ドキュメントサイトに、ナレーション付きの製品デモ動画(約3分のMP4)を載せることになりました。社内レビューで出た指摘は「オフィスや電車で音を出さずに見る人が多いので、字幕を付けてほしい。ただし邪魔な人もいるので、オン・オフできるように」というものです。
動画に字幕を焼き込むと消せなくなるので、今回はHTMLの <track> 要素とWebVTTファイルで、ブラウザ標準の字幕として表示する方法を選びました。この記事では、MP4から字幕の下書きを作り、.vtt を書き出して、ページで表示するまでの手順と、実際につまずいた点をまとめます。
補足:手順②で使っている文字起こしツールは、筆者が開発に関わっているものです。手順自体は、VTTを書き出せるツールであれば同じように使えます。
① 環境と入力・出力
| 項目 | 内容 |
|---|---|
| 入力 |
demo.mp4(H.264 / AAC、日本語ナレーション、約3分) |
| 出力 |
demo.ja.vtt(WebVTT、UTF-8) |
| 表示先 | 静的なドキュメントサイト(HTMLを直接編集できる) |
| 確認ブラウザ | Chrome、Firefox、Safari の最新版 |
ゴールは「動画ファイルはそのまま、字幕は別ファイルで管理し、ユーザーがプレーヤーのCCボタンで切り替えられる状態」です。字幕を別ファイルにしておくと、製品名の修正や英語字幕の追加があっても動画を書き出し直さずに済みます。
② 動画をアップロードして字幕の下書きを作る
字幕を一から手で打つと、ナレーションを聞きながらタイムコードを合わせる作業が一番重くなります。そこで最初の下書きは自動の文字起こしに任せました。使ったのは AudioToText の video to text converter で、MP4をアップロードして動画を文字起こししてWebVTTで書き出すところまでをブラウザ上で行えます。
やったことは次のとおりです。
-
demo.mp4をアップロードする(MOV や AVI などにも対応しています) - 言語は日本語のまま、モードを選ぶ。ナレーションが1人だけなので話者認識はオフ
- 文字起こしが終わったら、再生しながらタイムスタンプ付きのテキストを確認する
- 書き出し形式で VTT を選んでダウンロードする(SRT や TXT も選べます)
ここで一つ先に知っておくとよかったのが Vocabulary Groups です。製品名や社内用語を事前に登録しておくと、認識のヒントになります。今回は最初これを使わずに変換したため、④で書く製品名の誤認識が起きました。
また、このツールが起こすのは音声だけで、画面上のテキスト(スライドやUIの文字)は拾いません。デモ中に画面の文字だけで説明している箇所があれば、字幕に手で補う必要があります。
③ 最小構成のHTMLとVTTファイル
VTTファイルの中身
書き出したファイルを開くと、次のような構造になっています(内容は説明用に短くしたものです)。
WEBVTT
00:00:00.500 --> 00:00:03.800
このデモでは、Kumologの
ダッシュボードを紹介します。
00:00:04.000 --> 00:00:07.600
まず、左のメニューから
プロジェクトを選びます。
00:00:08.000 --> 00:00:11.200
[クリック音]
フィルターを追加すると、
一覧がすぐに更新されます。
押さえておくポイントは3つです。
- 1行目は必ず
WEBVTTで始める(BOMなしのUTF-8が無難) - タイムコードは
時:分:秒.ミリ秒。区切りはピリオドです。SRTはカンマ(00:00:03,800)なので、SRTを流用するときはここで表示されなくなります - キューとキューの間は空行で区切る。キュー内の改行はそのまま字幕の改行になります
kind="captions" にする場合は、聴覚に頼らない視聴を想定して [クリック音] のような効果音の説明を入れておくと親切です。
HTML
<video controls width="960" preload="metadata">
<source src="/media/demo.mp4" type="video/mp4">
<track
kind="captions"
src="/media/demo.ja.vtt"
srclang="ja"
label="日本語"
default>
お使いのブラウザは動画の再生に対応していません。
</video>
default を付けると最初から字幕が表示され、プレーヤーの字幕ボタンでオフにできます。最初は非表示にしたい場合は default を外します。
ページ側にも切り替えボタンを置きたかったので、次のような小さなスクリプトを追加しました。
const video = document.querySelector('video');
const button = document.querySelector('#toggle-captions');
button.addEventListener('click', () => {
const track = video.textTracks[0];
const showing = track.mode === 'showing';
track.mode = showing ? 'hidden' : 'showing';
button.setAttribute('aria-pressed', String(!showing));
});
配信時の注意
-
MIMEタイプ:
.vttはtext/vttで配信します。サーバー設定にない場合、ブラウザによっては読み込まれません。nginxならtypes { text/vtt vtt; }、ApacheならAddType text/vtt .vttを追加します - 同一オリジン:VTTを動画ページと同じオリジンに置くのが一番簡単です
-
別オリジン(CDNなど)に置く場合:
<video>にcrossorigin="anonymous"を付け、VTT側のレスポンスにAccess-Control-Allow-Originヘッダーが必要です -
ローカル確認:
file://で開くとトラックが読み込まれないことがあるので、python3 -m http.serverなどで簡易サーバーを立てて確認します
④ つまずいた点:製品名と改行
製品名の誤認識
自動の下書きで一番多かった修正は製品名でした。ナレーションでは「クモログ」と発音していますが、下書きでは一般的な単語として認識されていました。
00:00:00.500 --> 00:00:03.800
このデモでは、雲ログの
ダッシュボードを紹介します。
00:00:00.500 --> 00:00:03.800
このデモでは、Kumologの
ダッシュボードを紹介します。
同じ誤りが何か所もあったので、書き出す前にエディタの Find & Replace でまとめて置き換えました。VTTをテキストエディタで直すより、タイムスタンプを崩す心配がないので安全です。次の動画からは、Vocabulary Groups に製品名を最初から登録しています。
長すぎるキューの分割
もう一つは、1つのキューに文が長く入りすぎて、画面の下3分の1を字幕が覆ってしまう問題です。
00:00:12.000 --> 00:00:19.500
設定画面では通知の頻度とメールの送信先とSlack連携の有無をまとめて変更できるので、チームごとに使い分けてください。
今回は「1行20文字前後・1キュー2行まで・文の途中で切るなら助詞の後」というルールを自分たちで決め、次のように2つに分けました。
00:00:12.000 --> 00:00:15.600
設定画面では、通知の頻度と
メールの送信先をまとめて変更できます。
00:00:15.600 --> 00:00:19.500
Slack連携の有無も同じ画面で
チームごとに切り替えられます。
分割したときは、新しい区切り位置の時刻をナレーションに合わせることが大事です。再生しながら「字幕が出るタイミングが声より早すぎないか」を確認し、ずれていれば数百ミリ秒単位で調整しました。
ブラウザでの最終確認
最後に Chrome、Firefox、Safari でそれぞれ次の点を確認しました。
- 字幕ボタンでオン・オフが切り替わるか
- ミュート再生で、字幕だけで内容が追えるか
- 全画面表示でも字幕が表示されるか
- 文字化けがないか(UTF-8で保存されているか)
まとめ
- 字幕は動画に焼き込まず、
<track>+ WebVTT で別管理にするとオン・オフも修正もしやすい - 下書きは自動の文字起こしで作り、製品名と改行だけは人が見直す
-
text/vttのMIMEタイプ、タイムコードのピリオド、別オリジン時のCORSに注意する
自動で作った字幕はあくまで下書きです。特に製品名や数値は、必ず再生しながら確認してから公開するのがおすすめです。