動画に字幕を入れる方法｜聞き取りにくい音声を補う実務とDVDでの扱い

「音を大きくしても、何を言っているか分からない」。渡した映像についてそう言われたことがあるなら、必要なのは音量ではなく字幕です。加齢による聞こえの変化は高い音から進むと説明されることが多く、日本語ではサ行・タ行・ハ行といった子音の情報が高い周波数に集中します。母音は届いているのに子音だけが抜けるため、音量を上げても言葉として届かないという状態が起こると考えられます。

字幕の作り方を調べると、編集ソフトの操作手順はいくらでも見つかります。一方で、その字幕をDVDやBlu-rayに載せたときに何が起きるかは、あまり書かれていません。DVD-Videoの字幕は実質4色のビットマップで、映像解像度も720×480です。フルHDの画面で「ちょうどいい」と思った字幕は、ディスクに焼いた時点で文字の高さが半分以下になります。

この記事では、焼き込みと切り替え式の使い分け、DVDとBlu-rayでの字幕の扱い、読める字幕の条件、自動文字起こしの直し方、そしてディスク制作に出すときの入稿方法までを、実際に手を動かす順番でまとめます。

字幕が要るのは「耳が遠い人」だけではない｜2024年4月から事業者にも合理的配慮が義務化

字幕を入れようと考えるきっかけは、たいてい具体的な誰か一人です。法要の記録映像を親族に配ったら「音が小さくて何を言っているか分からない」と返ってきた。発表会のディスクを祖父母に送ったら、テレビの音量を上げても司会の声だけ聞き取れないらしい。こうした「音量の問題ではない聞こえにくさ」は、字幕でしか埋められません。

聞こえの問題以外にも、字幕が効く場面はあります。

• 電車内やオフィスなど、音を出せない環境で見てもらう
• 屋外収録で風切り音が乗り、マイクが話者から離れている
• 方言、専門用語、社内の略称、固有名詞が多い
• 司会と登壇者の声量差が大きく、機器側の音量調整では追いつかない
• 参列者や参加者に、日本語を母語としない人がいる

制度としての位置づけ

障害者差別解消法は令和3年に改正され（令和3年法律第56号）、令和6年（2024年）4月1日から、民間の事業者にも合理的配慮の提供が法的義務として課されています。研修動画や説明動画を業務で配る立場なら、字幕は「あると親切なもの」ではなく、求められたときに応じる対象になり得ます。

ウェブ向けの動画であれば、W3CのWCAG 2.1が判断基準になります。収録済み音声への字幕付与は達成基準1.2.2でレベルA、つまり最低ラインです。ライブ配信への字幕は1.2.4でレベルAAとされています。ここでいうcaptionsは「メディアの内容を理解するために必要な、話し声と非音声の音情報の両方に対する同期した視覚的・テキスト的代替」と定義されています。拍手やチャイム、背後で鳴っている音楽も、内容の理解に必要なら書く対象だということです。

この定義は、単に「しゃべった言葉を文字にする」という作業観からずれています。字幕は音声の文字起こしではなく、音で伝わっている情報の代替です。この違いは、後半の「何を書き、何を落とすか」の判断に直結します。

焼き込みと切り替え式の違い｜焼き込みは操作不要で必ず映り、切り替え式は消せる代わりに再生環境に依存する

字幕の入れ方は、大きく二つに分かれます。

焼き込み（オープンキャプション、ハードサブ）は、映像そのものに文字を描き込んでしまう方法です。書き出した時点で映像の一部になるので、どの再生機で見ても同じように出ます。代わりに、あとから消すことはできません。

切り替え式（クローズドキャプション、ソフトサブ）は、文字を映像とは別のデータとして持ち、再生側でオン・オフする方法です。YouTubeの字幕ボタン、DVDのリモコンの「字幕」ボタンがこれにあたります。

	焼き込み	切り替え式
見る側の操作	不要	字幕ボタンを押す必要がある
消せるか	消せない	消せる
再生環境の影響	受けない	プレーヤー・機器に依存する
文字の見た目	作った側が決められる	機器側の描画に左右される
あとから直す	映像を作り直す	字幕データだけ差し替え
複数言語	1本につき1言語	切り替えられる

