文字起こし・字幕用語集

録音の文字起こしや字幕の作業で出会う用語を、例と実際の意味を添えて、短く実用的に解説します。

SRTファイル: SRTファイル（SubRip Subtitle、.srt）は、プレーンテキスト形式の字幕ファイルです。字幕の1つひとつが番号付きのキューで、開始時刻と終了時刻、1〜2行のテキストを持ちます。プレーヤーや動画プラットフォームはその時刻に合わせて映像の上にテキストを表示し、視聴者は字幕のオン・オフを切り替えられます。
VTTファイル: VTTファイル（WebVTT、.vtt）は、Web動画で使われる字幕・キャプションの形式です。SRTと同じプレーンテキストですが、1行目がWEBVTTで始まり、ミリ秒の前にピリオドを使います。さらに、ブラウザが解釈できるスタイル、表示位置、話者タグも記述できます。
オープンキャプション（焼き付け字幕）: オープンキャプションとは、映像の一部として動画に焼き付けた字幕です。常に表示され、どのプレーヤーやプラットフォームでも同じ見た目になり、オフにはできません。これに対してクローズドキャプションは別トラックとして提供され、視聴者がオン・オフを切り替えられます。
SDH字幕: SDHはSubtitles for the Deaf and Hard of Hearing（聴覚障害者向け字幕）の略です。SDH字幕はセリフだけでなく、画面に映っていない話者の名前や、［ドアが閉まる音］［スマホの振動音］［緊迫した音楽］のような重要な音も文字で伝えるので、音声なしでも内容がわかります。配信サービスでは、たとえばEnglish [SDH]のように表示されます。
話者分離（話者ダイアライゼーション）: 話者分離（話者ダイアライゼーション）は、音声認識の中で「誰がいつ話したか」を判定する処理です。録音を声ごとの区間に分け、話者1、話者2のようにラベルを付けます。これにより、インタビューや会議の文字起こしが一続きのテキストではなく、話者ごとの発言として表示されます。
素起こし（逐語的な文字起こし）: 素起こし（逐語的な文字起こし、verbatim）は、発言を話したとおりに書き起こす方法です。「えー」「あの」といったフィラー、繰り返し、言い直し、どもり、さらに［笑］のような声以外の音まで記録することもよくあります。対になるのがケバ取りで、話者の言葉と意味はそのままに、フィラーや言いよどみを除いて読みやすくします。
タイムコード: タイムコードは、動画の各フレームに付けるラベルで、時:分:秒:フレームの形で書きます。01:02:03:12は、3秒目の12フレーム目です。編集者はこれを使って、プロジェクトのどのコピーでも同じ瞬間を見つけます。一方、字幕ファイルは通常ミリ秒で時間を数えるため、ここから混乱が始まります。
強制字幕（フォースド字幕）: 強制字幕（フォースド字幕）は、視聴者が字幕をオフにしていても表示される字幕です。対象は、作品の言語がわかる視聴者でも見逃してしまう部分だけ、つまり別の言語のセリフ、看板、手紙、画面上の文字です。配信サービスでは「フォースドナラティブ字幕」と呼ばれます。
トランスクリプト記号: トランスクリプト記号（文字起こしの表記規則）とは、話し言葉をテキストにするときの取り決めです。話者、間、発話の重なり、強調、笑い、聞き取れない語をどう書き表すかを定めます。研究やプロジェクトでは1つの規則を選んですべての文字起こしに適用するので、別々の人が作った文字起こしでも比較できます。
吹き替え台本: 吹き替え台本とは、映画や動画の翻訳したセリフを、元のセリフが画面上で話される時間内に言えるよう書き直したものです。各セリフを、話す登場人物とイン・アウトのタイムコードとともに並べます。スタジオで声優、またはAI音声が読み上げるのは、この調整後のテキストです。
吹き替え: 吹き替えとは、映画、ドラマ、動画のセリフを新しく収録した音声に置き換えることです。多くは別の言語への翻訳で、視聴者は字幕を読む代わりに自分の言語で物語を聞けます。新しいセリフは映像のタイミングに合わせられ、元の音楽と効果音はそのまま残ります。
ボイスオーバー翻訳: ボイスオーバーとは、翻訳では、元の音声の上に翻訳を読み上げた声を重ねる手法で、元の音声は音量を下げて聞こえたまま残ります。吹き替えと違い、元の声を置き換えたり口の動きに合わせたりはしません。視聴者には、別の人が通訳していることがわかります。
ボイスクローン: ボイスクローンとは、特定の実在の人物の話し声の録音から、その人そっくりに聞こえる合成音声を作ることです。音声クローンとも呼ばれます。クローンは本人が録音していない新しい文も、ほかの言語でも話せるため、吹き替えツールはこれを使って翻訳でも話者本人の声を残します。