0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

日本語字幕を文節で改行する(Python + Janome、そのまま動く 90 行)

0
Last updated at Posted at 2026-10-20

動画マニュアルや広告動画を自動で作るアプリとAPIを開発しています。その中で毎回いちばん手こずるのが字幕です。文字起こし自体は自動でできるようになりましたが、出てきた字幕はこんな行になりがちです。

今日はこの製品の初期設定を説明しま
す。

文字数だけを数えて折り返しているので、語の途中で切れます。英語には空白があるので、空白で切ればそれなりに見えます。日本語・中国語・韓国語にはその手がかりがなく、読みやすい字幕と読みにくい字幕の差は「切れ目が文節の間にあるか、中にあるか」で決まります。

見た目だけの問題ではありません。視聴者は字幕を一瞬で読みます。助詞が名詞から切り離された行は読み直しを強い、ショート動画ではその 1 秒が致命的です。字幕編集ソフトで 1 行ずつ手直しすれば直りますが、本数が増えると手作業では追いつきません。

この記事では、数千行の日本語字幕を折り返しながら落ち着いた改行の規則と、それを形態素解析ライブラリ Janome で実装した Python コード(約 90 行、そのまま動きます)を紹介します。

1. 問題: 空白がなく、手がかりがない

字幕の描画に必要なのは「1 行に何文字入るか」と「どこで切ってよいか」の 2 つです。英語では後者はほぼ自明で、空白で切って 1 語だけ残る行を避ければ済みます。日本語では全ての文字境界が候補なので、素朴な実装は文字数の上限にたまたま当たった位置で切ります。

先ほどのアカウントとインポートの名前の
ところの設定ですね。

これは「の」と「ところ」の間で切れていて、まだ許容範囲です。次はそうではありません。

先ほどのアカウントとインポートの名前
のところの設定ですね。

行頭の「の」は、上の行の語に属する助詞です。読者は毎回ここでつまずきます。

2. 文節とは何か

文節は、日本語話者が自然に区切る最小単位で、内容語にそれに付く助詞・助動詞をまとめたものです。先ほどの | アカウントと | インポートの | 名前の | ところの | 設定ですね。 文節の間で切れば自然に読め、文節の中で切ると読みにくくなります。

境界の大半は、完全な構文解析なしに見つかります。形態素辞書があれば語頭が分かり、助詞の短い一覧(は、が、を、に、へ、と、で、も、や、から、まで、より…)があればどの語頭が前の語に付くかが分かり、句読点は最も強い境界を与えます。

3. 改行の規則

これをコスト関数にしました。文中の各位置について、そこで改行するコストを次のように置きます。

位置 コスト
。!? や閉じ括弧の直後 0
、や中黒の直後 2
助詞の直後 6(名詞どうしをつなぐ「の」は 9)
接続詞(そして、しかし、また…)の直前 8
辞書上の語頭 10
語の内部、付属語(助詞・助動詞・接尾辞)の直前 100

これに均衡の項 0.6 × |位置 − 理想位置| を足します。理想位置は 2 行字幕なら中点です。これで 1 行目が満杯、2 行目が 2 文字、のような不均衡を避けられます。

実務で効く規則があと 2 つあります。

  • 禁則はコストではなく制約にする。 。、」)ー っゃゅょ で行を始めない、開き括弧で行を終えない。英数字の語は分割しない。
  • 1 行の文字数は向きで変える。 横型 16:9 は 24 字、縦型 9:16 は 13 字。字幕向けの太めのゴシック体を、スマートフォンでも読める大きさにしたときの目安です。使う書体と画面に合わせて調整してください。

