AI字幕生成ツールおすすめ2026年版｜6製品を形式・対応言語・料金で比較

動画に字幕を付けることは、リーチを伸ばすうえで非常に効果の大きい施策です。字幕付き動画はどのプラットフォームでも視聴者の注意を長く保ちやすく、多くの地域ではアクセシビリティ対応にも必要です。また、別の言語を話す視聴者にもコンテンツを届けられます。時間がかかるのは、昔から字幕そのものを作る工程でした。AI字幕生成ツールは音声を文字起こしし、時間付きの字幕キューに分割し、SRTやVTTのような標準形式で数分のうちに書き出します。

ただし「字幕を生成できる」といっても、中身には大きな差があります。文字起こし自体は正確でも、字幕としては悪いものが出ることがあります。1行が長すぎて読めない、表示時間が短すぎて一瞬で消える、またはプラットフォームが受け付けない形式で出力される、といったケースです。このガイドでは、字幕品質を実際に左右する基準で6つのAI字幕生成ツールを比較します。

最初に位置づけを明確にしておくと、この記事は各ツールの現在の機能と公開料金を整理して比較するものです。単一の精度テストによるランキングではありません。実際の精度は、音声の状態や言語に大きく左右されます。記事の後半でその点を正直に説明し、あなた自身の結果を最もよく予測できるテスト方法も紹介します。

開示： Vocovaは私たちの製品であり、この記事で比較する6ツールの1つです。ツールはアルファベット順で掲載しており、ランキングではありません。比較基準は購入検討者の視点に寄せ、他ツールがVocovaより優れている点も具体的に示しています。それでも、自社製品を含めている点は考慮して読んでください。精度の章で説明する無料プランでの短いクリップテストが、自分で判断する最も信頼できる方法です。

調査方法： 機能と料金は2026年6月に各ベンダーの公式ページで確認しました（VEEDの現行プランは独立して確認できなかったため、veed.ioで確認してください）。この記事は機能と料金の比較であり、ツール同士を直接対決させた精度ベンチマークではありません。

「良い字幕」を決めるもの（そして標準が示すこと）

多くの字幕ツール比較は、対応言語数と価格を比べます。もちろん重要ですが、実際に使える字幕ファイルと扱いづらい字幕ファイルを分けるのは、プロの字幕制作者が守る可読性の基準に沿っているかどうかです。これらの基準はファイル形式そのものではなく、放送局や配信プラットフォームのスタイルガイドに由来します。WebVTTやEBU-TT仕様が定義するのは字幕ファイルの書き方であって、読みやすさではありません。そのため、以下の数値はBBC Subtitle GuidelinesとNetflix Timed Text Style Guideに基づいています。

知っておきたい基準は次のとおりです。

• 読字速度。 Netflixは成人向け字幕を1秒あたり20文字までに制限しています（子ども向けは17 cps）。BBCは1分あたり160〜180語、おおよそ15 cpsを目安としており、より遅く保守的です。英語以外の多くの言語では、さらに厳しめに考える必要があります。長い文を1秒の字幕キューに押し込むなら、文字が正確でもこのルールを破っています。
• 1行の長さ。 Netflixでは英語およびラテン文字系言語の上限が1行42文字です。BBCの放送字幕では37文字が上限です。これを超えると、スマートフォンで不自然に折り返されたり、切れて表示されたりします。
• 1キュー最大2行。 Netflix、BBC、米国のDCMP captioning guidelinesはいずれも、字幕を最大2行に制限しています（BBCは9:16の縦型動画に限り3行目を認めます）。良い生成ツールは、長い文を3行に積むのではなく、複数のキューに分けます。
• 画面上の表示時間。 Netflixは1キューあたり最短約0.83秒、最長7秒を用います。DCMPの上限は6秒です。短すぎる字幕は一瞬で消え、長すぎる字幕は話者が次に進んだ後も画面に残ります。
• 意味の切れ目で改行すること。 改行は節や句読点の境目で行うべきです。冠詞と名詞、前置詞とその句の間で切るべきではありません。

これらの数値を暗記する必要はありません。ツール選びでの実務的な結論は、優れた字幕生成ツールは読みやすい速度になるよう自動で分割し、必要に応じてタイミングと改行を編集できるということです。単なる未分割の文字起こしだけを返すツールは、その作業をすべて利用者に残します。

SRT、VTT、ASSなどの形式そのものや、どの場面でどれを使うべきかについては、字幕ファイル形式の完全ガイドとSRT vs VTTの比較をご覧ください。この記事ではツールに焦点を当てます。

