.ytt フォーマット：実務リファレンス

Rainbow Captions2026年9月16日9分で読めます

YouTube のタイムドテキスト形式のリファレンスです。スタイル付き字幕の中身である XML で、.ytt として保存され、YouTube 内部では format 3、つまり SRV3 と呼ばれます。以下にまとめたのは、このフォーマットが実際に受け付けるものです。もっともらしく見えて黙って捨てられる値も含めて扱います。

ファイルの形

<timedtext format="3">
  <head>
    <pen id="1" b="1" fc="#FEFEFE" fo="254" et="4" ec="#000000"/>
    <wp id="0" ap="7" ah="50" av="90"/>
    <ws id="0" ju="2"/>
  </head>
  <body>
    <p t="1000" d="1600" wp="0" ws="0" p="1">Today we fix that.</p>
  </body>
</timedtext>

head では使い回すスタイルを宣言します。テキスト用の pen、字幕ウィンドウの位置を決める wp、その中でテキストをどう揃えるかの ws です。body は字幕行の並びで、各行は使うスタイルを id で指します。

<pen> — テキストのスタイル

属性	値	意味
`fs`	0–7	フォント。0 は既定のサンセリフ体、1 は Courier New、2 は Times New Roman、3 は Lucida Console、5 は Comic Sans MS、6 は Monotype Corsiva、7 は Carrois Gothic SC。4 は未定義です。
`sz`	integer	サイズ。100 が YouTube の既定値で、目盛りは線形ではありません（下記参照）。
`b`, `i`, `u`	"1"	太字、斜体、下線。true のときだけ書き出されます。
`fc`	#RRGGBB	文字色。純白の #FFFFFF は #FEFEFE と書かれるのが一般的です。
`fo`	0–254	文字の不透明度。255 は取り除かれるので、完全な不透明は 254 です。
`bc`, `bo`	#RRGGBB, 0–254	背景ボックスの色とその不透明度。`bo="0"` でボックスが消えます。
`et`	1–4	エッジ。1 はハードな影、2 はベベル、3 はグロー、4 はやわらかな影です。縁取り専用のタイプはなく、濃い色のグローがその代わりになります。
`ec`	#RRGGBB	エッジの色。既定は #222222 で、不透明度は文字に合わせられます。
`of`	0–2	オフセット。0 は下付き、1 は通常、2 は上付きです。
`rb`	0–5	ルビ（ふりがな）。0 はなし、1 はベース、2 は括弧、4 は前に置くテキスト、5 は後ろに置くテキストです。

サイズの計算式

sz の値は、思っているサイズそのものではありません。実際の倍率の 4 倍の速さで動きます。

sz    = (1 + (scale − 1) × 4) × 100
scale = 1 + (sz / 100 − 1) / 4

つまり sz="100" が 100%、sz="200" が 125%、sz="50" がおよそ 87% です。YouTube の既定の字幕サイズはフレーム高さの約 4.6〜4.8% で、sz="100" はこの大きさで描画されます。

<wp> — ウィンドウの位置

属性	値	意味
`ap`	0–8	アンカーポイント。0 は左上、1 は上中央、2 は右上、3 は左中央、4 は中央、5 は右中央、6 は左下、7 は下中央、8 は右下です。
`ah`	0–100	水平位置。
`av`	0–100	垂直位置。

位置はフレームのそのままの割合ではありません。YouTube はこれをセーフエリアに割り当てます。

screen% = value × 0.96 + 2

av="0" は上から 2%、av="100" は 98% の位置に来ます。逆方向に変換するときは value = (screen% − 2) / 0.96 を使います。

<ws> — ウィンドウのスタイル

属性	値	意味
`ju`	0–2	行揃え。0 は左、1 は右、2 は中央です。
`pd`	0–3	表示方向。0 は横書きの左から右です。
`sd`	0–1	スクロール方向。縦書きテキスト用です。

<p> と <s> — 行とセグメント

属性	値	意味
`p.t`	≥ 1 ms	開始時刻。0 から始まる行を無視する Android プレーヤーがあります。
`p.d`	> 0 ms	表示時間。
`p.wp`, `p.ws`	id	使用するウィンドウの位置とウィンドウのスタイル。
`p.p`	id	行全体に使うペン。
`s.p`	id	行の中のひとつのセグメントに使うペン。
`s.t`	≥ 0 ms	行を基準としたセグメントの開始。一語ずつのタイミングはこれで実現します。

半日を溶かすクセ

ペンひとつにエッジはひとつだけ。同じテキストに縁取りと影を付けるなら、2 つのペンで同じ行を 2 回書き、上下に重ねます。
太い縁取りはコピーの重ね技。グローのエッジを付けた同じ行を何度か繰り返します。下に重ねるコピーのフォントを大きくしてはいけません。レイヤーが横にずれていきます。
不透明度 255 は消えます。254 を使ってください。
ゼロ幅の詰め物。スタイルの違うセグメントが混ざる行には、前後にゼロ幅スペースが必要です。ないと、一部のモバイルプレーヤーはスタイルを行そのもののペンに潰してしまいます。
アニメーションはありません。ズームもロールアップも、数十ミリ秒おきに並べた字幕エントリーの連なりです。
視聴者の設定が優先されます。プレーヤーで字幕の見た目を変えた人には、こちらのペンではなく自分の設定が見えます。

この情報の出どころ

このフォーマットは YouTube から公に文書化されていません。基準となる挙動は、オープンソースのコンバーター YTSubConverter — そのソースが事実上の仕様書です — から来ていて、YouTube からダウンロードした実際の字幕トラックと、プレーヤーが実際に描画する内容で確かめられています。Rainbow Captions も同じフォーマットを書き出します。上の表を見ながら手でトラックを組んでもいいですし、レイヤーの重ね方、保険の文字、一語ずつのタイミングをアプリに任せることもできます。

XML はアプリにまかせる

Rainbow Captions がペン、重ねた縁取り、保険の文字、一語ごとのタイミングを、170言語すべてで引き受けます。ダウンロード無料、最初の10言語も無料です。

Mac 版をダウンロード