これで冒頭の文は、縦型の 13 字予算でこうなります。

今日はこの製品の初期設定を
説明します。

長い方の例は、横型の 24 字予算でこうです。

先ほどのアカウントと
インポートの名前のところの設定ですね。

どちらも助詞(を、と)の直後で切れ、語の内部では切れず、行頭禁則の文字で始まる行もありません。手で直した例ではなく、次の章のコードの実際の出力です。

4. Python で実装する

形態素解析には、pip だけで入る Janome(純 Python、辞書同梱)を使います。

pip install janome
wrap_ja.py
"""日本語字幕を文節の切れ目で 2 行に折り返す(Janome 使用)。

    pip install janome
    python wrap_ja.py
"""
from janome.tokenizer import Tokenizer

INF = float("inf")
NO_LINE_START = set("。、,.・!?」』)】ーっゃゅょァィゥェォッャュョ")  # 行頭に来てはいけない文字
NO_LINE_END = set("「『(【")  # 行末に来てはいけない文字
_tokenizer = Tokenizer()


def boundary_costs(text: str) -> list[float]:
    """costs[i] = text[i] の直前で改行するコスト(i = 1 .. len-1)。"""
    costs = [INF] + [100.0] * (len(text) - 1)  # 既定は「語の内部」
    tokens = list(_tokenizer.tokenize(text))
    pos = 0
    for prev, tok in zip(tokens, tokens[1:]):
        pos += len(prev.surface)
        p = prev.part_of_speech.split(",")
        n = tok.part_of_speech.split(",")
        if n[0] in ("助詞", "助動詞") or n[1] in ("接尾", "非自立"):
            cost = 100.0  # 付属語の前で切ると、文節の途中で切れる
        elif prev.surface[-1] in "。!?」』)":
            cost = 0.0
        elif prev.surface[-1] in "、・":
            cost = 2.0
        elif p[0] == "助詞":
            cost = 9.0 if p[1] == "連体化" else 6.0  # 「の」は後ろの名詞と結び付くので少し高く
        elif n[0] == "接続詞":
            cost = 8.0
        else:
            cost = 10.0  # 文節の頭(内容語の前)
        costs[pos] = cost
    for i in range(1, len(text)):  # 禁則と英数字の分割禁止は「制約」
        if text[i] in NO_LINE_START or text[i - 1] in NO_LINE_END:
            costs[i] = INF
        if text[i - 1].isascii() and text[i].isascii() and text[i - 1].isalnum() and text[i].isalnum():
            costs[i] = INF
    return costs


def wrap_two_lines(text: str, max_chars: int) -> list[str]:
    """1 行に収まればそのまま。収まらなければ、コスト + 0.6 × |位置 − 中点| が最小の位置で 2 行に分ける。"""
    if len(text) <= max_chars:
        return [text]
    costs = boundary_costs(text)
    middle = len(text) / 2
    best, best_score = None, INF
    for i in range(1, len(text)):
        if i > max_chars or len(text) - i > max_chars:
            continue  # どちらかの行が予算を超える位置は使わない
        score = costs[i] + 0.6 * abs(i - middle)
        if score < best_score:
            best, best_score = i, score
    if best is None:
        raise ValueError(f"{len(text)} 文字は 2 行 × {max_chars} 字に収まりません。先にキューを分けてください")
    return [text[:best].rstrip(), text[best:].lstrip()]


def split_cues(text: str, max_chars: int) -> list[list[str]]:
    """2 行に収まらない文を、文節の切れ目で複数のキュー(1 画面分)に分けてから折り返す。"""
    cues, rest = [], text
    while len(rest) > 2 * max_chars:
        costs = boundary_costs(rest)
        # 2 行分に近いほど良いが、切れ目の自然さを優先する(キューが細切れになりすぎないよう 0.3 / 字の罰則)
        candidates = sorted(range(1, 2 * max_chars + 1), key=lambda i: costs[i] + 0.3 * (2 * max_chars - i))
        for i in candidates:
            try:
                cues.append(wrap_two_lines(rest[:i], max_chars))
                rest = rest[i:]
                break
            except ValueError:
                continue
    cues.append(wrap_two_lines(rest, max_chars))
    return cues


