書き出せる形式の例

Whisperの公式のソースでは、書き出しの形式として txt・vtt・srt・tsv・json などが選べるようになっていて、指定しなければすべての形式を書き出す設定になっています（2026年10月25日確認）。ほかの文字起こしツールでも、テキストと字幕ファイルの両方を書き出せるものが多くあります。

テキストとSRTの違い

• テキスト（txt）：話した言葉だけが並ぶ。時刻は付かない。読みやすく、AIに渡して要約や構成づくりに使いやすい
• SRT：字幕の番号・始まりと終わりの時刻・字幕の文が、ひとまとまりずつ並ぶ。編集ソフトや動画サイトに字幕として読み込める

テキストは「読む」ための形、SRTは「動画に合わせる」ための形、と考えると分かりやすいです。同じ文字起こしでも、使い道によって向いている形が違います。

作業ごとの使い分け

1. 話の流れをつかむ・要約する・構成を考える：テキスト
2. 使う発言を探して、素材のその場面に飛ぶ：時刻の付いた形（SRTなど）
3. テロップや字幕の下書きにする：SRT
4. 動画サイトに字幕として上げる：SRTなど、そのサイトが読み込める形

迷ったら、両方を書き出しておくのがおすすめです。あとから時刻が必要になったとき、テキストだけでは戻れないからです。

SRTを扱うときの注意

SRTは時刻と文がセットになっているので、扱いに少し気をつける所があります。

• 文を直すときに、時刻の行や番号の行を消したり崩したりしない
• AIに直しを頼むときは、「時刻と番号は変えずに、文だけを直す」と伝える
• 直したあとは、編集ソフトに読み込んで、字幕がずれていないかを確かめる

文字起こしの時刻は、音声認識の推定です。僕の編集のルールでも、Whisperの時刻はずれることがある前提で、カットの位置は音の波形を見て決めることにしています。SRTをそのまま字幕にするときも、表示が早すぎたり遅すぎたりしないか、実際に再生して確かめてください。

また、僕は字幕を1フレームも途切れさせないことをルールにしています。SRTを作り直したり直したりしたあとは、字幕と字幕の間にすき間ができていないかも見ておきたい所です。

自分で用意した字幕ファイルと、動画サイトの自動字幕の使い分けについては、前にYouTubeの自動字幕起こしをそのまま使わない理由で書きました。書き出しの形式を作業ごとに選べるようになると、文字起こしを何度も作り直す手間がなくなります。

tsvやjsonは、表計算ソフトや自分で書いた道具に読み込ませたいときに向いた形です。たとえば、発言の一覧を表にして並べ替えたい、決まった言葉が出てくる時刻だけを抜き出したい、といったときに使えます。最初はテキストとSRTの2つで十分ですが、作業を仕組みにしていく段階になると、こうした形が役に立つ場面が出てきます。

形式ごとにファイル名をそろえておくことも、地味ですが効きます。素材と同じ名前に、形式ごとの拡張子だけを変えて保存しておけば、どの素材の文字起こしかで迷うことがありません。素材が多い案件ほど、この小さな決まりが後の作業を楽にしてくれます。

書き出した形式は、案件が終わるまで消さずに残しておきます。修正の依頼が来たときに、テキストで中身を探し、SRTで時刻を確かめる、という使い方ができるからです。

参考：Whisper公式ページ（GitHub）

一覧に入れる項目を先に決める

最初に、一覧に何を書くかを決めておきます。項目が決まっていないと、AIの出す一覧が素材ごとにばらばらになるからです。

• ファイル名
• 長さ
• 話している人
• 話している内容の一行要約
• 使えそうな発言と、その時刻
• 気になる点（音が小さい、途中で止まっているなど）

案件によって項目は変えてかまいません。大事なのは、全部の素材で同じ項目を埋めることです。

文字起こしから一覧を作る手順

1. 素材をフォルダにまとめ、ファイル名の順に並べる
2. 話している素材は、1本ずつ文字起こしをする（ファイル名と同じ名前で保存しておくと、あとで迷いません）
3. 文字起こしのファイルをAIに渡し、決めた項目で一覧を作るよう頼む
4. 一覧は表の形で出してもらい、1行が素材1本になるようにする

