自動字幕
音声から字幕を作り、動画に焼き込む
動画の話し声からAIで字幕を自動生成します。字幕付きMP4にするか、後で編集できるSRT・VTTにするかを選べます。日本語の動画では、最初に音声の言語を指定してください。
料金: 利用可能な無料枠の範囲内で使えます。利用制限の詳細は下のガイドをご覧ください。
字幕を作成する手順
動画を選ぶ
ビデオをアップロードしてキャプションを追加を押すか、動画をドロップします。音声付きのMP4・MOV・MKV・WebM・AVI・M4V・MPEG・OGVに対応し、上限は200 MBです。他のツールで使った動画はアップロードから選べます。
話されている言語を指定する
キャプション内の言語は初期値が自動で、話されている言語をモデルが検出します。日本語の
jaなど、対応する言語コードも指定できます。字幕は元の音声の言語で作られ、翻訳は行いません。出力を選ぶ
出力で焼き込みを選ぶと、字幕を映像に描いたMP4になります。SRT・VTTは時刻付きの字幕ファイルで、元の動画を変更しません。
読みやすさを調整する
スタイルの単語/行は全出力に適用されます。焼き込みではフォントサイズ・テキストの色・上／中央／下も指定します。プレビューの見本文字で色と位置を確認できます。
生成して確認する
Generate captionsを押します。焼き込み後はプレビューで人名、専門用語、表示時刻を確認し、ダウンロードします。字幕付きMP4は共有のアップロードにも保存され、他の動画ツールで使えます。
焼き込み・SRT・VTTの使い分け
認識する内容は同じです。字幕を置く場所と、後から編集できるかが違います。
焼き込み：映像の一部にする
字幕をオフにできず、無音再生でも映像と一緒に見えます。焼き込み後の文字だけを編集・翻訳することはできません。動画全体を再エンコードします。
SRT：字幕を別ファイルにする
連番、00:00:04,250 --> 00:00:06,900のような時間範囲、本文を保存するテキストです。編集ソフトや投稿先の対応を確認してください。対応プレーヤーでは字幕の表示を切り替えられます。
VTT：Webの動画プレーヤー向け
HTML5のtrack要素で読み込むWebVTT形式です。SRTと同じ字幕を保存し、先頭にWEBVTTが入り、時刻の小数点にはコンマでなくピリオドを使います。
字幕の設定と初期値
言語と単語/行は全出力に適用されます。他の見た目の設定は焼き込み用です。
- 言語
- 初期値は自動で、話されている言語を検出します。
en・de・es・fr・it・pt・ja・zhも選べます。順に英語・ドイツ語・スペイン語・フランス語・イタリア語・ポルトガル語・日本語・中国語です。他の言語や不明な場合は自動を使います。 - 出力
- 初期値は焼き込み。SRT・VTTも選べます。用途の違いは上の比較を参考にしてください。
- フォントサイズ
- 10～72、初期値20。pxではなく動画の高さに応じて拡大される値です。同じ値なら解像度が違っても文字の比率は同程度になります。
- 単語/行
- 2～16、初期値8。字幕1件の最大語数で、長い字幕を分割し、語数に応じて表示時間を分配します。空白で単語を区切らない日本語・中国語では、この値を目安にモデルが字幕を作るため、長さにばらつきがあります。
- テキスト
- 文字色です。初期値は白
#ffffffで、指定した色を焼き込みに使います。 - 背景・背景の不透明度
- 文字の背後のボックス色は初期値が黒
#000000。不透明度は0～100 %、初期値70 %です。低くすると映像が透けます。指定した色と不透明度で焼き込みます。 - 上・中央・下
- 横方向は中央揃えで、縦位置を選びます。初期値は下。画面下に名前や価格がある動画なら上に移すと重なりを避けられます。
横長・縦長動画での文字サイズ
サイズ20では文字の高さが画面高の約7 %になります。1280 × 720 pxなら約50 px、1920 × 1080 pxなら約75 px、縦長1080 × 1920 pxなら約133 pxが目安です。
横長動画に比べ、縦長動画では文字が大きくなります。サイズ20で英単語8語を表示すると3行に折り返して下部を広く覆う例があります。縦長ではサイズ12～14、語数4～5から試すのが目安です。
プレビューの見本文字は動画に合わせて拡大されます。Generate captionsを押す前に文字の大きさと折り返しを確認してください。
音声認識と動画への焼き込み
サーバーのFFmpegで音声を16 kHzのモノラルWAVに取り出し、その音声だけをGoogleのGemini APIへ送ります。映像は送信しません。認識結果には本文と開始・終了時刻が含まれます。
時刻はモデルの推定で、フレーム単位の厳密な同期ではありません。動画の長さに収め、重なる字幕を短くし、単語/行に従って分割します。人名、音楽に埋もれた言葉、表示の早さ・遅さは確認が必要です。
焼き込みはH.264のCRF 22とAAC 192 kbpsでMP4を再エンコードします。解像度とフレームレートは維持しますが、細部が失われることがあります。10-bit HDR入力も8-bit H.264になるため、元動画と色・明るさを比較してください。見え方はHDR素材によります。
対応形式・上限・保存期間
- 入力
- 音声付きMP4・MOV・MKV・WebM・AVI・M4V・MPEG/MPG・OGV
- 出力
- 焼き込み：MP4（H.264/AAC）。字幕ファイル：SRT・VTT
- 保存名
- interview.movの場合：interview_captioned.mp4・interview.srt・interview.vtt
- ファイル上限
- 動画1本200 MB
- 1回の処理
- 1ファイル
- 処理
- サーバーのFFmpegで処理。認識と焼き込みを含め15分で打ち切ります。
- 音声認識
- 抽出音声をGoogle Gemini APIへ送信。映像は送信しません。
- 透かし
- なし
- 保存期間
- アップロードと結果はゲスト48時間、無料アカウント30日で自動削除。有料プランは延長可能です。
自動字幕についての質問
無料で使えますか？
アカウントなしで利用でき、クレジットは不要です。焼き込み動画にも透かしは入りません。時間・日単位の利用制限はログイン状況とプランによります。
字幕を別の言語に翻訳できますか？
このツールでは話された言語のまま作成します。動画の字幕作成ではSRT・VTTの作成、翻訳、本文・時刻の修正、焼き込みができます。
誤字や表示時刻のずれはどう直しますか？
音楽、同時発話、強い訛り、珍しい名前や言語指定の違いで誤りが生じます。SRTを書き出せば、テキストエディターで連番・時間範囲・本文の各ブロックを修正できます。
動画全体をAIへ送信しますか？
Google Gemini APIへ送るのは抽出した音声だけです。映像はサーバーに残ります。元ファイルと結果はゲスト48時間、無料アカウント30日で自動削除されます。
生成できないのはなぜですか？
音声トラックがない動画や、音楽だけなど聞き取れる話し声がない音声は字幕を作れません。長い動画では15分の処理上限に達することもあります。動画の切り取りで必要な部分に絞って再試行してください。
字幕付きMP4の容量が変わるのはなぜですか？
映像と音声を再エンコードするため、元の内容・圧縮方式・ビットレートによって大きくも小さくもなります。実際の容量を比較してください。動画の圧縮で圧縮設定を調整できます。