if __name__ == "__main__":
    for text, width in [
        ("今日はこの製品の初期設定を説明します。", 13),
        ("先ほどのアカウントとインポートの名前のところの設定ですね。", 24),
        ("まず管理画面の右上にある設定ボタンを押して、通知の欄を開きます。", 24),
        ("次に「API キー」の欄に、発行されたキーを貼り付けて保存します。", 16),
    ]:
        print(f"[{width} 字]")
        for cue in split_cues(text, width):
            for line in cue:
                print("  " + line)
            print("  ---")

実行結果です。

[13 字]
  今日はこの製品の初期設定を
  説明します。
  ---
[24 字]
  先ほどのアカウントと
  インポートの名前のところの設定ですね。
  ---
[24 字]
  まず管理画面の右上にある設定ボタンを押して、
  通知の欄を開きます。
  ---
[16 字]
  次に「API キー」の欄に、
  ---
  発行されたキーを
  貼り付けて保存します。
  ---

ポイントは 3 つです。

  • コストは「どこで切ってよいか」だけを表す。 形態素の品詞から、付属語(助詞・助動詞・接尾辞・非自立語)の直前を 100 にしておくと、それだけで文節の途中では切れなくなります。助詞の一覧を手で持つ必要もありません。
  • 禁則と英数字はコストではなく制約(∞)にする。 コストにすると、均衡の項との兼ね合いで「たまに破られる」ことがあり、それが一番目立ちます。
  • 2 行に収まらない文は、先にキュー(1 画面分)を分ける。 split_cues は同じコストを使い、2 行分の長さに近く、かつ切れ目の自然な位置で文を区切ってから、各キューを 2 行に折り返します。

5. 実際の字幕にするときに残る課題

上のコードは「文字列をどう折り返すか」だけを扱っています。動画の字幕にするには、まだいくつか課題があります。

  • 時刻の割り当て。 キューを分けたら、それぞれに開始・終了時刻が要ります。音声認識の単語時刻があれば、キューの最初と最後の語の時刻を使えます。なければ文字数で按分するしかなく、話す速さが変わるとずれます。
  • 短すぎる表示。 0.5 秒で消えるキューは読めません。前後のキューと結合するか、表示時間の下限を設けます。
  • 歌。 音声認識は話し声向けです。歌では歌詞を取りこぼしたり、単語の時刻が数秒ずれたりするので、改行をどれだけ工夫しても字幕の出る位置がずれます。

焼き込み(動画に字幕を描き込む)まで行う場合、SRT が持つのは文字と時刻だけなので、ffmpeg と libass で描くときに気をつけないと壊れる点があと 3 つあります。

  1. フォント。 見出し向けの書体の多くは日本語の字形を持ちません。Anton や Montserrat は英語字幕には映えますが、日本語は豆腐になります。表示書体はその文字体系を覆う範囲でだけ使い、それ以外は字形を持つ書体(Noto Sans JP、BIZ UDPGothic)に落とす対応表が要ります。
  2. 解像度と余白。 ASS のスタイルは基準解像度に対して定義されます。1920×1080 で作ったものを 1080×1920 に焼くと全部ずれます。字幕のスタイルには縦型用の定義が別に必要です。
  3. 話している単語の強調。 カラオケ風に、いま話している単語を目立たせるには、重ならず、クリップの終端を越えない単語時刻が要ります。音声認識エンジンはときどきその両方を返すので、\k タグを組む前にクランプ(チャンク末尾に丸め、語長に上限)します。

おわりに

自分の開発では、この規則を文字起こし・時刻の補正・焼き込みまで含めた API にまとめて使っています。RapidAPI で「Video Subtitle & Transcript API」として公開しているので、まとめて任せたい場合は使ってみてください(話し声向けで、歌は対象外です)。改行だけなら、上のコードで十分です。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?