スクリプトからキャプション生成 は何をしますか?
キャプションは単なる飾りではありません。アクセシビリティであり、ミュートで視聴するユーザーを引き付け、チュートリアルでは画面上の正確な UI 用語を補強します。このスキルはクリーンで正確にタイミング調整されたキャプションファイルを生成します。スタイル付けや焼き込みは後続の工程で行います。
まず最も正確なテキストを入手する
精度は出発点に依存します。
- ナレーションスクリプトが存在する場合、それを正解データとして使用します。 技術用語や UI ラベルについてはすでに正確です。ゼロから文字起こしするよりも、音声に合わせてアラインします。
- それ以外の場合は音声を文字起こし(Whisper、プラットフォームの自動キャプション、その他の ASR)し、映像に合わせて修正します。ASR は製品名、コード、略語を高確率で誤認識します。画面上の表記と完全に一致するよう、ひとつひとつ修正してください。
未修正の ASR 出力をそのまま使わないでください。誤りは必ず最も重要な単語に集中しています。
キューを発話に合わせてタイミング調整する
- 各キューは該当する行が話されているときに表示され、終了すると消えます。発話に合わせ、任意の間隔ではありません。
- 最小表示時間は約 1 秒(短いキューでも)、最大約 7 秒。それを超えるものは分割します。
- 文中にギャップを入れないでください。文と文の間の小さなギャップは問題なく、読みやすさを向上させます。
行数と読みやすさのルール
- 1 キューあたり 1~2 行、3 行以上は不可。
- 1 行あたり約 32~42 文字。それを超えると画面に収まらず、安全領域をはみ出します。
- 読み速度は約 17 文字/秒以下(約 160~180 wpm)。超える場合、単語が高速で流れてしまうため、キューを分割するか表示時間を延長してください。
- 行は節の境界で区切り、フレーズの途中で分割しないでください。「設定 ページ」はまとめて保持し、「設定」だけを一行に残さないでください。
形式を選択する
- SRT - 汎用的、インデックス +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ テキスト。多くのプラットフォームやエディターへのアップロードに使用します。 - WebVTT (.vtt) -
WEBVTTヘッダー、HH:MM:SS.mmmタイムスタンプ、キューごとの位置・スタイル指定に対応。HTML5 の<track>やウェブプレイヤーに使用します。
有効でパース可能な出力を生成してください。正しいタイムスタンプの句読点(SRT ではミリ秒前にカンマ、VTT ではピリオド)、キュー間の空行、末尾の空白なし。
クリーン版か逐語版か
チュートリアルではクリーン版キャプションを使用します。「えーと」「あのー」、言い間違いなどのフィラーは削除し、意味はそのまま保持します。技術用語、コード、UI ラベルは正確に残します。逐語版(厳密な文字起こし)は、ユーザーが明示的に必要とする場合(法務、研究、正確な引用の文脈)のみ使用します。
同期の品質確認
動画の実際の映像と、開始点・中間点・終了点でスポットチェックを行います。ズレが蓄積していないか確認します。各キューが該当行に正しく表示され、次のキューが始まる前に消えていることを確認します。誤ったショットにキャプションが残っている場合は修正してください。
引き継ぎ
完成した .srt / .vtt は、social-video-formatter に渡して焼き込みやプラットフォーム用スタイル付けを行うか、ウェブプレイヤーの <track> 要素に直接渡します。色、フォント、位置、アニメーションはそれらの工程に任せます。このスキルは正確でタイミングの合ったテキストのみを出力します。
やってはいけないこと
- キャプションのスタイル付け、色付け、位置指定、フレームへの焼き込みをしないでください。それらは social-video-formatter の役割です。
- 単語を一文字ずつアニメーションさせないでください。それは kinetic-typography の役割です。
- 未修正の ASR をそのまま出力しないでください。誤りは最も重要な単語に集中しています。
- キューを分割したくないからといって 3 行以上にしたり、読み速度の制限を超えたりしないでください。必ず分割してください。