AI字幕によくある問題
OpenAI の Whisper や編集ソフトの自動字幕などの音声認識は、言葉はたいてい正しく聞き取りますが、出力されるファイルは人が読むためではなく機械のために作られています。よくある問題は決まっています。
- 長すぎる行：1 文がまるごと 1 行に入り、Netflix の日本語ガイドラインが定める 1 行 13 文字を大きく超えます。
- 重なった字幕：前の字幕が残ったまま次の字幕が始まります。
- 短すぎる表示：「はい。」が 300 ミリ秒だけ表示され、だれも読めません。
- 繰り返された文：同じ字幕が2回続きます。音楽や無音の部分で、言語モデルがときどき生成します。
- 空の字幕：文字のない時刻だけの字幕です。
上のサンプルにはこのうち4つが入っています。整形ツールは一度にすべてを直し、それぞれ何件変更したかを表示します。
整形ツールがすること
長い文を、設定した文字数を超えないよう、なるべく同じ長さの行に分けます。日本語は単語の間に空白がないので、文字単位で折り返します。各字幕を次の字幕の 80 ミリ秒前、約 2 フレーム前に終わらせます。短すぎる字幕を、次の字幕にかからない範囲で設定した最短時間（標準は 1 秒）まで延ばします。直前と同じ文で 1 秒以内に始まる字幕は直前の字幕とまとめ、空の字幕は取り除きます。言葉は変えず、何もアップロードしません。
AI字幕の仕上げ方
- 音声認識ツールで字幕を作り、SRT または VTT で書き出します。
- ここで読み込み、整形して、ダウンロードします。
- 動画と合わせて一度見直し、聞き間違いを直します。これは今も人の作業です。
- 全体が早い・遅いならタイミング調整、だんだんズレるならフレームレート変換、配信先が別の形式を求めるなら SRT ⇄ VTT 変換を使います。
よくある質問
Whisper の字幕の長すぎる行を直すには？
SRT または VTT ファイルを読み込み、「長い行を折り返す」をオンのままにします。各字幕が、なるべく同じ長さで 1 行 13 文字以内（または設定した文字数）の行に分けられます。
AI が作った字幕が重なるのはなぜですか？
音声認識は各字幕を音声に合わせて配置し、次の字幕との間を空けないことがあるためです。整形ツールは、各字幕を次の字幕が始まる 80 ミリ秒前に終わらせます。
文章は変わりますか？
いいえ。変えるのは改行と時刻だけで、まったく同じ繰り返しをまとめ、空の字幕を取り除きます。動画と照らして言葉を直すのは、引き続き人の作業です。
ファイルはどこかに送られますか？
いいえ。ファイルはブラウザ内で整形され、端末から出ません。