渡す相手で決める

高齢の家族に配るディスクなら、焼き込みを選ぶ判断が現実的です。切り替え式は、リモコンの「字幕」ボタンを押し、機器によってはメニューから言語を選ぶ操作が要ります。渡した相手がその操作をしない、あるいは押し方が分からない可能性があるなら、最初から映っている方が確実です。「字幕を入れておいたから、字幕ボタンを押してね」という説明が電話で通じるかどうかを想像してみると、判断しやすくなります。

逆に、同じ映像を字幕あり・なしの両方で使いたい場合や、日本語と英語を切り替えたい場合は切り替え式です。式典の記録を、参列者用には字幕付き、社内の保管用には字幕なしで持ちたい、といったケースが該当します。

迷うなら、焼き込み版と字幕なし版の2本を書き出しておくのが実務的です。ディスクを2枚に分けてもいいですし、1枚のメニューから2本を選べる形にすることもできます。データとしては同じ編集内容から書き出し設定を変えるだけなので、作業量はほとんど増えません。

DVD-Videoの字幕は最大32本｜ただし中身は実装上4色のビットマップ、Blu-rayはフルカラー

「DVDで字幕をオン・オフしたい」という要望は、規格上は問題なく成立します。DVD-Video規格は副映像（サブピクチャ）ストリームを最大32本まで持てます。日本語・英語・字幕なしといった切り替えは、規格の想定内です。

ただし、DVDの字幕はテキストデータではありません。ランレングス符号化されたビットマップ画像、つまり文字の形をした絵として収録されます。1ピクセルあたり2ビットで、規格上は16色パレットを参照できるものの、実装としては4色で使われるのが通例です。透明度は16段階を持てます。副映像の最大画素数は525/60（NTSC）系で720×478、625/50（PAL）系で720×537です。

4色制限が効いてくるところ

• 白文字＋黒ふち＋透明、でもう3色。ここに影を足すと4色を使い切ります
• ふちのアンチエイリアス（なめらかな境界処理）に色数を回せないので、輪郭がギザついて見えます
• グラデーションや半透明のぼかしは表現できません
• 細いフォントや明朝体のハネ・払いは、4色では潰れやすくなります

DVDに字幕を載せるなら、太めのゴシック体・ベタ塗りの縁取り、が最も安全な組み合わせです。凝った装飾をしても、収録の過程で情報が落ちます。

Blu-rayは制約がゆるい

Blu-ray（BDMV）の字幕はPresentation Graphics Stream（PGS）というビットマップ形式で、こちらも最大32本まで持てます。ただし色は8ビット、透明度も8ビットあるため、DVDのような4色制限はありません。映像解像度も1920×1080まで扱えるので、字幕の見た目は編集ソフトで作ったものにかなり近づきます。長時間・高画質で残したい記録映像で、字幕もきれいに出したいならBlu-rayが向いています。

手元のSRTがそのまま入るわけではない

ここが誤解されやすい点です。DVDにもBlu-rayにも、SRTファイルがそのままの形で入ることはありません。オーサリング（再生できる形式への組み立て）の工程で、テキストが指定の書体・サイズ・色でレンダリングされ、ビットマップに変換されて収録されます。

つまり、字幕の最終的な見た目を決めているのは、SRTの中身ではなくオーサリング時の設定です。切り替え式で頼むときは、SRTを渡すだけでなく「ゴシック体で」「白抜きに黒ふちで」といった希望も一緒に伝えておくと、意図とずれません。ディスクメーカーではこのオーサリングを制作料金に含めているので、字幕データを自分でビットマップ化する必要はありません。

1080pで作った字幕はDVDで文字高が約44%になる｜書き出す前に720×480へ縮小して確認する

字幕付きDVDで最も多い失敗がこれです。フルHD（1920×1080）のタイムラインで字幕を作り、編集画面で見て「ちょうどいい」と判断する。ところがDVD-VideoのNTSC解像度は720×480です。縦は1080から480へ、つまり約44.4%に縮みます。