そもそも有料ツールは必要か？

有料ツールを比較する前に、本当に必要かを正直に確認しましょう。1つの言語の動画を1つのプラットフォームに投稿するだけなら、YouTube Studio、CapCut、Instagramに組み込まれた無料の自動字幕機能で十分なことが多いです。追加のサブスクリプションなしで字幕を生成し、動画に付けられます。専用のAI字幕生成ツールに価値が出るのは、次のうち1つ以上が必要な場合です。他言語への翻訳、訛りや専門用語を含む音声での安定した精度、特定の書き出し形式、大量ファイルのバッチ処理、またはタイミングや用語を素早く直せる本格的な編集画面。どれにも当てはまらないなら、まず無料で始め、必要になった時点で戻ってくれば十分です。

6つのAI字幕生成ツール

以下の6ツールはアルファベット順で、ランキングではありません。比較表と用途別の選び方を使って、自分の作業に合うものを探してください。

Descript

Descriptは主に動画・Podcast編集スイートですが、文字起こしエンジンを字幕生成にも使えます。動画を読み込むと、文字起こしをSRTまたはVTTとして書き出すことも、字幕を動画に焼き込むこともできます。強みはテキストベース編集です。タイムコードを細かく動かすのではなく、文書を直すように字幕文を修正できます。対応言語はやや限られ（約20数言語）、翻訳は内蔵されていません。多言語字幕を作るには、複製して手動で編集する必要があります。

主な字幕機能：

• SRT/VTT書き出し、または焼き込み字幕に対応した文字起こし
• テキストベース編集：文字を編集して字幕を修正
• 話者検出とAIによるフィラーワード削除
• 動画・Podcast編集スイートを含む

料金: Hobbyist は月 $16、Creator は月 $24、Business は月 $50（年払い）。字幕分数は共有のメディア時間枠から消費されます。

最適な用途： すでにDescriptで編集しており、そのワークフローの延長として字幕を書き出したい人。

Happy Scribe

Happy Scribeは、AI生成字幕と人手による字幕の両方を提供します。AIは150以上の言語に対応し、誤りが許されないコンテンツでは人手サービスを追加して精度を高められます。カスタム語彙機能では固有名詞、ブランド名、専門用語を保存でき、AIが一貫して認識しやすくなります。インタラクティブなエディタではタイミング調整、キューの分割・結合ができ、上で述べた読字速度の基準を満たすうえで役立ちます。

主な字幕機能：

• 150以上の言語でAI字幕、人手字幕オプションで精度向上
• 反復用語向けのカスタム語彙とインタラクティブなタイミング編集
• SRT、VTT、TXT、STL、さらにPremiere ProやFinal Cut向け形式で書き出し
• 80以上の言語へのAI翻訳

料金（年払い）： Basicは月額$8.50、Proは月額$19、Businessは月額$59。人手字幕は1分あたり$2.00から。

最適な用途： 人手レビューの安全網と、重要コンテンツでの用語・タイミングの細かな管理が必要なプロ制作者。

Kapwing

Kapwingはブラウザベースの動画編集ツールで、字幕生成機能を内蔵しています。AIは単語単位の字幕を生成し、話者を自動検出します。話者ごとにフォント、色、背景をスタイリングできるため、インタビュー形式の動画に便利です。フル機能の編集ツールなので、字幕ファイルを出すだけでなく、字幕を動画に焼き込んだMP4として書き出すこともできます。

主な字幕機能：

• 100以上の言語で字幕生成、話者ごとのスタイル設定
• SRT、VTT、TXTで書き出し、または動画への字幕焼き込み
• アクセシビリティ用途向けのクローズドキャプション対応出力
• 100以上の言語への字幕翻訳
• ブラウザ上のフル動画編集ツールに統合

料金： 無料プランは透かし付き。Proは年払いでメンバー1人あたり月額$16、月1,000分までの字幕に対応。Businessはメンバー1人あたり月額$50、4,000分まで。

最適な用途： 生成、スタイル調整、焼き込みを同じエディタ内で行いたいチームやクリエイター、またはアクセシビリティ対応のクローズドキャプションが必要な人。

VEED

VEEDはオンライン動画編集ツールで、100以上の言語の自動字幕生成を備えています。SRT、VTT、TXTで書き出せるほか、字幕を動画に焼き込むこともできます。VEEDはTikTok、Reels、Shorts向けのアニメーション・動的キャプションスタイルが充実しており、トリミング、カット、オーバーレイなどの一般的な編集機能と字幕作成を組み合わせられるため、SNSクリエイターに人気です。

主な字幕機能：

• 100以上の言語で自動字幕生成
• 短尺SNS動画向けのアニメーション／動的キャプションスタイル
• SRT、VTT、TXTで書き出し、または動画への字幕焼き込み
• 125以上の言語への字幕翻訳

