一語ずつの字幕と、YouTube での見え方

一語ずつ現れる字幕はショート動画のいたるところにあり、実際に効果があります。視聴者が先を読んでしまうことがなく、視線はフレームの中央付近にとどまり、早口の話し声も追いやすくなります。YouTube は映像に何も焼き込まずに、字幕トラックからこれを再生できます。ただし、やり方は決まっています。

今日、それを解決します。

順に表示 ハイライト 行全体

「順に表示」と「ハイライト」は別の機能です

順に表示: 話されたタイミングで語が足されていく

行は空の状態から始まり、それぞれの語が自分のタイミングで現れます。YouTube の字幕フォーマットでは、これはもともと備わっている機能です。1 行の字幕がいくつかのセグメントを含み、セグメントごとに自分の開始オフセットを持ちます。あとはプレーヤーがやってくれるので、ファイルは小さいままで、タイミングも正確です。

ハイライト: 行全体を出したまま、今の語に色を付ける

こちらでは、視聴者は最初から行全体を読みながら、ひとつの語が光るのを追います。フォーマットには「この語の色をいま変える」という命令がないため、この効果は同じ行を何度も書き出してつくります。語の数だけコピーを用意し、コピーごとに色を付ける語をずらすわけです。10 語の行は 10 個の字幕エントリーになります。

だからハイライトは重い選択になりますし、中央揃えの行を雑につくると位置が跳ねます。コピーがそのつど新しい行として描かれると、プレーヤーが中央揃えをやり直すからです。きちんとつくれば、どのコピーもまったく同じテキストと同じ字間を持ち、変わるのは色だけになります。

ロールアップとズーム

同じ話題で、もう 2 つの効果が出てきます。

• ロールアップ — テレビの生放送字幕のように、行が積み上がって上へ流れていきます。積み上がった状態のひとつひとつが、それぞれ独立した字幕エントリーです。
• ズーム — 行が大きくなりながら定位置に収まります。YouTube にはアニメーションの命令もないので、動きは 1 コマずつ書き出します。数十ミリ秒おきに並べたエントリーを用意し、それぞれで文字サイズを少しずつ大きくしていきます。

どちらも正攻法ですが、どちらもファイルを膨らませます。3 分の動画に一語ずつの順に表示を付けても XML はささやかなサイズで収まりますが、同じ動画の全行にズームをかけると数十倍になることもあります。

タイミング — 出来を左右するのはここです

語のタイミングは、たいてい 2 つのどちらかから来ます。ひとつは音声認識で、語ごとのタイムスタンプが得られ、精度は文字起こしの精度そのままです。もうひとつは行の長さを語で分け合う方法で、こちらが手軽です。語数で割るか、語の長さで重みを付けて、「extraordinary」が「and」より長く画面に残るようにします。

比例配分のタイミングは、たいていのトーク映像なら十分ですが、話し手が文の途中で間を置くとはっきりずれます。どちらの方法でも変わらない原則があります。

• 1 行は 2〜5 語に。行が長いと効果が台無しになります。
• 1 語あたり 250〜400 ミリ秒前後が自然です。150 ミリ秒を切ると語がちらつきます。
• 改行は文字数が尽きたところではなく、話し手が息をつくところで入れます。
• 最初の字幕を 0 ミリ秒から始めないでください。0 から始まる行を無視する Android プレーヤーがあります。1 ミリ秒以降から始めましょう。

翻訳しても残るもの

一語ずつのタイミングは、ひとつの言語の語に結び付いています。行を翻訳すれば語数は変わります。英語の 4 語がドイツ語では 6 語に、日本語では 2 語になることもあります。タイミングは新しい語に割り振り直す必要があり、語ごとの色付けもすべて付け直しになります。スタイル付きの字幕を手で翻訳する作業が苦行になるのは、まさにこの部分です。Rainbow Captions は翻訳したすべての言語でタイミングを自動的に配分し直し、スタイルもそのまま保ちます。

この字幕が実際に再生される場所

字幕トラックから再生される一語ずつの字幕は、YouTube のウェブプレーヤーとモバイルアプリで動きます。すべての端末やテレビアプリで同じように対応しているわけではありませんし、プレーヤーで自分の字幕設定を変えている視聴者には、こちらの指定よりその設定が優先されます。スタイルの違うセグメントが混ざる行には、見えないゼロ幅文字を詰め物として入れる必要もあります。入れないと、一部のモバイルプレーヤーでスタイルが崩れます。このクセについては .ytt フォーマットのリファレンスで説明しています。

よくある質問

YouTube は動画に焼き込まずに一語ずつの字幕を表示できますか。

できます。YouTube の字幕フォーマットは、1 行の字幕の中に自分の開始時刻を持つセグメントを置けます。これがまさに順に表示の効果です。ハイライト、ロールアップ、ズームも可能ですが、これらはアニメーションではなく、繰り返しの字幕エントリーとして書き出されます。

順に表示とハイライト、どちらがいいですか。

順に表示のほうが軽く、正確で、大きなチャンネルが使っているものにいちばん近い形です。ハイライトは歌詞や教材に向いています。行全体を見ながら今の語を追えることが、視聴者の助けになるからです。

動きのある字幕はアクセシビリティを損ないますか。

損なうことはあります。ゆっくり読む視聴者や、音声ではなく字幕を頼りにしている視聴者は、語が一語ずつ届くと文全体の文脈をつかめません。行は短く、テンポは一定に保ち、必要な視聴者のためにスタイルなしの字幕トラックもあわせて公開しましょう。