくくなります。基準になるのは、編集者が修正しやすい単位です。
- 「正しいXML」と「読み込めるXML」は別物：スキーマ上は正しくても、編集ソフトが期待どおりに解釈するとは限りません。対象ソフトでの読み込み検証は、開発フローに組み込んでおく必要があります。
- 文字の揺れ：改行、全角半角、記号、話者表記。編集画面での見え方と最終納品の要求が食い違うことがあるため、用途ごとに調整できる設計にしておきます。
品質を上げる近道は、編集ソフトの中で人が直せること
AI字幕の品質管理は、専用の確認画面だけで完結させるより、編集ソフト上で映像と照らし合わせながら人が直せる流れを作るほうがうまく機能します。専門用語、固有名詞、話者の意図が絡む番組では特に、映像文脈の中で確認できるかどうかが品質を大きく左右します。XMEMLは、その確認作業をAIの後工程として自然につなぐための部品です。
NAXAの取り組み
NAXAのSubtitle Generatorは、AI字幕の出力形式のひとつとしてXMEMLに対応しています。Premiere Proなどのタイムラインに字幕を初稿として渡し、編集者が映像と照らしながら仕上げる。AIの結果を編集作業の中に組み込むための出口です。放送向けのARIB STD-B36/NAB、配信向けのSRT/WebVTT、MXF(SMPTE 436M VANC)入力とも組み合わせられるため、制作・編集・放送・配信の間の受け渡しを一つの基盤でまかなえます。
字幕AIの価値は、生成の速さだけでは決まりません。結果が編集者のタイムラインまで、迷いなく届くかどうかです。XMEMLは、その届け方を支える地味な部品ですが、そこが崩れると現場では真っ先に不満が出ます。
