字幕ファイルの内訳、三つの層で読む
最終更新日:
本ページは、W3C・ARIB・配信事業者・字幕制作事業者の公開仕様や公開資料で2026年10月29日に確認できた内容を整理したものです。個別の依頼先ごとの納品仕様の詳しい確認は、各仕様の原文と依頼先への問い合わせで行ってください。
字幕は「文字データがいつ表示され、消えるか」という時間情報と、「どの形式で文字を定義するか」という形式情報、そして「どの配信先・放送で使うか」という流通情報の三つで組み立てられます。よく名前を聞くSRTは、時間の始点と終点を付けて一行のテキストで字幕を記述するシンプルな形式で、多くの編集ツールや配信ツールが対応しています。ARIB規格は日本の放送で使われる字幕・文字多重放送の規格であり、放送の聴覚補助（文字放送）の運用と深く結びついています。OTT（配信プラットフォーム）向けには、提出先が柔軟な記述を持つTTMLやIMSCという国際規格が広く使われ、これらの間で形式変換を行うのが実務です。
この三層の理解は、字幕の仕事が「翻訳」だけではないことを示します。表示のタイミング、一行の文字数と改行位置、色や位置など、見た目の設計は形式と流通の層で考えられています。IMAGICAエンタテインメントメディアサービスの公式ページは、日本語字幕の制作に加えて字幕データの作成・変換（IMSC1.1対応）を行うと公表しており、字幕の「データ変換」が独立の工程であることを示しています。
字幕制作のフロー、翻訳から時間軸、そして検査
字幕制作の工程は、脚本の区分から始まります。まず原作の台詞を正しく切り出し、話者ごとに区切ります。次に翻訳です。字幕は文としてだけでなく、セリフとしての短さと時系列と「読みやすさ」を両立させる必要があります。セリフの翻訳では、原文の情報量を目標言語の省略で保ちながら、視聴者が読み切れる長さに整えるのが考慮の中心です。
続いて時間軸の設計です。字幕の表示は、台詞が始まる・終わるタイミングと一致させるのが基本です。カットの切れ目と字幕の切れ目をどう整合させるか、台詞がカットをまたいで続く場合の表示の継続、字幕が消えるまでの最短時間や間隔といった設計を「字幕のタイミング」という作業として行います。編集ソフトでは、この時間軸を音声の波形や映像と並べて視覚的に調整します。タイミングの初め部分はAIによる自動生成が利用されるようになっていますが、最終的な切れ目の判断は人が確認する構造が残っています。
そして検査です。誤字脱字のチェック、字幕が画面から外れていないか、文字の見え方、意図が反対に読まれないか、字数の制限や改行位置など、再生画面で確認する工程です。字幕の検査は、作ったデータを一つの機器で確認しただけで足りず、異なる機器で見たときの表示の違いを考える点が特徴であり、配信先や再生環境ごとに見た目が変化することを許容される構造になっています。検査が済むと、配信先が指定する形式（SRT、IMSC1.1、制作ツール固有の形式など）に変換して納品します。
表示速度と字数、「読み切れる」の基準をどう決める
字幕の読みやすさには、表示速度（1秒あたりに読ませる字数）と一行の字数という二つの基準があります。字幕の表示速度には、一般に「この文字数をこの秒数で見せてよいか」という制限が存在し、放送や配信で共通して確認される基準として設けられています。具体的な数値は、配信先や放送局の制定する仕様・ガイドライン、作品の言語や表記の長さなどにより異なり、通用する一つの数値はありません。実際の制作では、依頼元が指定する基準（文字数・表示速度・改行ルール）に従い、字幕の文字数や位置を整えます。
字幕の言葉は、表示できる長さと読みやすさの両方を合わせる必要があり、一つの字幕が短すぎると内容が途切れ、長すぎると時間軸上の読みやすさが減ってしまいます。日本語の字幕では、他言語とは表記の単位が異なるため、字幕一行の文字数や話者の分割の扱いが別の基準になります。基準は、放送や配信事業者、制作会社がそれぞれ設けることが多く、公開資料として読める場合と、個別の契約や仕様書の中で示される場合があります。そのため、字幕の納品時には「基準がどこに明示されているか」を確認すること自体が重要な作業になります。
AI自動字幕の登場は、この工程に変化をもたらしています。AIが切り出したタイミングや翻訳を人間が整える形の作業が増えましたが、競作の字幕と同様に、最終的に納品する形（字数・表示速度・行の切れ目）は、依頼元の仕様に合うように確認する必要があります。これは字幕の「誰の目で見ても読める」基準が、まだ人間の判断に置かれていることを示しています。
SDH字幕と音声解説、読者を広げる二つの形式
字幕には、もう一つの視点があります。SDH（Subtitles for the Deaf and Hard of Hearing）は、会話に加えて環境音や効果音、話者の区別を文字で伝えるアクセシビリティ向けの字幕です。会話の翻訳とは異なり、音楽や効果音の説明を字幕の中に書き加える工夫が求められます。音声解説（Audio Description）は、もう一方の形式で、場面の様子や人物の動きを音声で説明する方法です。二つとも「映像の内容を別の感覚に橋渡しする」役割を持ち、字幕・吹替と組み合わせられる形が配信で進められています。
アクセシビリティの形式は、視聴者の広がりとともに制作の規模を増やしています。多くの国へ同時展開される作品では、字幕と吹替に加えて、多数の言語版のSDH字幕や音声解説が要求される場合があります。この点は、ローカライズが「言語版を増やす」ことにとどまらず、「一つの作品を多くの視聴者が利用できる形に整える」ことへと広がっていることを示しており、字幕の仕事が依然として中心の工程であり続ける理由になっています。字幕の翻訳と、SDHや音声解説の設計が、別の専門性として並んでいる点が現実の状況です。
字幕の規格を読むための整理
字幕の規格は複雑に見えますが、三つの層で読むと整理がしやすくなります。第一の層は「言語と内容が正しいか」で、翻訳と翻訳検査の問題です。第二の層は「時間と形式が正しいか」で、字幕のタイミング、文字データの形式、表示位置・改行の設計が関わります。第三の層は「流通が正しいか」で、配信先や放送の仕様に沿って納品されているかが問われます。字幕制作の専門家は、この三つの層を同時に確認する仕事を担ってきたといえます。
字幕の作業がAIで自動化されても、三つの層の整合を取る仕事が消えるわけではありません。特に第三の層は、配信先ごとの仕様の差異が大きく、納品時のデータ変換を確認する実務が残っています。IMAGICAエンタテインメントメディアサービスがIMSC1.1に対応した字幕データの作成・変換を行うと公表しているのは、この層の仕事が産業の場で不可欠であることを示す一例です。字幕の規格は、作品の「届け方」の規格そのものであり、映像ローカライズに欠けてはならない部分と言えます。
一次情報の確認先
- W3C（TTMLとIMSCの国際規格）：TTML Profiles for Internet Media Subtitles and Captions 1.1
- 一般社団法人電波産業会 ARIB（放送の文字放送・字幕規格）：ARIB 公式サイト
- IMAGICAエンタテインメントメディアサービス（日本語字幕制作・IMSC1.1対応の字幕データ変換）：日本語字幕版制作
- 東北新社 音響字幕制作事業部（字幕・吹替・バリアフリー用の制作）：SERVICE