1080pのタイムライン上で文字高32ピクセルにした字幕は、DVDに収録された時点で約14ピクセル相当になります。テレビの画面サイズが同じでも、文字を構成している画素が半分以下になるので、細い線は消え、画数の多い漢字はつながって見えます。字幕を必要としている人ほど、この差がそのまま「読めない」に変わります。

書き出す前に実寸で見る

やることは単純で、完成した映像を一度720×480に縮小し、その状態で読めるかを確認します。編集ソフトのプレビューを小さく表示するのではなく、実際に縮小したファイルを作って見るのが確実です。ffmpegがあれば1行で作れます。

ffmpeg -i input.mp4 -vf scale=720:480 -c:v libx264 -crf 18 check.mp4

できたファイルを、パソコンの画面いっぱいに引き伸ばさず、等倍のまま再生してください。編集ソフトしか使わない場合は、書き出し設定でプリセットをDVD相当（720×480）に変えて短い区間だけ書き出せば同じことができます。それで読めなければ、テレビでも読めません。

目安として持っておく数字

DVD納品を前提にするなら、1080pのタイムラインで字幕の文字高を画面の縦の1/20〜1/15、つまり54〜72ピクセル程度は確保しておくと、480に縮んでも24〜32ピクセル相当が残ります。これは絶対的な基準ではなく、フォントの太さや背景の明るさで変わるので、最後は必ず縮小して目で見て決めます。

もう一つ、画面の端に寄せすぎないことです。NTSCやPALの規格自体は表示の切れ幅（オーバースキャン）を定めておらず、実際にどこまで映るかはテレビ側の実装によります。制作現場では各社が独自の目安を使っているのが実情です。古いテレビでは画面の外周が切れることがあるため、字幕の下端は画面の最下部から少し内側に置いておくと安全です。

Blu-rayなら1920×1080がそのまま入るので、この縮小の問題は起きません。DVDとBlu-rayの両方を作る場合、字幕のサイズはDVD側に合わせて決め、Blu-ray側でも同じデータを使う、という順番にすると手戻りが出ません。

読める字幕の条件｜1行13〜14文字・2行まで、文節で改行、ふちはベタ塗り

劇場公開映画の日本語字幕では、1行13文字・2行までという枠が長く使われてきました。記録映像や説明動画がこの枠を厳密に守る必要はありませんが、上限の目安としては有効です。1行が20文字を超えると視線が横に動く距離が伸び、映像そのものを見る余裕がなくなります。

改行位置は文節で切る

日本語は分かち書きをしないため、改行位置がそのまま読みやすさになります。

• 悪い例：「本日はお忙しい中お集ま／りいただきありがとうございます」
• 良い例：「本日はお忙しい中／お集まりいただきありがとうございます」

助詞の直後、読点の位置、意味のまとまりの切れ目で改行します。自動生成された字幕は文字数だけで機械的に折り返すので、ここは必ず人が直す箇所です。手間としては、全字幕を通しで見ながら不自然な折り返しだけ直す形になり、10分程度の映像なら30分もかかりません。

表示時間は黙読して決める

数値の基準を先に決めるより、自分で黙読して確認する方が確実です。字幕が消えるまでに一度読み切れなければ長すぎます。短い相槌でも0.8〜1秒程度は表示しないと、点滅しているように見えて逆に読めません。

逆に、次の発話まで間がある場面で字幕を出しっぱなしにすると、もう終わった話を読み続けることになります。発話の終わりに合わせて消し、間は間として残すのが基本です。

コントラストの付け方

• 白文字に黒のふち。背景を選ばず、最も失敗しない組み合わせです
• ふちは影（ドロップシャドウ）ではなく、文字を囲む縁取りにします。斜め方向の影は片側しか守れず、明るい背景が右上に来ると読めなくなります
• 背景が明るい映像が続くなら、半透明の黒帯を敷きます。ただしDVDでは文字・ふち・帯・透明でちょうど4色を使い切る計算になるので、それ以上の装飾は載りません
• フォントはゴシック体。明朝体は細い横画が縮小で消えます

