音声・動画を別の言語に翻訳する方法（二言語字幕付き）

最終確認日 2026-06-24。Vocova固有の制限（対応言語数、Plus / Pro の機能）は、その時点での現行プロダクト構成に一致しています。本記事の数値とアプリの表示が食い違う場合は、アプリが正となります。

録音物の翻訳は、1つの作業ではなく2つの作業です。1つ目は、元の言語で正確なトランスクリプトを得ること、つまり認識のパートです。これには言語検出やコードスイッチングといった独自の判断が伴い、複数言語の音声を文字起こしする方法で解説しています。本ガイドが扱うのは2つ目のパート、すなわちそのソーストランスクリプトを適切な翻訳成果物へと変換し、その結果を画面上やページ上で実際に機能させることです。

以下のすべてを支配する原則が1つあります。生の音声から直接ではなく、レビュー済みのソーストランスクリプトから翻訳すること。 翻訳はトランスクリプトに書かれている内容を、その誤りも含めて忠実に再現します。そのため、聞き間違えられた名前や数字は単に誤ったまま残るだけでなく、誤って翻訳され、1つの言語ではなく2つの言語で間違いになります。ここから先は、クリーンでタイムスタンプ付きのソースが手元にあることを前提とします。興味深い判断はすべて出力に関するものです。

どの成果物が実際に必要か。翻訳テキスト、二言語トランスクリプト、翻訳字幕、二言語字幕、あるいはボイスオーバーのどれか。
翻訳が物理的に収まるか。元の発話に要した時間内で、画面に収まるかどうか。
固有名詞や用語を一貫させること。ファイル全体を通して。
一度の作業で多言語に対応すること。同じ作業を繰り返さずに。

Vocovaは文字起こしと、140以上の対象言語への翻訳を1か所で処理します。そのためタイムスタンプや話者ラベルは、音声から翻訳済みの.srtに至るまで保持されます。音声には音声を翻訳、字幕には動画を翻訳、両方の言語を画面で共有したいときは二言語字幕から始めてください。

翻訳ワークフローの図：元音声が文字起こしになり、確認後に対象言語へ翻訳され、バイリンガル字幕として書き出される

レビュー済みのソースがすべての上限を決める。そのあとは忘れてよい

質の悪いトランスクリプトを翻訳で取り繕うことはできません。ソースの単語誤り率が20%なら、どんな翻訳ステップでも認識が失った意味を取り戻すことはできず、流暢で自信に満ち、しかも誤った対象言語のテキストを生み出すだけです。だからまずソースを直してください。とりわけ名前、数字、専門用語を。そして翻訳する前に各言語が現実的にどの程度の精度を出すかを知るために、上記の認識ガイドに加えて言語別の文字起こし精度を活用してください。

本ガイドがソースについて触れるのはこれが最後です。ここから先はソースがクリーンであることを前提とし、翻訳そのものについて述べます。

言語だけでなく成果物を選ぶ

「この動画を翻訳して」という一言には、5つの異なる出力が隠れています。間違ったものを選べば、エクスポートをやり直すことになります。あるいはもっと悪い場合、誤ったフォーマットを視聴者に届けてしまいます。

成果物	それが何か	最適な用途	注意点
翻訳テキスト	対象言語のみのクリーンなドキュメント	レポート、記事、単一言語の読者との共有	タイミングを失う。動画には不向き
二言語トランスクリプト	ソースと翻訳を1行ずつ対にしたもの	レビュー、QA、研究での引用、語学学習	校正するテキストが2倍
翻訳字幕	対象言語のみの`.srt` / `.vtt`	動画を1つの言語コミュニティに公開する	テキスト膨張がタイミングを超過しうる（後述）
二言語字幕	両言語を1つのキューに重ね、1つのタイムスタンプを共有	チュートリアル、語学学習、混在またはグローバルな読者	1キューあたり2行のテキスト。各行を短く保つこと
ボイスオーバー / 吹き替え	元音声の上に重ねる対象言語の音声トラック	視聴者が字幕を読まない解説動画や広告	タイミングに合わせるのが最も難しい。通常は人手の確認が必要

ほとんどのチームにとって正直なデフォルトは、単一市場向けには翻訳字幕、レビュアーや学習者、多言語チームが両方を見る必要があるときは二言語字幕です。二言語字幕と動画を翻訳は字幕ファイルを直接生成し、二言語トランスクリプトのエクスポートはドキュメントや研究をカバーします。