料金： 執筆時点でVEEDの公開プランは独立して確認できませんでした。登録前にveed.io/pricingで最新プランを確認してください。

最適な用途： TikTokやReelsらしい見た目の、スタイリッシュな焼き込み字幕を作りたい短尺SNS動画クリエイター。

Vocova

Vocovaは私たち自身の製品ですが、比較を網羅的にするためここに含めています。100以上の言語と自動言語検出に対応した、Webベースの文字起こし・字幕ツールです。単語単位のタイムスタンプを生成するため、テンポの速いコンテンツでも十分に正確なタイミングを出せ、SRTまたはVTTで書き出せます。特徴は多言語出力です。140以上の言語への翻訳に加え、原文と翻訳を1つの字幕ファイルに入れるバイリンガル書き出しに対応しており、2つの言語圏の視聴者に同時に届けたい場合に便利です。

すでに他の場所に公開されているコンテンツを扱う場合、VocovaはYouTube、TikTok、Vimeo、Instagram、Zoom、Microsoft Teams、Google Meetなど1,000以上のソースから直接インポートできます。URLを貼り付けると、音声を取得して字幕を生成し、元ファイルをダウンロードせずに書き出せます。

主な字幕機能：

• 単語単位のタイミング付きSRT/VTT書き出し
• 100以上の言語で自動言語検出
• 140以上の言語への翻訳と、1ファイル内のバイリンガル書き出し（原文＋翻訳）
• YouTube、TikTok、Zoom、Teams、1,000以上のプラットフォームからURLインポート
• 話者ラベルとバッチアップロード

料金： 無料プランは30分とTXT書き出しを含みます。Plusは年払いで月額$7.50から、月1,800分、SRT/VTT書き出し、話者ラベル、全形式、最大5GBファイルを利用できます。Proでは無制限の文字起こしが追加されます。注意：Vocovaが出力するのは字幕ファイルです。動画への焼き込みやアニメーションキャプションスタイルは提供しないため、スタイリッシュなSNSクリップ向けには適していません。

最適な用途： 多言語字幕やバイリンガル字幕ファイルが必要なクリエイター、またはYouTube、TikTok、会議録画などのソースをURLから取り込む人。

Zubtitle

Zubtitleは、SNS動画にキャプションを追加することに特化したツールです。話されている言語でキャプションを生成し、その後、アニメーションテキスト、見出し、ブランド要素でスタイルを調整できます。正方形、縦型、横型などのアスペクト比にリフレームし、各プラットフォーム向けに整えた焼き込み字幕を作れます。上記のフル編集ツールより範囲は狭く、キャプションは同一言語のみ（翻訳なし）、書き出しもSRTまたはTXTです。ただし、その特化によって短尺動画の作業は速くなります。

主な字幕機能：

• 60以上の言語でAIキャプション生成（話されている言語のみ、翻訳なし）
• アニメーションキャプション、見出し、ブランドオーバーレイ
• 各プラットフォーム向けのアスペクト比リフレームと焼き込み字幕
• SRTおよびTXT書き出し

料金： 無料のBootstrapperプラン（2本/月、透かし、720p）。Guruは月額$19で月10本、4K、透かしなし。Agencyは月額$49で月30本。

最適な用途： 1つの言語でブランド付きの焼き込みキャプションを作りたい短尺SNS動画クリエイター。翻訳や外部VTTファイルは不要な場合。

比較表

料金と機能は2026年6月に確認。VEEDのプランは独立して確認できませんでした（上記の項目を参照）。ベンダーは料金や制限を頻繁に変更するため、購入前に各サイトで確認してください。

機能	Descript	Happy Scribe	Kapwing	VEED	Vocova	Zubtitle
対応言語	約24	150+	100+	100+	100+	60+
SRT書き出し	可	可	可	可	可	可
VTT書き出し	可	可	可	可	可	不可
翻訳	不可	80+（AI）	100+	125+	140+（バイリンガル可）	不可
内蔵動画エディタ	あり	なし	あり	あり	なし	一部
焼き込み字幕	可	主用途ではない	可	可	不可（ファイルのみ）	可
アニメーション字幕	不可	不可	可	可	不可	可
字幕／タイミング編集	可	可	可	可	基本	基本
URLインポート	不可	限定的	不可	限定的	1,000以上のプラットフォーム	不可
話者ラベル	可	可	可	不可	可	不可
人手レビュー	不可	可	不可	不可	不可	不可
無料プラン	限定的	限定的	透かし付き	透かし付き	30分	2本/月
開始価格	$16/月	$8.50/月	$16/月	veed.io参照	$7.50/月	$19/月

自分に合う字幕生成ツールの選び方

適切なツールは、字幕を付けた後に動画をどう使うかで決まります。

Descriptを選ぶべき場合： すでにDescriptで編集しているなら、字幕書き出しは既存ワークフローに自然に入ります。テキストベース編集で文言修正も速いです。ただし、字幕だけのために導入するには料金面でやや重いでしょう。