Whisperの公式ページの使い方の例では、複数の音声ファイルを並べて一度に文字起こしをかけるコマンドが紹介されています（2026年10月25日確認）。素材が多い案件では、こうしたまとめての処理が下準備の時間を大きく減らしてくれます。

素材を受け取った直後の進め方については、素材を受け取ったら納品予定日を伝える｜ディレクターに信頼される編集者の受け取り手順でも書きました。受け取ってすぐに一覧を作っておくと、予定も立てやすくなります。

話していない素材の扱い

風景やイメージの素材など、話し声のないファイルは文字起こしでは中身が分かりません。こうした素材は、別の方法で一覧に入れます。

• ファイルの中から数コマを取り出し、画像としてAIに見せて、映っているものを書いてもらう
• 編集ソフトに検索の機能があれば、それを使って探す

Blackmagic Designの公式ページでは、DaVinci Resolveの新しいAIツールとして、コンテンツの検索を速くするIntelliSearchが紹介されていました（2026年10月25日確認）。映像の中身から素材を探す機能は、こうした編集ソフト側にも入ってきています。

一覧を使う前に確かめること

AIが作った一覧は便利ですが、そのまま信じずに、次の点だけは確かめてから使います。

1. 一覧の行数と、フォルダの中のファイルの数が合っているか
2. 使えそうな発言として挙がったものを、いくつか時刻から開いて、本当にその言葉か
3. 話している人の名前が、取り違えられていないか

一覧は、編集を始めたあとも何度も見返す地図になります。最初に少し時間をかけて正しくしておくと、編集の途中で「あの場面はどこだったか」と探す時間がほとんどなくなります。素材が多い案件ほど、この下準備が効いてきます。

一覧ができたら、編集する人だけでなく、案件に関わる人と共有しておくと便利です。確認する側も、どの素材に何が入っているかが分かれば、「あの場面を使ってほしい」という依頼をファイル名と時刻で伝えられるようになります。言葉だけで「あの場面」と言われて探し回る時間が減るので、やり取りそのものも短くなります。

案件が終わったら、一覧は素材と同じフォルダに残しておきます。あとで同じ素材を別の動画に使い回すことになったとき、一覧があれば中身を見直す手間がほとんどかかりません。素材の一覧は、その案件のためだけでなく、次の仕事のための資産にもなります。

参考：Whisper公式ページ（GitHub）

1. 音：雑音と声の重なり

いちばん多いのは、音そのものの問題です。YouTubeの自動字幕起こしのヘルプにも、雑音が原因で正しく表示できないことがあると書かれています。さらに、自動字幕が作られない原因として、音質が悪い場合や、複数の人が同時に話して音声が重なっている場合が挙げられています（2026年10月25日確認）。

• エアコンや車の音など、ずっと鳴っている音がないか
• BGMが声と同じくらいの大きさで入っていないか
• 話し手同士の声が重なっている所が多くないか

2. 話し方：方言・早口・専門用語

同じヘルプには、間違った発音、アクセント、方言も原因として書かれています。早口や業界の言葉が多い話も、間違いが増えやすい素材です。この場合は、固有名詞や専門用語の一覧を作って、あとでまとめて直す前提で進めます。

3. 言語設定：自動で判定させていないか

Whisperは、言語を指定しないと、音声の最初の30秒ほどで言語を判定する仕組みになっています（公式のソースで確認）。冒頭に音楽や無音が長く続く素材、別の言語の言葉から始まる素材では、判定がずれることがあります。

1. 日本語の素材なら、最初から言語を日本語に指定する
2. 指定できないツールでは、冒頭の無音や音楽を切ってから読み込ませる

YouTubeのヘルプでも、動画の冒頭で無音が長く続いていることが、自動字幕が作られない原因の1つとして挙げられていました。

4. 形式：音声の取り出し方とファイル

動画ファイルをそのまま読み込ませるより、声の入っているトラックだけを書き出して渡すほうが、うまくいくことがあります。

• 声とBGMが別のトラックなら、声だけを書き出して使う
• 左右のどちらかにしか声が入っていない素材は、片側だけになっていないかを確かめる
• 複数のファイルに分かれている素材は、順番どおりに並んでいるかを確かめる