スペイン語の原文と英語訳を並べ、インライン修正を表示するバイリンガル文字起こしエディター

プラットフォームの自動翻訳をそのまま使えばいいのでは？

YouTubeをはじめ大半の動画プラットフォームは、ワンクリックで自動翻訳されたキャプションを提供しています。クリップを個人的に理解する分には問題ありません。しかし公開するものについては、構造的に3つの問題があります。

レビュー済みのソースではなく、欠陥のあるキャプションを翻訳する。 自動生成されたキャプションにはすでに認識エラーが含まれており、自動翻訳はその間にレビューのステップを挟むことなく、それらのエラーをそのまま翻訳します。
用語やタイミングを制御できない。 誤訳された製品名を直したり、1つの一貫した用語を強制したり、超過した行を縮めたりはできません。プラットフォームが出力するものをそのまま受け取るしかありません。
ファイルを所有できない。 キャプションはそのプラットフォーム上にとどまり、レビュー済みの1つの.srtを、YouTube、自社サイト、LMS、クライアント向け成果物にわたって再利用することはできません。

専用のワークフローはこの3つすべてを逆転させます。まずソースをレビューし、用語とタイミングを制御し、そして自分が所有する持ち運び可能な字幕ファイルをエクスポートします。手早く個人的な要点を掴むには自動翻訳を、自分の名前が付くものにはレビュー済みの翻訳を使ってください。

方向、ピボット、そしてレイアウトを変える文字

対象言語について、生の「140以上の言語」という数よりも重要なことが2つあります。

英語が最も強力なピボットです。 英語へ、または英語からの翻訳は、たいてい最も正確な方向です。モデルが英語のペアで最も多く学習されているからです。スペイン語 → 日本語の作業は、英語をレビューの基準として扱うとしばしばクリーンになります。品質は各言語に存在するデータ量によっても段階づけられています。言語別の文字起こし精度にそのティアリストがあります。

一部の対象言語の文字は、単語だけでなくレイアウトを変えます。 そして、ここが翻訳動画がひそかに壊れる箇所です。

右から左へ書く言語（アラビア語、ヘブライ語、ペルシャ語、ウルドゥー語）： テキストの方向が反転します。RTLの行に埋め込まれた数字、ラテン文字のブランド名、句読点には正しい双方向処理が必要で、字幕は右揃えにすべきです。RTLの描画が下手なプレーヤーは、正しい翻訳を台無しにします。
CJK（中国語、日本語、韓国語）： これらは42ラテン文字という行ルールを使いません。独自の1行あたりの文字数制限と改行規則があり（ラテン文字のように単語の途中で改行することはできません）、英語に比べてふつう膨張ではなく収縮します。
タイ語やその他のスペースを使わない文字： 改行はスペースではなく単語の分割に依存します。素朴な折り返しは壊れた行を生みます。

対象がこれらのいずれかである場合は、テキストだけでなく実際のプレーヤーでの描画を確認する時間を確保してください。

字幕翻訳は別の技術である。膨張、読み取り速度、書き直し

ここが、読める翻訳と、読めないまま流れ去る翻訳とを分ける部分です。翻訳された字幕は、元の発話に要したのと同じ時間内で読みやすくなければなりません。そして、ほとんどの言語は同じ長さには翻訳されません。

テキスト膨張が核心的な問題

翻訳されたテキストがソースの長さと一致することは稀です。英語に対する典型的な変化（ローカライズの経験則。保証ではなく範囲として扱ってください）：

対象言語ファミリー	英語に対する典型的な長さ	字幕への影響
ドイツ語	+10% から +35%	頻繁に超過する。縮約を見込むこと
ロマンス語（スペイン語、フランス語、イタリア語、ポルトガル語）	+15% から +30%	速い発話でしばしば超過する
アラビア語	+20% から +25%	膨張かつ方向が反転する
中国語、日本語、韓国語	−10% から −30%（収縮）	容易に収まるが、1行あたりの文字数制限に従う

翻訳された行がその時間枠に対して長すぎる場合は、文言を縮約します。決して次のキューを越えてキューを延ばすことはしません。 それはファイルの残りの同期を崩すからです。縮約（フィラーを落とし、意味を保ちながら言い回しを引き締めること）は実際の字幕技術であり、また、字幕では普通のドキュメントよりも人手の確認が重要になる理由でもあります。

