無音視聴時代の動画字幕をAIで作る｜見られる動画に仕上げる

モバイル端末で動画を見る人の75％は、音を出さずに再生している——海外ではそんな調査結果が報告されています。ミレニアル世代に限れば85％にのぼるという内訳もあり、さらにさかのぼれば2016年、Facebook上の動画閲覧の85％が無音だったと複数の米メディアが公表しました。つまり、字幕・テロップのない動画は、多数派である「音を出さない視聴者」に内容が届く前に飛ばされます。生成AIの音声認識を使えば、文字起こしから整形・書き出しまでの字幕づくりを、手作業の何分の一かの時間で仕上げられます。本記事では、動画の字幕・テロップ作成に生成AIを活かす方法を、4つの工程に分けて解説します。

データで見る無音視聴——字幕が視聴の前提になった

まず視聴環境のデータから確認します。海外の調査では、モバイル動画の視聴者の75％が音を消したまま再生していると報告されています。世代別ではミレニアル世代が85％、Z世代が64％という内訳も紹介されており、Z世代の半数以上はテレビ番組ですら字幕付きで見ているという指摘もあります。また2016年には、Facebook上の動画閲覧の85％が無音だったと複数の米パブリッシャーが明らかにし、この頃から「音に頼らない動画設計」が広告業界の前提になりました。

字幕の効果を測った調査もあります。750人を対象にした海外の実験では、字幕付きの広告は字幕なしに比べて内容の理解が56％高かったと報告されています。加えて字幕は、聴覚に障害のある方や日本語の聞き取りに不安のある方にも情報を届けます。字幕・テロップは飾りの演出ではなく、動画が届く範囲そのものを決める土台——このデータの裏付けが、手間をかけてでも字幕を整備すべき理由です。

国内に目を向けても、通勤電車やオフィス、家族が寝静まった夜の自宅など「音を出せない場面」での動画視聴は日常の光景です。2024年には、10代の約3割が1日6時間以上をスマートフォンでの動画視聴に費やしているという国内調査も公表されており、すき間時間に無音で流し見るスタイルは世代を超えて広がっています。BtoBの製品紹介やウェビナー告知の動画も、この視聴環境の上で戦うことになります。冒頭の数秒で「読んで分かる」情報を出せるかどうかが、スキップされるか視聴が続くかの分かれ目です。「音声で丁寧に説明しているから大丈夫」という考えは、視聴者側の現実とずれていると考えたほうがよいでしょう。

字幕とテロップの違い——作り方の工程も異なる

似た言葉ですが、役割も作り方も異なります。字幕は発話の内容をそのまま文字にしたもので、無音でも話の全体を追えるようにする網羅的な文字情報です。一方のテロップは要点や補足を演出として画面に載せる文字で、大事な箇所を強調したり、話していない情報を補ったりします。字幕は「漏らさないこと」、テロップは「選んで目立たせること」が価値になります。

工程の中身も分かれます。字幕づくりの中心は文字起こしの精度と、読める分量への整形で、生成AIの音声認識が主戦場になります。テロップづくりの中心はどの要点を強調するかという設計で、こちらは文章の要約や抽出としてのAI活用が効きます。本記事では両方を扱いますが、字幕は全編に、テロップは要所にという分担を先に押さえておくと、それぞれの工程の意味がつかみやすくなります。

AI字幕づくりの全体工程を4つに分ける

字幕・テロップづくりを思いつきで始めると、「直しては前の工程に戻る」の繰り返しになりがちです。文字起こし→字幕整形→テロップ設計→書き出しの4工程に分け、前の工程を確定させてから次へ進むのが結局の近道です。全体の流れは次の通りです。

かつて最も重かったのは工程1の文字起こしで、録音を聞きながらの手起こしには動画の長さの数倍の時間がかかっていました。AIの音声認識はここを数分に短縮します。その結果、人の時間は工程2と3の品質づくりに移りました。この構造変化を踏まえて、以降で工程ごとの進め方を具体的に見ていきます。

主要なAI字幕ツールの現在地

音声認識AIの精度はここ数年で大きく向上し、日本語の文字起こしは条件が良ければ90〜95％程度の精度とされています。動画編集ソフトへの搭載も進み、字幕づくりの選択肢は一気に増えました。国内でよく使われる代表的なツールを整理します。