素材の並びや音量をそろえる下準備については、前にAIで文字起こしする前に素材でそろえておくことで書きました。精度が低いと感じたら、まずここに戻って見直すのが近道です。

5. 長さ：長い素材を一度に処理していないか

長い素材では、途中で同じ文がくり返し出てきたり、話していない所に文字が出たりする乱れが起きることがあります。YouTubeのヘルプでも、動画が長すぎることが、自動字幕が作られない原因の1つとして挙げられていました。

faster-whisperの公式ページでは、声のない区間を取り除いてから文字起こしをする vad_filter という設定が紹介されています。長い素材は、この設定を使うか、話の切れ目でいくつかに分けてから処理すると、乱れを減らせます。

5つを順に見ていくと、多くの場合はどこかに原因が見つかります。ツールの性能を疑う前に、素材と設定を整える。そのうえで残った間違いを人が直す、という順番が、結局いちばん早く終わります。

原因を見直すときは、一度に全部を変えないことも大切です。音の手当てと言語の指定を同時に変えると、どちらが効いたのか分からなくなります。素材の中から1〜2分の短い区間を選び、1つずつ条件を変えて文字起こしを比べると、原因が見つけやすくなります。うまくいった条件は控えておき、次の案件でも最初から使うようにすると、同じことで悩む時間がなくなります。

参考：YouTubeヘルプ「自動字幕起こし機能を使用する」

公式の説明にも書かれている「間違えやすい条件」

YouTubeの自動字幕起こしのヘルプには、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、と書かれています。そのうえで、自動字幕の内容を確認して、正しく文字起こしされていない部分を編集するよう求めています（2026年10月25日確認）。

また、Whisperの公式ページには、言語によって正確さが大きく変わることや、話す速さなどの条件で実際の速度も大きく変わることが書かれています。つまり、方言・早口・専門用語は、どのツールでも「間違いが出る前提」で扱うのが現実的です。

素材ごとに間違えやすい所

• 方言：標準語に近い別の言葉に置きかえられる。語尾が落ちたり、別の語尾に変わったりする
• 早口：短い言葉が抜ける。2つの言葉が1つにつながる。句読点の位置がずれる
• 専門用語：ふだん使わない言葉が、音の近い一般的な言葉に変わる。英語の略語がカタカナや別の単語になる
• 固有名詞：人名・会社名・商品名が、それらしい別の漢字になる

どれも、文字だけを読むと自然な日本語に見えることが多いのがやっかいです。間違いが「おかしな文」ではなく「それらしい別の文」になって出てくるので、読んで気づくより、音と照らして気づくことになります。

文字起こしの前にできる手当て

1. 言語を指定する：Whisperの公式ページでは、日本語の音声なら --language Japanese のように言語を指定する使い方が案内されています
2. よく出る言葉を先に渡す：Whisperの公式のソースでは、initial_prompt という設定に、固有名詞などの言葉を入れておくと、その言葉が正しく出やすくなると説明されています
3. 言葉の一覧を作る：話し手の名前、会社名、商品名、業界の言葉を、正しい表記で一覧にしておく

2つ目の設定は「入れれば正しくなる」ものではなく「出やすくなる」ものです。一覧はこの設定に使うだけでなく、あとで直すときの見本にもなるので、作っておいて損はありません。

文字起こしのあとに直す順番

直すときは、頭から全部を読むより、間違いが集まりやすい所から見ていきます。

1. 言葉の一覧にある言葉を検索し、表記のぶれをまとめて直す
2. 早口の区間を音で聞き直し、抜けた言葉を足す
3. 方言の語尾は、話し手の言い方を残すかどうかを決めてから直す

3つ目は編集の判断です。テロップにするときに方言を消しすぎると、その人らしさがなくなります。文字起こしの段階では、実際に話した言葉のまま残しておくほうが、あとで選べる幅が広がります。