置く場所

画面下部の中央が基本です。ただし、その位置に元から情報が乗っている映像では動かします。テロップが下に出る発表会の記録、下部に演目名が入る舞台映像などが該当します。字幕の位置を場面ごとに動かすと視線が迷うので、変えるなら映像全体で一貫させるか、その場面だけ上に逃がして戻すかのどちらかにします。

自動文字起こしは下書きには使える｜固有名詞と数字は必ず自分で直す

いまは編集ソフトにもスマートフォンのアプリにも自動文字起こしが載っていて、字幕の下書きを作る手間はかなり減りました。使わない理由はありません。ただし、そのまま出せるかは別の話です。

YouTubeは自動字幕起こしについて、機械学習で生成しているため品質にばらつきが出る可能性があると明記しており、「間違った発音、アクセント、方言、雑音が原因で、自動字幕起こしでは動画の中で話されている内容を正しく表示できないことがあります」としています。さらに、音質が悪い、複数の言語が同時に使われている、冒頭に長い無音区間がある、複数の話者の音声が重なっている、といった条件では自動字幕そのものが生成されないことがあるとされています。

これは特定のサービスの弱点というより、音声認識に共通する条件だと考えられます。そして式典や発表会の記録映像は、まさにこの条件に当てはまりがちです。会場の反響、拍手、複数人の同時発話、話者から離れた位置のマイク。字幕が最も必要とされる映像ほど、自動認識にとっては難しい素材になります。

直す順番を決めておく

頭から全部読み直すより、崩れやすいところから潰す方が早く終わります。

• 人名：出席者名簿やプログラムと突き合わせます。同音の姓（斉藤／斎藤／齋藤）は、音声からは絶対に決まりません
• 団体名・地名・商品名：略称や社内用語は、高い確率で別の語に置き換わります
• 数字と日付：「16日」が「十六日」や「1620」になります。金額・時刻・回数は全件確認します
• 同音異義語：「講演／公演」「所要／所用」「保証／保障」。文脈でしか決まりません
• 文末：「〜ました」と「〜ませんでした」を取り違えると意味が反転します。数は少ないですが、間違えたときの影響が最も大きい箇所です

収録前に台本や式次第があるなら、固有名詞のリストを先に作っておくと、確認作業が「読み直し」ではなく「照合」になり、大幅に速くなります。プログラムのPDFがあれば、そこから氏名と演目をコピーしておくだけで十分です。

話し言葉をそのまま出さない｜「えー」を落とし、意味を残して短くする

音声を一字一句そのまま文字にすると、読みにくい字幕になります。話し言葉には、聞いているときは気にならないのに、文字にすると目立つ要素が多く含まれるためです。

• フィラー：「えー」「あの」「まあ」「なんか」
• 言い直し：「昨日、いや一昨日ですね」
• 繰り返し：「そのそのときに」
• 語順の乱れ：「行ったんですよ、私、去年」

字幕では、フィラーと言い直しの前半を落とし、語順を整えます。「えー、昨日、いや一昨日ですね、私が行ったときには」なら、「一昨日 私が行ったときには」で足ります。意味は変わっていません。文字数が減れば表示時間に余裕が生まれ、それがそのまま読みやすさになります。

ただし、そのまま残す場面がある

逐語で出すべき場面もあります。式辞、宣誓、弔辞、表彰状の読み上げ、法的な意味を持つ発言。これらは言い回しそのものが記録の対象なので、整えてはいけません。同じ映像の中でも、司会の進行は整えて、式辞は逐語で、という使い分けになります。判断に迷ったら、依頼主に「この部分は読みやすさを優先していいか」を先に確認しておくと安全です。

誰が話しているかを書く

画面に話者が映っていない場面や、複数人が交互に話す場面では、話者を示します。角括弧や記号で「〔司会〕」「〔来賓〕」と頭に付ける方法が一般的です。名前が分かるなら名前で書きます。話者が画面に大きく映っていて誰が話しているか明らかな場面では、付けません。全部に付けると文字数を圧迫します。

