字幕付きの音声読み上げ

字幕のタイミングの決まり方

テキストは1〜2文ずつの短いパートに分けられ、各パートが音声として生成されます。SRTは生成された各パートの実際の長さを使うので、各パートの字幕はその音声の始まりと終わりに合わせて表示されます。パートの中では、個々の字幕行のタイミングはテキストの長さから推定され、近いもののフレーム単位で正確ではありません。

これには実際上の影響があります。短い文ほど字幕がぴったり合うということです。話し言葉の短い文で書かれた原稿なら、声に密接に沿った字幕になります。長く入り組んだ文は複数の字幕行に分けられ、文の中でのタイミングは推定になるため、中ほどの行がわずかに早く、または遅く表示されることがあります。

SRTファイルの形

各字幕は最大2行、1行42文字までです。原稿を自分で字幕サイズに区切る必要はありません。通常の段落として書けば、ファイルのレイアウトは自動で整えられます。

SRTはプレーンテキストの形式で、動画編集ソフトや多くの動画プラットフォームが字幕ファイルとして受け付けます。公開前に字幕エディターで開いて行の文言を変えたりタイミングを微調整したりでき、ちょっとした文言の修正なら普通のテキストエディターでも可能です。

編集ソフトで音声と字幕を同期させる

音声とSRTは、間でテキストを変更せずに同じ生成結果からダウンロードしてください。そうすれば両方が同じ録音に対応します。音声をタイムラインの一番先頭、または最初の字幕を表示したい正確な位置に置き、SRTを同じ位置から始まる字幕トラックとして読み込みます。後で導入部のためにナレーションをずらした場合は、字幕トラック全体も同じだけずらしてください。

ダウンロード後に原稿を編集した場合は、もう一度「生成」を押して両方のファイルを新しくダウンロードしてください。変更したパートだけが再生成されるのですぐに済み、字幕が実際に話されている内容と一致した状態を保てます。カットやミックスをする予定のナレーションは、音声をWAVで受け取りましょう。理由はテキストをWAVにで説明しています。

字幕に向く原稿の書き方

字幕はテキストから作られるので、画面に表示したいとおりに原稿を書いてください。1つ注意点があります。発音を直すために難しい名前の綴りを変えた場合（'Nguyen' を 'Win' にするなど）、その綴りが字幕にも入ります。ダウンロード後にSRTのその行を修正してください。1分ほどで済み、視聴者は正しい発音を聞きながら正しい名前を目にできます。

考えと考えの間には [pause 1s] を、段落の間には空行を入れましょう。ポーズは視聴者が字幕を読み終える時間を与え、新しい映像に切り替える自然な位置にもなります。自分へのメモや演出の指示はテキストボックスに入れないでください。ボックス内のものはすべて読み上げられ、字幕にもなります。

縦型のショート動画と長めのチャンネル動画

縦型のショート動画では、字幕が内容を追う主な手段になることが多く、2行・42文字の制限で細い画面でも各字幕がコンパクトに収まります。ショート動画のペースや少し速めの声についてはTikTok向けの音声読み上げのページで説明しています。Bロールや音楽のある長めの動画についてはYouTube向けの音声読み上げをご覧ください。