読み取り速度と行の制限

これらは広く使われている放送・ストリーミングの規範です（末尾にリンクしたBBCとNetflixのガイドラインを参照）：

読み取り速度： 成人向けの読者にはキューをおおむね1秒あたり17文字未満に保ちます。子ども向けコンテンツや速いカットではより低く。
行の長さ： ラテン文字では1行あたり約42文字、1キューあたり最大2行。CJKは独自の文字数を用います（一般的に1行あたり全角13〜16文字程度）。
最小／最大の表示時間： きわめて短い点滅（1秒を大きく下回るもの）も、きわめて長い保持も、どちらも読みやすさを損ないます。

二言語字幕は、1つのキューの中でソースを翻訳の上に重ね、1つのタイムスタンプを共有します。両方の行が1つのキューを共有するため、それぞれを引き締めて保ってください。2つの言語で2つの長い行は、読み取り速度の制限を最も速く超過させる方法です。

各キューで同じタイムスタンプに原文行と翻訳を表示するバイリンガルSRT字幕ファイルのプレビュー

コンテナそのものについて、つまり.srtと.vttをいつ選ぶかについては、SRT vs VTTと字幕ファイル形式の完全ガイドを参照してください。翻訳をレビューしたら、SRTジェネレーターまたはVTTジェネレーターでファイルを生成します。

翻訳全体を通して固有名詞と用語を一貫させる

最も微妙な翻訳の失敗は、間違った文ではありません。それは、1つのファイル全体にわたって同じ用語が3通りに訳されていることです。AI翻訳はセグメント単位で動作するため、製品名や役職名、専門用語がキュー間でぶれることがあります。とりわけ長い録音物にわたるときや、複数の話者がそれを異なる言い方で言うときに起こります。

公開する前に、小さな用語集を固めておきましょう。

固有名詞 — 人物、企業、製品、地名 — は、毎回ソースの形のままにするか、合意した1つの表記を使うべきです。
専門用語と頭字語 — 1つの対象言語の訳語を選び、一貫して使います。モデルに使い分けさせてはいけません。
トーンとレジスター — 丁寧形か砕けた「あなた」か（tú/usted、du/Sie、你/您）は、読者に合わせて作品全体で1つの選択にすべきです。

横並びの二言語ビューがあればこれは速く済みます。翻訳の列を見て用語を探し、すべての出現箇所を直せば、タイムスタンプは一切動きません。この一貫性のためのパスは安価であり、「機械翻訳」と「ローカライズ済み」とを分けるものです。

作業をやり直さずに1本の動画を多言語へローカライズする

翻訳における最大の効率化は、高コストの作業が一度だけ発生することです。** ソース**トランスクリプトのレビューは1回だけ行い、すべての対象言語はその1つのクリーンな元データから枝分かれします。これは、1本の動画を5回ゼロから翻訳するのとは正反対です。

現実的な多言語の作業の例 — 5つの市場へ展開する90秒の製品動画：

ソースを一度だけ文字起こししてレビューする（約10分）。 元データの名前、製品用語、数字を直します。これが唯一の言語非依存の手作業ステップです。
そのソースから5つすべての対象言語へ翻訳する（合計で数分）。 どれも同じタイムスタンプを引き継ぐため、5つの字幕ファイルはすべて動画と同期したままになります。
言語ごとのフィットパスを、長い言語から先に行う。 ドイツ語とロマンス語には超過するキューが1〜2個あるはずなので、それらを縮約します。CJKの対象言語は通常、改行のチェックだけで済みます。
言語ごとに.srtを1つエクスポートする（市場が両方を求める場合は二言語ファイルも）。

合計すると、ほとんどの時間は1回のソースレビューと、言語ごとの短い縮約パスです。5回の完全な翻訳ではありません。レビュー済みのソースを正規版として保ちましょう。スクリプトが変わったら、5つのファイルを手で編集するのではなく、更新されたソースから翻訳し直します。