音の情報も書く

WCAGにおけるcaptionsの定義は、話し声と非音声の音情報の両方を対象にしています。「（拍手）」「（会場笑い）」「（音楽）」といった表記を入れておくと、字幕だけで場の様子が伝わります。

ただし、鳴っている音を全部書くと画面がうるさくなります。判断の基準は「その音がないと、映像の意味が変わるか」です。表彰の直後の拍手は書く価値がありますが、終始流れているBGMを場面ごとに書く必要はありません。冒頭で一度「（BGM）」と示せば足ります。

入稿時に字幕をどう渡すか｜焼き込み済みの動画1本か、動画＋SRTのセットか

ディスク制作に出す段階での渡し方は、選んだ方式で決まります。

焼き込みにする場合

字幕まで入った状態の動画ファイルを1本渡すだけです。制作側から見れば、字幕なしの映像と何も変わりません。編集ソフトで字幕トラックを作ったら、書き出し設定で字幕を「映像に焼き込む」「バーンイン」に相当するオプションを選び、書き出したファイルを自分で再生して字幕が映ることを確認してから渡します。ここを確認せずに出すと、字幕トラックが非表示のまま書き出されていた、という事故が起きます。冒頭だけでなく、中盤と終盤も飛ばして確認してください。

切り替え式にする場合

字幕なしの動画ファイルと、字幕データを別々に渡します。字幕データはSRT（.srt）が最も扱いやすい形式です。中身は連番、タイムコード、本文、空行の繰り返しという単純な構造で、テキストエディタで開いてそのまま読めます。

1
00:00:04,120 --> 00:00:07,480
本日はお忙しい中
お集まりいただきありがとうございます

タイムコードの区切りは「時:分:秒,ミリ秒」で、ミリ秒の前がカンマです。WebVTT（.vtt）ではここがピリオドになり、ファイルの先頭に「WEBVTT」の1行が入ります。WebVTTの仕様は文字コードをUTF-8と定めています。SRTには厳密な規格がないぶん文字コードが揺れやすいので、日本語字幕はUTF-8で保存しておくのが安全です。

渡す前のチェック

• 動画ファイルと字幕ファイルの名前を揃える（例：kekkonshiki.mp4 と kekkonshiki.srt）
• 字幕ファイルをテキストエディタで開き、文字化けしていないことを確認する
• 開始時刻が動画の先頭からのタイムコードになっているか。編集ソフトによっては01:00:00,000始まりで書き出され、そのままでは字幕が出ません
• 最後の字幕の終了時刻が、動画の長さを超えていないか
• 複数言語なら、ファイル名に言語を入れる（kekkonshiki.ja.srt／kekkonshiki.en.srt）

ディスクメーカーへの入稿

入稿はダウンロードできる共有URLで受け付けています。ギガファイル便、Google Drive、Dropbox、OneDrive、WeTransfer、firestorageなど、リンクを開いてダウンロードできる形であれば形式は問いません。動画ファイルと字幕ファイルを1つのフォルダにまとめ、そのフォルダの共有URLを送る形が分かりやすいです。

制作は1枚1,500円からで、1枚から注文できます。オーサリングは料金に含まれています。盤面へのレーベル印刷、ケースと背表紙の印刷、メニュー画面の作成、チャプター分けにも対応しているので、「章ごとに飛べて、字幕が出る」形にまとめられます。字幕を必要としている人に渡す前提なら、チャプター分けも合わせて指定しておくと、見たい場面から再生できて扱いやすくなります。

納期は通常便のほか、お急ぎ（+1,500円、15時までの注文・入稿で翌々日までに発送）、特急（+3,000円、15時までの注文・入稿で翌日発送）、当日店舗お渡し（+3,500円、平日12時までの注文・入稿、大阪市北区の店舗で受け取り）から選べます。字幕は自分の手を動かす工程なので、日程には字幕を作り込む時間と、720×480に縮小して見直す時間を先に確保しておいてください。