ツール	特徴	向いている使い方
Vrew	AI字幕に特化。無料プランがあり、字幕ファイルの出力にも対応	字幕づくりを最短で始めたい
Premiere Pro	自動文字起こしの精度に定評。プロ向けの編集機能と一体	編集から字幕まで1本で完結させたい
CapCut	スマホだけで自動キャプションまで完結。テロップ装飾が豊富	SNSのショート動画を量産したい
PowerDirector	自動字幕起こしと動画編集を両立し、SRT出力に対応	編集ソフトに字幕機能まで求めたい

選び分けの軸は2つあります。ひとつは主戦場がスマホかパソコンか。ショート動画中心ならCapCutやVrew、ウェビナーなど長尺の編集が絡むならPremiere ProやPowerDirectorが候補になります。もうひとつは字幕ファイルの書き出しに対応しているかで、後述する多言語展開や媒体展開のしやすさに直結します。料金や機能の更新は頻繁なため、導入時は必ず公式サイトで最新の仕様を確認してください。

費用感にも触れておくと、ツール比較の記事では、無料プランのあるものから月額数百円〜3千円台の有料プランまで幅があると紹介されています。おすすめの進め方は、まずCapCutやVrewの無料プランで自社の動画との相性——認識精度と操作感——を確かめ、本数が増えた段階で有料プランや編集ソフト一体型に移る段階的な導入です。無料版には書き出しの制限やロゴ表示が付く場合もあるため、公開用に使う前にその点だけは確認しておきましょう。なお、ツールは後から乗り換えられますが、この先で説明する用語集や手順書といった運用資産は、どのツールに移ってもそのまま持ち越せます。

工程1: 文字起こし——精度の大半は収録で決まる

AIの認識精度を左右する最大の要因は、実はツールの性能差ではなく元の音声の質です。マイクから離れた声、複数人の同時発話、空調やBGMなどの環境音は、どのツールを使っても誤認識を増やします。録ってしまった音声を編集段階で補正するには限界があるため、収録の時点で手を打つのが最も効率的です。

具体的には、話者ごとにマイクを近づける、反響の少ない部屋で録る、対談では進行役が一人ずつ話すように仕切る、BGMは収録音声に混ぜず編集で後から載せる、といった工夫が効きます。収録前の5分の準備が、編集後の1時間の修正を消してくれます。ウェビナーであれば、配信ツールの録音設定とマイク音量を本番前にテストしておくだけでも、後工程の負担は目に見えて変わります。

もうひとつの実務的な工夫が、長い動画の分割処理です。60分のウェビナーを章の区切りで3〜4本に分けて文字起こしすると、誤認識箇所の特定と聞き直しの範囲が短くなり、複数人での分担もしやすくなります。分割の目安は、話題の切り替わりか15〜20分程度です。特に対談やパネル形式は話者の切り替わりで誤認識が増えるため、パートごとに確認の担当を分けると効率が上がります。工程を小さく刻んで確認を挟むという考え方は、字幕づくりに限らず、生成AIを業務に使う場面全般に通じる基本の型でもあります。

用語集で固有名詞の誤変換を減らす

AIの文字起こしで最も誤りやすいのは、社名・製品名・人名・業界用語といった固有名詞です。一般的な同音の語に置き換わる誤変換は、精度の高いツールでも避けられません。対策の基本は用語集（正式表記のリスト）の整備です。辞書登録機能を持つツールなら最初から正しい表記で出力されやすくなり、機能がないツールでも、整形時にAIへ用語集ごと渡せば修正を任せられます。

以下の文字起こしテキストを字幕用に整えてください。
・用語集の表記に必ず合わせる：〇〇株式会社、△△（製品名）、リードナーチャリング
・言い直し、相づち、「えー」「あの」などのつなぎ言葉は削除
・意味を変えずに、1行を全角14字以内で改行
・数字と日付は元の発言のまま変えない
（ここに文字起こしを貼り付け）

用語集は一度作ればチームの共有資産になります。新製品や新しい用語が出るたびに追記する運用にしておくと、動画を作るたびに字幕の精度が上がっていきます。記事や提案資料の表記統一にもそのまま流用できるため、字幕のためだけの投資では終わりません。

工程2: 字幕整形——読める文字数まで間引く

話し言葉をそのまま字幕にすると、画面が文字で埋まり、視聴者は読み切れません。整形の柱は2つあります。ひとつはケバ取りと呼ばれる言い直し・相づち・口癖の除去。もうひとつは1行の文字数と表示時間の調整です。目安として1行は全角15字前後、1画面の表示は2〜4秒程度が読みやすいとされ、スマホで見られるショート動画では、さらに短く刻む調整も必要になります。