まとめて直す作業そのものは、前に自動文字起こしの誤変換をまとめて直す手順で書きました。言葉の一覧を作っておくと、その検索と置換の作業がそのまま早くなります。

言葉の一覧は、案件が終わっても捨てずに取っておくのがおすすめです。同じ話し手の動画をくり返し編集するなら、前回の一覧がそのまま次の文字起こしの下準備になります。新しく出てきた言葉を足していけば、回を重ねるごとに直す手間が減っていきます。話し手が使う決まった言い回しや、よく出てくる人の名前も、一覧に入れておくと役に立ちます。

方言や早口は、話し手の魅力でもあります。AIの間違いを直す作業は、その人の言葉を正しく残すための作業だと考えると、どこまで直すかの判断もしやすくなります。

参考：YouTubeヘルプ「自動字幕起こし機能を使用する」

突き合わせで見つけたい3つのこと

台本と文字起こしを並べて見る目的は、次の3つを先に洗い出すことです。

• 言い忘れ：台本にあるのに、収録では話されていない所
• 言い直し：同じ内容を2回以上話している所
• 台本にない話：アドリブで足された所

この3つが分かっていれば、カットのときに「どのテイクを使うか」「撮り直しが要るか」を迷わずに済みます。逆に、ここを見ないままカットを始めると、編集が終わってから言い忘れに気づく、ということが起きます。

AIに渡す前の準備

1. 台本を段落ごとに番号を振ったテキストにする
2. 収録の文字起こしを作り、区間ごとの時刻を残しておく
3. 台本にある固有名詞や数字の表記を、文字起こしのほうでも直しておく

文字起こしにはWhisperなどを使えます。Whisperの公式ページでは、日本語の音声を文字起こしするときに言語を指定する使い方が案内されています（2026年10月25日確認）。言語の指定は、表記のぶれを減らす意味でも最初に済ませておくとよい設定です。

AIへの指示と、出してもらう形

AIには、台本の番号ごとに次の形で表を作ってもらいます。

1. 台本の番号と、その段落の要点
2. 文字起こしで対応する所の時刻（見つからなければ「なし」）
3. 同じ内容が2回以上ある場合は、すべての時刻
4. 台本にない話をしている所の時刻と、その中身の一言

「なし」と出た所が言い忘れの候補、時刻が2つ以上並んだ所が言い直しの候補です。台本にない話は、別にまとめて出してもらいます。

ここで1つ注意があります。AIは意味が近い文を「同じ」と判断することがあるので、言い直しの候補は機械的に決めず、人が聞いて確かめます。

言い直しとアドリブをどう扱うか

僕の編集のルールでは、言い直しは「いちばん長く自然に話せている一続き」を使うことにしています。最初のテイクを噛む直前まで使い、無音の所で次のテイクに乗り換える、という考え方です。AIが出した時刻は、この乗り換えの場所を探す目安になります。

ただし、文字起こしの時刻はずれることがあるので、実際に切る位置は音の波形を見て決めます。僕のルールでも、Whisperの時刻は最大で0.31秒ずれる前提で、カット点は波形で確かめることにしています。

台本にない話も、すぐに消さないでください。僕は台本に合わせすぎないことを大事にしていて、その場の言葉でも文脈の中で意味があれば残します。台本どおりに話した部分より、アドリブのほうが伝わることもあるからです。

AIに編集を任せたときに起きやすい事故（語尾が切れる、言葉が消えるなど）については、AIに「いい感じに編集して」と任せると起きる事故でも書きました。突き合わせの表を先に作っておくと、こうした事故も見つけやすくなります。

突き合わせの表は、カットが終わったあとにも使えます。完成した動画の文字起こしをもう一度作り、同じ表と照らし合わせると、カットの途中で台本の大事な一文を落としていないかを確かめられます。言い忘れの候補として「なし」と出た所が、撮り直しで埋まっているかもここで見ます。表を一度作っておけば、編集の前と後の2回使えるので、手間のわりに見落としを大きく減らせます。

台本どおりに話せているかどうかは、話し手を責めるための材料ではありません。どこを使い、どこを撮り直すかを早く決めるための材料です。表を話し手と共有するときも、この目的を最初に伝えておくと、次の収録の進め方を一緒に考えやすくなります。