Happy Scribeを選ぶべき場合： 精度を最優先し、人手レビューの安全網と、専門用語向けのカスタム語彙が必要な場合。

Kapwingを選ぶべき場合： 生成、スタイル調整、焼き込みを1つのエディタで行いたい場合。特にチーム作業やアクセシビリティ対応のクローズドキャプションに向いています。

VEEDを選ぶべき場合： TikTokやReelsに合うアニメーションキャプション付きの短尺SNS動画を作る場合。契約前に公式サイトで現在の料金を確認してください。

Vocovaを選ぶべき場合： 多言語字幕やバイリンガル字幕ファイルが必要な場合。この6ツールの中で、140以上の翻訳先と1ファイル内のバイリンガル書き出しを組み合わせているのが特徴です。ソースがYouTube、TikTok、会議録画にある場合、1,000以上のプラットフォームからのURLインポートも時間短縮になります。一方で、動画への焼き込みやアニメーションスタイルはないため、スタイリッシュなSNSクリップにはVEEDやZubtitleの方が合います。

Zubtitleを選ぶべき場合： 1つの言語の短尺SNS動画だけを作り、ブランド付きの焼き込みキャプションを専用ツールで素早く作りたい場合。

AI字幕の精度は実際どのくらいか？

すべての状況で精度の「勝者」になるツールはありません。実際の精度は、音質、訛り、背景ノイズ、そして特に言語に左右されます。きれいな英語のスタジオ音声では非常にうまくいくモデルでも、ノイズの多い複数話者の録音や、対応データの少ない言語では苦戦することがあります。ベンダーが掲げる「99%」や「99.9%」といった数字は、きれいな音声で測ったマーケティング上の主張であり、あなたの素材に対する保証ではありません。

精度の測り方については単語エラー率を、言語ごとの差については言語別の文字起こし精度をご覧ください。最も信頼できるテストは無料でできます。自分の素材から代表的な1〜2分の短い音声を選び、ツールの無料プランに通して出力を読むだけです。実際に扱う音声を使うため、公開ベンチマークよりもはるかに参考になります。

よくある質問

最も精度の高いAI字幕生成ツールはどれですか？

音声と言語によって変わるため、万能の勝者はありません。きれいな音声では、主要なAIツールはベンダーが示す85〜95%程度の範囲に収まることが多いです。Happy Scribeは、誤りが許されないコンテンツ向けに最大99%とされる人手字幕オプションも提供しています。誠実に比較するなら、自分の短い音声クリップを2〜3ツールの無料プランに通し、結果を直接読むのが一番です。

YouTubeではどの字幕形式を使うべきですか？

YouTubeはSRTとVTTの両方を受け付けますが、SRTが最も広く対応しており、安全なデフォルトです。VTTには一部のスタイル指定があり、HTML5動画プレイヤーでは必要になることがあります。詳しくはSRT vs VTTの比較をご覧ください。

1本の動画から複数言語の字幕を作れますか？

はい。翻訳機能を内蔵したツールなら可能です。Vocovaは140以上の言語に翻訳し、バイリンガル書き出し（2言語を1ファイルに含める）に対応します。VEEDは125以上、Happy Scribeは80以上の言語に対応します。なお、ZubtitleとDescriptは翻訳に対応していません。話されている言語の字幕のみを作成します。

AI字幕が詰まって見えたり、速すぎたりするのはなぜですか？

ほとんどの場合、ツールが読みやすい速度で分割していないためです。プロの字幕制作者が使う目安として、1秒あたり約17〜20文字、1行42文字以内、1キュー最大2行を意識してください。これらの基準に沿って自動分割するツールを選ぶか、Happy ScribeやDescriptのようなエディタ付きツールで長すぎるキューを分割し、タイミングを修正しましょう。

字幕とクローズドキャプションのどちらが必要ですか？

字幕は、音声を聞ける視聴者向けに会話を文字起こしまたは翻訳するものです。クローズドキャプションは、聴覚に障害のある視聴者向けに効果音や音楽などの非音声情報も含み、アクセシビリティ上の特定の義務に関係します。この違いは法的にも重要です。どちらが必要かはクローズドキャプション vs 字幕ガイドを参照してください。

AI生成字幕はプロ用途に十分ですか？

ほとんどのYouTube、SNS、企業動画では、AI字幕は軽い手動確認を加えれば十分です。放送、法務、アクセシビリティが重要な用途では、人手レビューを追加してください。Happy Scribeはそれを組み込んで提供しており、他のツールでもAI生成字幕ファイルを書き出して、公開前に編集者へ確認してもらえます。