この間引き作業はAIの得意分野で、意味を保ったまま字幕向けに短くするよう整形を指示すれば、大半は片付きます。ただし、削りすぎると話者の熱量や人柄まで消えてしまいます。整えた字幕を実際の映像と並べて再生し、口調や間と合っているかを確かめるのは人の仕事です。効率はAIに、さじ加減は人にという分担が、速さと品質を両立させます。

イメージをつかむために、整形の前後を並べてみます。整形前は「えー、本日はですね、あの、弊社の新しいサービスについてご紹介、というかご説明をさせていただければと思っております」。整形後は「本日は新サービスをご説明します」。40字を超える発話が15字になり、意味は変わらないまま一目で読み切れる長さになりました。この「どこまで削ってよいか」の感覚を人が持ったうえでAIに整形を任せると、出力の良し悪しを素早く判定でき、確認のスピードが上がります。最初の1本だけは自分の手で数分ぶん整形してみることを、遠回りに見えてもおすすめします。

公開前チェック——ここだけは人が全文を読む

整形が終わったら、公開前の点検です。取引先の社名を間違えた字幕をそのまま公開すれば、動画1本の問題では済まず、会社としての信頼に関わります。機械のチェックだけで済ませず、人が全文を通読することを、省略できない工程として固定しましょう。点検の観点は次の通りです。

• 社名・製品名・人名などの固有名詞は、正式表記と一致しているかを必ず確認する
• 数字・単位・日付は聞き間違いが起きやすく、元の資料と照合する
• 同音異義語（保証と保障、意義と異議など）が文脈に合っているか読み直す
• 字幕の表示タイミングが発話とずれていないか、通しで再生して確かめる

チェックは「作った人と別の人が読む」と精度が上がります。一人で運用している場合も、時間を置いてから読み直すだけで見落としは減ります。ここで見つけた誤りはその場で用語集に追記し、次回の文字起こし精度に還元する——この小さな循環が、回数を重ねるほど効いてきます。

工程3: テロップ設計——強調は絞るほど効く

テロップは、たくさん載せるほど伝わるわけではありません。最初に決めるべきは視聴者に持ち帰ってほしい要点はどれかです。1本の動画で強調するメッセージを3つ前後に絞り、その箇所にだけテロップを置くと、画面が整理され、大事な情報が引き立ちます。全部を強調することは、何も強調しないことと同じです。

要点の洗い出しには、工程1で作った文字起こしがそのまま使えます。テキストをAIに渡して要点の候補を挙げさせ、人が動画の目的に照らして選ぶ流れなら、設計の時間は大きく縮みます。なお、テンポ重視のショート動画では発話のほぼすべてを大きな文字で見せる「フルテロップ」も定番ですが、その場合も色や大きさを変えて目立たせる箇所は数カ所に絞ることで、強調がきちんと機能します。

どの要点を選ぶかで迷ったら、「数字」「結論」「行動」の3種類を優先する基準が実用的です。実績や割合などの数字は無音でも目に留まり、各セクションの結論は流し見でも理解を助け、「概要欄のリンクから」のような行動の指示は成果に直結します。逆に、あいさつや前置き、本編で何度も繰り返される内容は、テロップにする価値がほとんどありません。この基準を決めておけば、AIに出させた要点候補の取捨選択も速くなりますし、選んだ要点はそのまま、後でショート動画を切り出すときのフックとしても使い回せます。

縦型ショートはセーフゾーンを最初に確認する

TikTok・Instagramリール・YouTubeショートの縦型動画は、1080×1920ピクセル（9:16）が標準サイズです。ここで見落としがちなのがセーフゾーン（文字を安全に置ける範囲）の存在です。各アプリの再生画面では、下部に投稿キャプションやチャンネル名、右側にいいね・コメントなどのボタン列がかぶさるため、その位置に置いた字幕・テロップは操作UIに隠れて読めなくなります。

実務では、画面の端から1割程度には文字を置かない、特に下部と右側を避けて中央からやや上に寄せる、というのが基本の考え方とされています。さらに、使うエフェクトや投稿文の長さによってUIの重なり方が変わる媒体もあるため、書き出す前に各アプリの投稿プレビューで実機確認する工程を挟むと、「公開したら読めなかった」という事故を防げます。

目安になる数値も紹介されています。縦型動画の解説では、テキストや重要な要素は画面の端から10％ほど内側に収め、特に下部の約150ピクセルは投稿キャプションやボタンが重なりやすいため避ける、といった基準が挙げられています。各媒体が配布する公式テンプレートや、セーフゾーンの透過画像を編集ソフトのプレビューに重ねて作業する方法も定番です。ただし各アプリのUIは更新されつづけるため、こうした数値はあくまで出発点の目安と考え、最終判断は投稿直前の実機プレビューで行うのが確実です。

