動画クリエイターのためのAI動画文字起こし

動画の文字起こしとは

動画の文字起こしとは、インタビュー、チュートリアル、ウェビナー、オンライン講座、ライブ配信のアーカイブといった動画ファイルの発話内容を、話者ラベルと単語単位のタイムスタンプ付きのテキストに変換することです。各行は動画のタイムライン上の位置と結びついたままなので、編集する人は単語で映像を検索し、その瞬間に飛び、同じテキストを読むための文字起こしとしても、時間情報付きの字幕ファイルとしても書き出せます。

クリエイターにとって文字起こしは、主にナビゲーションの道具です。90分のインタビューはシークして探すと遅く、読むと速い。残す価値のある場面を見つける場所が文字起こしであり、編集ソフトでそこへ戻る手段がタイムスタンプです。

動画文字起こしの概要

クリエイターの成果物の例

説明用のインタビュー回の例です。文字起こしの抜粋、そこから検索と編集メモが生んだもの、そして同じ行から書き出した字幕エントリを示します。

これは説明のための例で、実在の回ではありません。AIは決まったテンプレートを埋めるのではなく、実際に話された内容を要約します。編集メモを書くのはクリエイター自身で、どの部分に使う価値があるかを製品が決めることはありません。

文字起こしとAI処理で得られること

収録内容によっては、文字起こしとAI処理が次のような箇所を見つける助けになります。

クリエイターが持ち込む動画の種類

発話が入っていれば同じように文字起こしされます。ここに挙げるのはクリエイターがよくアップロードする形式です。

クリエイターの素材はどこから来るか

TranscribeThisが文字起こしするのは、アップロードされたファイルと貼り付けられた公開YouTubeリンクです。YouTubeチャンネルやVimeoなどのホスティングサービスに接続することはなく、チャンネルから動画を取得することもなく、リアルタイムの文字起こしも行いません。

クリエイターのワークフロー

どの段階も編集者がすでにやっていることです。長い素材を扱う段階を速くするのが文字起こしです。

1. 素材
2. 文字起こし
3. 固有名詞と用語の確認
4. 検索
5. ハイライト
6. 編集用のメモ
7. AI処理
8. SRT・VTTで書き出し

自動字幕・手打ちと、書き出せる文字起こしの違い

文字起こしとキャプションと字幕の違い

この3つは同じ意味で使われがちですが、別のものです。文字起こし（トランスクリプト）は収録の発話内容をすべてテキストにしたもので、読むためのものです。キャプション（聴覚障害者向け字幕）は音声が聞こえない視聴者のために画面へ出す時間情報付きのテキストで、［ドアが閉まる］［音楽］のような音の説明を含むことがあります。字幕（サブタイトル）は時間情報付きのせりふのテキストで、通常は音が聞こえる前提で、別の言語に翻訳されていることも多いものです。

TranscribeThisが作るのは、文字起こしファイルと字幕ファイルです。得られるのはテキストと時間情報——TXTとJSONは無料、SRTとVTTは有料プラン——で、そのファイルをプレーヤーやプラットフォームにアップロードするか、先に字幕エディタで開いて調整します。キャプション制作スイートでも動画編集ソフトでもありません。スタイル指定も、表示位置の指定も、音の説明の作成も、映像への焼き込みもありません。

隣接するカテゴリは動画制作ソフトです。編集、クリップの切り出し、ハイライトの選定、チャプターの執筆、字幕の見た目のデザイン、完成ファイルの書き出しは、Premiere、Resolve、Final Cut、CapCutなど、すでにお使いの編集ソフトの仕事です。ここはその一段階前にあり、検索し、読み、書き出すためのテキストを作ります。

動画における精度と限界

精度は固定の数値ではありません。クリエイターの素材で精度を左右する条件と、字幕ファイルを公開する前に済ませておきたい確認は次のとおりです。

プライバシーと未公開素材

クリエイターの生素材は、未公開だったり、解禁前だったり、ゲストやスポンサーとの取り決めの対象だったりすることがよくあります。この項目は一般的な案内であり、法的助言ではありません。

フォーマット・言語・上限

関連ページ

よくある質問