参考：Whisper公式ページ（GitHub）

先に「動画で伝えること」を1行で決める

AIに要約を頼む前に、完成した動画で何を伝えるのかを1行で書いておきます。たとえば「この人が仕事を変えた理由」「サービスを使って変わったこと」のような形です。

この1行がないまま要約させると、AIは話の量が多い所を大事な所として拾いがちです。話の量と、動画にとっての大事さは同じではありません。何を伝える動画なのかを先に決めておくと、AIへの指示も、あとで人が選ぶときの物差しもぶれにくくなります。

文字起こしを整えてからAIに渡す

要約の前に、文字起こしを最低限整えます。ここを飛ばすと、AIが間違った文字のまま要約してしまうからです。

1. 聞き手と話し手を分けておく（誰の発言かが分からないと、聞き手の質問を答えとして拾ってしまいます）
2. 人名・会社名・商品名など、まちがいやすい言葉を直しておく
3. 区間ごとの時刻は消さずに残す

話し手の分け方については、前に対談・インタビュー動画の文字起こしで、話し手を正しく分ける方法で書きました。インタビューの要約は、この下準備ができているかどうかで仕上がりが大きく変わります。

AIには「要約」と「発言の候補」を分けて出させる

AIへの指示は、要約と候補を分けて出してもらうのがおすすめです。

• 要約：話の流れを、話題ごとに数行で
• 発言の候補：最初に決めた1行に合う発言を、言い換えずにそのまま。時刻も付ける
• 候補ごとの理由：なぜその発言が合うと考えたか、一言で

大事なのは「言い換えずにそのまま」と伝えることです。AIは読みやすく整えようとして、話し手の言葉を少し変えてしまうことがあります。動画で使うのは実際の音声なので、候補は元の言葉のままでないと意味がありません。

faster-whisperの公式ページの例のように、文字起こしの結果に区間ごとの時刻が付いていれば、候補の時刻からすぐに素材の該当場面を開けます（2026年10月25日確認）。

候補を人が聞いて、使う発言を決める

AIが出した候補は、そのまま使わずに音で確かめます。文字では良く見えても、実際に聞くと次のようなことがあるからです。

• 言いよどみが多くて、そのままでは使いにくい
• 前の質問を聞いていないと意味が通らない
• 表情や声の調子が、伝えたい内容と合っていない

僕の編集のルールでは、台本や決めた流れに合わせすぎず、その場で出た言葉でも文脈の中で意味があれば残すことにしています。AIの候補に入らなかった発言の中に、いちばん良い一言が隠れていることもあります。候補を聞き終えたら、時間があれば候補の前後も少し広めに聞いてみてください。

AIに要約と候補を出させることで、1時間の素材を頭から全部聞き直す時間は短くできます。ただ、最後に「この発言で行く」と決めるのは、動画で何を伝えたいかを分かっている人です。その線引きを守っておくと、インタビュー編集の下準備はぐっと軽くなります。

選んだ発言は、時刻と一緒に一覧にしておきます。並べる順番は、話された順ではなく、動画で使う順です。並べ替えてみると、つなぎの言葉が足りない所や、同じ話が2回出てくる所が見えてきます。そこで初めて、候補から外していた発言を戻したり、聞き手の質問をテロップで補ったりする判断ができます。要約と候補の一覧は、カットを始める前の設計図だと考えると、使い道がはっきりします。

参考：faster-whisper公式ページ（GitHub）

まとめて渡すと起きやすいこと

長い文字起こしを1回で渡して「要約して」と頼むと、AIは全体を短くまとめようとします。その結果、次のようなことが起きやすくなります。

• 前半の話は細かいのに、後半は1行で終わっている
• 数字や固有名詞が、言い換えられたり落ちたりしている
• 話し手が言っていないつなぎの説明が足されている

どれも、要約の文だけを読んでいると気づきにくいものです。編集の材料にする要約なら、元の発言にすぐ戻れる形にしておくことが大切です。

区切る場所の決め方

時間で機械的に切るより、話の切れ目で切るほうが要約の質は安定します。僕がすすめる順番は次のとおりです。

1. まず文字起こし全体を流し読みして、話題が変わる所に印を付ける（「では次に」「質問に移ります」などの言葉が目印になります）
2. 印と印の間が長すぎる所は、さらに小さな話題で分ける
3. 区切ったまとまりごとに「1」「2」と番号を付け、始まりと終わりの時刻を書いておく
4. 番号ごとに別々にAIへ渡し、要約を作らせる