工程4: 書き出し——焼き込みと字幕ファイルを使い分ける

仕上げは書き出しです。方法は大きく2つあります。映像に文字を焼き込む方法は、どの環境でも確実に表示され、フォントや装飾も自由です。もうひとつはSRTなどの字幕ファイルを映像と別に用意する方法で、視聴者が表示のオンオフを切り替えられ、多言語対応もしやすくなります。SRTは次のような構造の、ただのテキストファイルです。

1
00:00:01,000 --> 00:00:03,500
こんにちは、本日のウェビナーへようこそ

2
00:00:03,600 --> 00:00:06,200
テーマは動画字幕のつくり方です

使い分けの目安は媒体です。YouTubeは字幕ファイルのアップロードに対応しており、表示切り替えや多言語追加の利点が生きます。一方、SNSのショート動画は装飾されたテロップ自体が表現の一部なので、焼き込みが主流です。VrewやPowerDirectorのようにSRT出力に対応したツールで作っておけば、同じ字幕データを両方の展開に使い回せます。

字幕ファイル方式には、修正に強いという運用上の利点もあります。焼き込みでは誤字1つの修正にも動画の再書き出しと再アップロードが必要ですが、SRTならテキストを直して差し替えるだけで済みます。公開後に固有名詞の誤りが見つかる事態はゼロにはできないため、この修正コストの差は、動画の本数と運用期間が増えるほど効いてきます。複数媒体に展開する予定があるなら、まずSRTで作って保管し、焼き込みが必要な媒体向けにだけ変換して書き出す、という順番が効率的です。

媒体別の字幕仕様を押さえる

同じ動画でも、配信先によって字幕まわりの機能と注意点は変わります。主要媒体の現在の仕様を整理すると、次のようになります。

媒体	字幕まわりの機能	実務上の注意点
YouTube	字幕ファイルの追加と自動字幕に対応	自動字幕は誤認識が残るため、重要な動画は自前の字幕を用意する
TikTok	自動キャプション機能あり	下部と右側にUIが重なるため、文字の配置は中央寄りにする
Instagramリール	自動キャプションとスタイル変更に対応	表示面のトリミングがあり、画面の端に置いた文字は切れやすい
X（旧Twitter）	焼き込み字幕が中心	タイムラインの無音自動再生が前提。冒頭から字幕を入れる

媒体の仕様は頻繁に更新されるため、配信前に実機で確認する習慣が最も確実です。特に各媒体の自動キャプション機能は便利な一方、固有名詞の誤変換がそのまま公開される事故も起きやすい箇所です。自動機能に任せる範囲と、自前で作り込む範囲を媒体ごとに決めておくと、本数が増えても品質が安定します。

なお、セーフゾーンの考え方は横型の動画にもあります。テレビ放送由来の慣行を踏まえ、画面の90〜93％程度の内側に文字を収めるガイドが多くの編集ソフトに用意されており、解説記事でも93％を標準の目安とする紹介が見られます。YouTubeの横型動画なら、再生バーや字幕表示と重なりやすい最下部を避けて一段上に置く、という一点だけでも守っておくと安全です。会議室のモニターやプロジェクターで再生される可能性のあるBtoB向け動画では、画面の端が切れて表示される場合もあるため、この余白の確保がいっそう重要になります。

ウェビナー録画の字幕化で資産を広げる

BtoBマーケで特に投資対効果が大きいのが、ウェビナー録画への字幕付けです。60分の録画は、音声を聞ける環境でしか視聴できず、目当ての箇所を探す飛ばし見も困難です。字幕があれば無音の環境でも内容を追え、飛ばし見でも要点を拾えます。当日参加できなかった見込み客に録画を案内したときの視聴されやすさが変わります。

さらに、工程1で作った文字起こしは字幕以外にも展開できます。章立ての目次、要約、記事化、Q&A集、ショート動画の切り出し候補——1本のウェビナーを複数のコンテンツに広げる起点が、文字起こしという同じデータです。字幕づくりを単発の作業ではなく、コンテンツ資産化の入り口の工程と捉えると、かける手間の判断基準が変わってきます。