よくある質問

Q. 動画に字幕を入れる無料の方法はありますか？
A. 動画編集ソフトの字幕（キャプション）機能を使う方法と、字幕ファイルを別に作る方法があります。SRTファイルはテキストエディタだけで作れます。連番、タイムコード、本文、空行を繰り返すだけの形式なので、専用ソフトは要りません。自動文字起こしを使いたい場合は、動画をYouTubeに限定公開でアップロードし、自動生成された字幕を編集画面で直してからダウンロードする方法もあります。ただし固有名詞や数字は自分で直す前提で使ってください。

Q. DVDで字幕をオン・オフできるようにできますか？
A. 規格上は可能です。DVD-Videoは副映像（サブピクチャ）ストリームを最大32本まで持てるため、字幕あり・なしの切り替えや、複数言語の切り替えができます。ただし見る人がリモコンの「字幕」ボタンを操作する必要があり、機器によってはメニューからの選択も要ります。高齢の家族に渡すなど、その操作を期待できない相手であれば、映像に焼き込んで最初から表示させる方が確実に届きます。

Q. 焼き込み字幕と切り替え式、どちらを選べばいいですか？
A. 渡す相手が字幕ボタンを操作するかどうかで決めます。操作を期待できないなら焼き込み、同じ映像を字幕あり・なしの両方で使いたいなら切り替え式です。焼き込みは再生機を選ばず表示され、文字の見た目も作った側が決められます。切り替え式は消せる代わりに、表示のされ方が再生機の描画に左右されます。判断がつかない場合は、焼き込み版と字幕なし版の2本を書き出しておく方法もあります。

Q. 1080pで作った字幕がDVDだと読みにくいのはなぜですか？
A. DVD-VideoのNTSC解像度が720×480で、フルHDの1080から480へ縦が約44%に縮むためです。1080pのタイムラインで文字高32ピクセルにした字幕は、DVD上では約14ピクセル相当になり、細い線が消えて漢字がつながって見えます。対策は、書き出す前に一度720×480へ縮小したファイルを作り、拡大せず等倍のまま読めるか確認することです。太めのゴシック体を使い、文字高は画面の縦の1/20程度を確保しておくと安全です。

Q. 字幕の文字数は何文字までが読みやすいですか？
A. 劇場公開映画の日本語字幕では、1行13文字・2行までという枠が長く使われてきました。記録映像で厳密に守る必要はありませんが、上限の目安としては有効です。1行が20文字を超えると視線の移動が増え、映像を見る余裕がなくなります。文字数と同じくらい効くのが改行位置で、文節の途中で切らず、助詞の後や意味の切れ目で改行します。自動生成の字幕は機械的に折り返すので、ここは人が直す前提です。

Q. 自動文字起こしの精度はどのくらい信用できますか？
A. 下書きとしては十分使えますが、そのまま出せる前提では考えない方が安全です。YouTubeは自動字幕起こしについて、間違った発音、アクセント、方言、雑音が原因で話されている内容を正しく表示できないことがあると明記しています。音質が悪い、複数の話者の音声が重なっている、冒頭に長い無音区間がある場合は、字幕自体が生成されないこともあります。人名、団体名、数字、日付、文末の否定を優先して確認してください。

Q. SRTファイルはどうやって渡せばいいですか？
A. 動画ファイルと同じ名前にして拡張子だけ.srtにし、両方を同じフォルダに入れて共有URLで送る形が分かりやすいです。文字コードはUTF-8で保存してください。渡す前にテキストエディタで開き、文字化けがないか、開始時刻が動画の先頭からのタイムコードになっているかを確認します。編集ソフトによっては01:00:00,000始まりで書き出されることがあり、そのままだと本編中に字幕が出ません。

Q. 字幕付きのディスクを頼むとき、何を渡せばいいですか？
A. 焼き込みなら、字幕が入った状態で書き出した動画ファイルを1本渡すだけです。切り替え式にしたい場合は、字幕なしの動画ファイルとSRTファイルの両方を渡し、書体や色の希望も添えておくと意図がずれません。入稿はダウンロードできる共有URLで、ギガファイル便、Google Drive、Dropbox、OneDrive、WeTransfer、firestorageなどが使えます。オーサリングは料金に含まれるので、字幕データを自分でディスク用に変換する必要はありません。