時刻を残すのは、あとで動画に戻るためです。faster-whisperの公式ページの使い方の例でも、文字起こしの結果は区間ごとに始まりと終わりの秒数が付いた形で出てきます。この時刻を消さずに区切りに使えば、要約の1行から元の場面へすぐ飛べます。

長い動画の文字起こしそのものの進め方は、前にfaster-whisperで長い動画を文字起こしする手順で書きました。そちらで作った区切りのファイルを、そのまま要約の単位にするとつながりがよくなります。

AIに渡すときの指示の書き方

区切ったまとまりを渡すときは、毎回同じ指示を付けます。指示がまとまりごとに違うと、要約の粒の大きさがそろわないからです。

• 何に使う要約か（例：切り抜きの候補を探す、目次を作る）
• 残してほしいもの（数字・人名・話し手の言い切った言葉）
• やってほしくないこと（話していない説明を足さない、言い回しを変えすぎない）
• 出してほしい形（時刻・一行の要約・使えそうな発言の引用）

Claudeの公式ページでも、会議の文字起こしを読み取って、やることと担当者を整理する使い方が例として紹介されていました（2026年10月25日確認）。要約は「何のために読むか」を伝えると、拾ってほしい所を拾ってくれやすくなります。

要約がそろったあとに確かめること

番号ごとの要約がそろったら、最後に全体をつなげて読みます。このとき見るのは次の3つです。

1. 要約に出てくる数字や名前が、元の文字起こしにそのまま書いてあるか
2. 区切りの前後で、同じ話が重なっていたり、逆に抜けていたりしないか
3. 要約で「大事」とされた場面を、時刻から動画で実際に見て、そのとおりか

僕の編集の基準は「見て・聞いて、自然につながっているか」です。要約は作業を早くするための地図で、最後に動画の中身を確かめるのは人の仕事だと考えています。区切って渡す手間は少し増えますが、そのぶん見直しの時間が短くなり、長い動画ほど差が出てきます。

区切り方に迷ったときは、まず「この区切りだけを人に見せて、何の話か一言で言えるか」を目安にしてください。一言で言えないまとまりは、話題が2つ以上混ざっています。もう一段小さく分けたほうが、AIの要約も人の見直しも楽になります。反対に、細かく分けすぎると、話の前提が前の区切りに置き去りになり、要約だけ読んでも意味が分からなくなります。前の区切りの要約を一行だけ添えて渡すと、このつながりの切れを防げます。

参考：faster-whisper公式ページ（GitHub）

公式ヘルプに書かれている注意

YouTubeのヘルプでは、自動字幕起こしは機械学習で作られたものなので品質にばらつきが出る可能性がある、とされています。そのうえで、クリエイターにはまず専門サービスを使った字幕の作成をすすめています。

また、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書かれ、自動字幕の内容を確認して、正しく文字起こしされていない部分を編集するよう求めています。つまり、作られた字幕をそのまま出すことは、YouTube自身も想定していないということです。

自動字幕が作られないときの原因

同じヘルプには、自動字幕が作られない場合の原因も挙げられています。

• 複雑な音声の処理に時間がかかっていて、まだ完成していない
• 動画の言語に対応していない
• 動画が長すぎる
• 音質が悪い、または認識できない音声が含まれている
• 動画の冒頭で無音が長く続いている
• 複数の人が同時に話して音声が重なっている、または複数の言語が同時に話されている

このうち、音質・冒頭の無音・声の重なりは、編集の段階で手を入れられる所です。自動字幕を使う予定があるなら、書き出す前にここを整えておくと、字幕の質も上がりやすくなります。

YouTube Studioで直す手順

ヘルプに書かれている、自動字幕を確認して直す手順は次のとおりです。

1. YouTube Studioにログインする
2. 左側のメニューから「字幕」を選ぶ
3. 字幕を追加する動画を選ぶ
4. 字幕のメニューで、編集する字幕の横にある「詳細」を選ぶ
5. 内容を確認し、正しく文字起こしされていない部分を編集または削除する