展開の実務は、順番を型にしておくとスムーズです。まず字幕付きの録画を公開し、次に文字起こしから要点を抽出して参加者へのフォローメールに載せ、反応の良かったテーマをショート動画と記事に切り出す——1本の収録から1か月分の発信ネタを取り出す流れが、文字起こしを起点に組み立てられます。録画の公開ページに章立ての目次を付けておけば飛ばし見にも対応でき、どの章が見られたかという視聴データから、次のウェビナーのテーマ選びに使える関心の傾向も読み取れます。この手順を定型化しておけば、担当者が代わっても資産化の品質が揺れません。

多言語字幕で届く範囲を広げる

字幕ファイルの形でデータが残っていれば、多言語への展開も現実的な選択肢になります。AI翻訳の精度向上により、日本語のSRTをもとに英語や中国語などの字幕を短時間で用意できるようになりました。海外の見込み客に向けた発信だけでなく、国内で働く外国籍の担当者へ同じ動画で情報を届ける手段にもなります。

ただし、機械翻訳には不自然な訳や文化的なずれが残ることがあります。対外的に重要な動画は、翻訳後に語学に強いメンバーやネイティブの確認を挟みましょう。元になる日本語字幕の質が、翻訳の質の上限を決めます。工程2までを丁寧に仕上げておくことが、そのまま多言語展開の土台づくりになります。

展開する言語の選び方にも順序があります。やみくもに増やすのではなく、既存顧客や引き合いの所在地、サイトのアクセス解析に表れている国・言語から優先します。BtoBであれば、取引先の海外拠点や、国内の外資系企業の担当者など、具体的な読み手を1人思い浮かべられる言語から始めるのが堅実です。多言語の字幕もSRTの形で管理しておけば、元の日本語字幕を修正した際に、どの言語のどの行を直すべきかを追いやすくなります。1言語でも運用の流れができれば、2言語目からの追加コストはぐっと小さくなります。

見やすい体裁——迷わないための基準を決めておく

字幕・テロップは、内容が正しくても体裁が悪ければ読まれません。毎回その場のセンスで決めるのではなく、フォント・配色・位置の基準をあらかじめ決めておくと、動画ごとの品質が安定し、チャンネル全体の見た目もそろいます。フォントは太さのあるゴシック系を基本にし、細い明朝体は小さな画面でつぶれやすいため避けます。色は背景との明暗差を最優先し、白文字に黒の縁取りや帯を組み合わせる定番の形から始めるのが安全です。具体的には、次のような基準を最初に文書化しておきます。

• 1行は全角15字前後・同時表示は最大2行までを基本とする
• フォントは太めのゴシック系。細い書体・飾り書体は本文に使わない
• 白文字＋黒縁取りか帯を基本形にし、背景との明暗差を最優先する
• 強調に使う色はブランドカラーを含む2〜3色までに固定する

決めた基準は、テンプレートとして編集ソフトに保存します。VrewやCapCutにはスタイルの一括適用機能があり、Premiere Proでもキャプションのスタイル保存が使えます。体裁を仕組みで固定すれば、人が毎回判断するのは中身だけになり、外部パートナーに制作を任せる場合も同じ見た目を再現できます。字幕の帯や強調色にブランドカラーを使っておくと、タイムラインを流し見しているときに自社の動画だと気づいてもらいやすくなる、という副次的な効果も期待できます。

やりがちな失敗と回避

動画の字幕・テロップづくりでつまずきやすい典型例です。どの工程で防ぐかまで含めて押さえておきましょう。

• AIの文字起こしを無確認で公開する：固有名詞の誤変換が残る。整形と公開前チェックの工程を飛ばさない
• 発話を全部テロップにして強調が消える：字幕とテロップの分担を設計してから作り始める
• パソコンの画面だけで確認して端が切れる：縦型はセーフゾーンを意識し、実機のプレビューで確かめる
• 毎回ゼロから作って品質がばらつく：用語集・体裁ルール・チェック観点を型としてチームに残す

失敗の多くは、工程を分けずに「編集ソフトの上でまとめて直す」進め方から生まれます。前の工程を確定させてから次へ進む——本記事の4工程に沿うだけで、この大半は避けられます。慣れてきたら、自社の動画に合わせて工程の中身を調整してください。

まとめ

本記事では、動画の字幕・テロップ作成を、文字起こし・字幕整形・テロップ設計・書き出しという4つの工程に分けて見てきました。無音視聴が多数派と報告されるいま、字幕は動画が届く範囲を決める土台です。収録品質と用語集で文字起こしの精度を高め、読める分量に整形し、強調を絞ったテロップとセーフゾーンの確認で見せ、媒体仕様に合わせて書き出す。まずは直近のウェビナー録画を1本選び、工程1の文字起こしから試してみてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。