人手を介在させるべきとき

AI翻訳は多くの定型作業ではそのまま公開でき、残りでは人手の確認を要します。判断のシンプルな方法：

状況	AIのみで通常は問題なし	人手の確認を入れる
社内メモ、会議の要約、要点、字幕のドラフト	✓
高リソースのペア（英語 ↔ スペイン語/フランス語/ドイツ語/ポルトガル語）	✓（軽いレビュー）
マーケティング、ブランド、または対外的な動画		✓
法務、医療、規制関連、または公開される研究		✓
低リソースの対象言語		✓
ボイスオーバー／吹き替え（タイミング + 話し方）		✓

パターンはこうです。リスクが低くペアのリソースが高いほど、AIのみが安全です。迷ったら二言語版を出して、流暢なレビュアーがソースと素早く比較できるようにしましょう。

翻訳動画の公開前チェックリスト

ソーストランスクリプトを翻訳する前にレビューした（名前、数字、用語）。
適切な成果物を選んだ（翻訳字幕か、二言語字幕か、ボイスオーバーか）。
膨張後にどのキューも約17 CPSや1行約42文字を超えていない。長い言語は延ばすのではなく縮約した。
RTL/CJKの描画を、テキストだけでなく実際のプレーヤーで確認した。
すべての固有名詞、用語、そして丁寧形/砕けたレジスターについて、一貫した1つの表記にした。
エクスポートしたファイルでタイムスタンプと話者ラベルがまだ揃っている。
多言語の作業の場合：正規のレビュー済みソースは1つ、言語ごとにファイルは1つ。

よくある質問

翻訳字幕と二言語字幕の違いは何ですか？

翻訳字幕は対象言語のみを表示します。二言語字幕は両方の言語を同じキューに重ね、1つのタイムスタンプを共有します。語学学習者、チュートリアル、混在した読者に役立ちます。どちらも同じレビュー済みでタイムスタンプの揃ったトランスクリプトから生まれるため、どちらを作るかは単なるエクスポートの選択です。

翻訳字幕が溢れたり、速く流れすぎたりするのはなぜですか？

ほとんどの言語が翻訳されると膨張するからです。ドイツ語とロマンス語は日常的に英語より20〜35%長くなります。修正方法は、元の時間枠に収まるよう文言を縮約することであり、決してキューを延ばすこと（それより後ろのすべての同期が崩れます）ではありません。キューは1秒あたり約17文字未満に保ちましょう。

2つの言語を1つの字幕ファイルに入れられますか？

はい、それが二言語字幕です。各キューが、1つのタイムスタンプの下に元の行を翻訳の上に重ねて保持します。両方の行は短く保ってください。キューの読み取り速度の予算を共有するからです。

字幕が自分で翻訳されるのですか、それともトランスクリプトを翻訳するのですか？

レビュー済みのトランスクリプトを翻訳し、字幕ファイルはそこからタイムスタンプを保ったままエクスポートされます。すでに焼き込まれた、あるいはすでにエクスポートされた字幕を別途翻訳することこそが、タイミングと用語の一貫性を壊します。翻訳はタイムスタンプ付きのトランスクリプトに結び付けておきましょう。

1本の動画を複数の言語へ効率的に翻訳するにはどうすればよいですか？

ソーストランスクリプトを一度レビューし、その1つのクリーンなソースを各対象言語へ翻訳します。どの対象言語も同じタイムスタンプを引き継ぐため、動画を繰り返し翻訳するのではなく、言語ごとの短いフィットパス（膨張した言語を縮約する作業）を行うだけで済みます。

翻訳動画にはどの字幕形式を使うべきですか？

互換性を最大化するなら.srt、ウェブのスタイリングや位置指定が必要なら.vttです。この選択はどの字幕でも同じであり、翻訳によって変わるのは行の長さと読み取り速度です。完全な比較はSRT vs VTTを参照してください。

AI翻訳は公開できるほど良いですか？

社内利用と高リソースの言語ペアであれば、軽いレビューの後で通常は十分です。マーケティング、法務、医療、公開される研究、低リソースの言語、あるいはボイスオーバーには、人手を介在させてください。ソースの品質も上限を決めます。ノイズの多いトランスクリプトは、どのペアであってもうまく翻訳できません。

出典とさらに読む

外部：

BBC字幕ガイドライン — 読み取り速度と行の長さの基準。
Netflixタイムドテキスト・スタイルガイド — CJKの文字数制限を含む、言語別の字幕要件。
W3C国際化：翻訳におけるテキストサイズ — 翻訳テキストが膨張・収縮する理由。