なお、自動字幕では不適切な可能性がある言葉が初期設定で記号に置き換えられる設定がある、ともヘルプに書かれています。意図せず言葉が隠れていないかも、見ておくとよい点です。

編集者として確かめておく所

字幕を直すときは、頭から全部を読むより、間違いが起きやすい所から見るほうが早く済みます。

• 人名・商品名・地名などの固有名詞
• 数字・金額・日付
• 早口の所、笑い声や相づちが重なっている所
• 方言や業界の言葉が多い所

動画の中身を一番よく知っているのは、編集した人です。自動字幕は「下書きを作ってくれる機能」と考えて、出す前の確認は人が行う。この線引きを守っておけば、自動字幕は作業時間を減らす心強い味方になります。

自分で用意した字幕と使い分ける

自動字幕に頼るか、自分で字幕ファイルを用意するかは、動画の種類で決めるのがおすすめです。

• 固有名詞や数字が多い解説動画：文字起こしツールで下書きを作り、直してから字幕ファイルとして上げる
• 雑談中心で、字幕は補助的なもの：自動字幕を使い、固有名詞の所だけ直す
• 対談やにぎやかな企画：声が重なりやすいので、自動字幕はとくに念入りに見直す

どちらを選んでも、最後に人が確かめる工程は外せません。公式ヘルプが何度も「確認して直す」ことを求めているのは、それだけ自動の字幕にまちがいが残りやすいということです。字幕は、耳が聞こえにくい人や音を出せない場所で見ている人にとって、動画の中身そのものです。そう考えると、確認の時間は削ってよいものではないと分かります。

参考：YouTubeヘルプ「自動字幕起こし機能を使用する」

長い動画で困ること

長い動画、とくにライブ配信のアーカイブやセミナーの録画には、話していない時間が多く含まれます。開始前の待ち時間、休憩、資料を映しているだけの時間などです。こうした区間をそのまま文字起こしにかけると、処理に時間がかかるうえ、話していないのに文字が出てくるといった乱れが起きることがあります。

そこで使うのが、声のない区間を先に取り除いてから文字起こしをする設定です。

vad_filterで無音を飛ばす

faster-whisperには、Silero VADという「声がある所を見分ける」モデルが組み込まれていて、話していない部分を取り除けます。公式ページに書かれている使い方は次のとおりです。

1. 文字起こしの関数に vad_filter=True を付ける
2. 初期の設定は控えめで、2秒より長い無音だけを取り除く
3. もっと短い無音も取り除きたいときは、vad_parameters で値を変える（公式ページの例は min_silence_duration_ms=500 で、500ミリ秒以上の無音を対象にする）

また、まとめて処理して速くする「バッチ処理」（BatchedInferencePipeline）では、このVADが最初から有効になっていると書かれています。

短い無音まで飛ばすほど速くはなりますが、言葉の頭や語尾まで削ってしまうおそれもあります。最初は初期の設定で試し、乱れが残るときに値を下げていく順番が安全です。

単語ごとの時刻を出す

カット編集に文字起こしを使うなら、文ごとではなく単語ごとの時刻があると便利です。faster-whisperでは word_timestamps=True を付けると、単語ごとの時刻が出せます（公式ページで確認）。

ただし、この時刻はあくまでAIの推定です。僕の編集ルールでは、Whisperの時刻はずれることがある前提で、カット点は音の波形を見て決めることにしています。単語の時刻は「だいたいこのあたり」と場所を探す目安に使い、実際に切る位置は波形で確かめてください。

文字起こしのあとに確かめること

長い動画ほど、1回で全部を見直すのは大変です。次の順で確かめると、見落としを減らせます。

• 時刻が大きく飛んでいる所：VADで飛ばした区間に、実は話し声が含まれていなかったか
• 同じ文がくり返し出てくる所：音が小さい区間などで起きやすい乱れです
• 人名・数字・専門用語：まとめて検索して直す

faster-whisperの設定は、速さと正確さの取り合いです。長い動画では無音を飛ばす設定が大きく効きますが、飛ばしすぎていないかを人が確かめる工程まで含めて、1つの作業と考えるのがおすすめです。

長い動画は区切って扱う

1時間を超える動画は、一度に全部を処理するより、意味のまとまりで区切って扱うほうが後の作業がしやすくなります。たとえば次のような順番です。

1. 動画の章や話題の変わり目で、いくつかのファイルに分ける
2. それぞれを文字起こしして、番号を付けて保存する
3. 直しや確認も、区切ったファイルごとに進める

区切っておくと、途中で処理が止まっても最初からやり直さずに済みますし、直しの作業を人に分けることもできます。文字起こしの結果をAIに要約させる場合も、区切ったまとまりごとに渡したほうが、内容を取りこぼしにくくなります。長い動画ほど、作業を小さく分ける工夫が効いてきます。

参考：faster-whisper公式ページ（GitHub）

モデルの大きさを選ぶ

Whisperには大きさの違うモデルがあり、公式ページでは6つの大きさが紹介されています。大きいほど精度が期待できる一方で、必要なメモリ（VRAM）が増え、処理に時間がかかります。公式ページの表をもとにまとめると次のとおりです。

• tiny：約1GB、largeと比べて約10倍の速さ
• base：約1GB、約7倍
• small：約2GB、約4倍
• medium：約5GB、約2倍
• large：約10GB、基準（1倍）
• turbo：約6GB、約8倍

ただし、この速さは英語の音声を特定の機材で文字起こしして測ったもので、言語や話す速さ、使う機材によって大きく変わると公式ページにも書かれています。また、tiny〜mediumには英語専用の版（.en）がありますが、日本語の動画では使えないので、多言語の版を選びます。

選び方の目安としては、まず短い区間で2つほどのモデルを試し、精度と待ち時間を見比べるのが確実です。

日本語を指定して文字起こしする

コマンドで動かす場合、公式ページの例は次の形です。

1. 何も指定しないと turbo モデルで文字起こしされる（whisper 音声ファイル --model turbo）
2. 英語以外の音声では、言語を指定する（whisper japanese.wav --language Japanese）
3. 使えるオプションは whisper --help で一覧できる

Whisperには話されている言語を判定する機能もありますが、日本語の動画だと分かっているなら、毎回 --language Japanese を付けておくと、判定違いによる失敗を防げます。

翻訳に使うときの注意

Whisperは、日本語の音声を英語に訳す使い方もできます（--task translate）。ただし公式ページには、turbo モデルは翻訳用に学習されていないこと、translate を指定しても元の言語のまま返すことが書かれています。翻訳に使うなら medium か large を選ぶように、とされています。英語字幕の下書きを作りたいときは、モデルの選び方に気を付けてください。

出てきた文字を編集に使う前に

Whisperは、音声を30秒ずつの区切りで順に処理する仕組みだと公式ページに書かれています。長い動画でも動きますが、出てきた文字をそのまま使えるとは限りません。編集に回す前に、次の点を確かめておきます。

• 人名・専門用語・数字の誤りがないか
• 無音やBGMだけの区間に、実際には話していない文字が出ていないか
• 文の区切りと時刻が大きくずれていないか

僕の編集ルールでも、Whisperの時刻はそのままカット点にせず、音の波形で確かめてから切ることにしています。文字起こしは「下書き」として使い、最後の判断は人の耳で行う。この分け方を守ると、Whisperはとても頼れる道具になります。

時間の見積もりを立てる

モデルを決めたら、作業全体の時間も見積もっておきます。いきなり長い動画をかけると、終わるまでどれくらいかかるか分からず、ほかの作業の予定が立てにくくなるからです。

1. 動画から5分ほどを切り出して文字起こしにかける
2. かかった時間を測り、動画全体の長さに合わせておおよその時間を出す
3. 待ち時間が長すぎるなら、1つ小さいモデルで同じ5分を試して精度を比べる

精度が少し下がっても、直しの手間がそれほど増えないなら、小さいモデルのほうが全体では早く終わることもあります。逆に、専門用語が多い動画では、大きいモデルで直しを減らしたほうが早いこともあります。動画の種類ごとに、どのモデルが合っていたかを記録しておくと、次から迷わずに選べます。

参考：Whisper公式ページ（GitHub）