文字起こし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オプションの仕上げではありません。アクセシビリティそのものであり、ミュートで視聴するユーザーを引きつけ、チュートリアルでは正確なUI用語を伝えるために不可欠です。このスキルは、クリーンで正確なタイミングのキャプションファイルを生成します。スタイル設定や焼き込みは後続処理で行います。
まず最も正確なテキストを入手する
正確さは出発点で決まります。
- ナレーション台本が存在する場合は、それを正解データとして使用します。 技術用語やUIラベルはすでに正しいので、再書き起こしするのではなく、音声に合わせて調整します。
- それ以外の場合は音声を書き起こし（Whisper、プラットフォームの自動キャプション、またはその他のASR）、その後動画に合わせて修正します。ASRは製品名、コード、略語を確実に誤認識します。画面上に表示されているものと完全に一致するよう、1つずつ修正してください。
加工されていないASR出力をそのまま提供してはいけません。エラーは常に最も重要な単語に発生します。
キャプションのタイミングを音声に合わせる
- 各キャプションは、その行が話された瞬間に表示され、終了したら消えます。任意の間隔ではなく、音声に合わせて調整します。
- 最低表示時間は約1秒（短いキャプションでも）、最大は約7秒。それ以上長い場合は分割します。
- 文の途中にギャップを作らない。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キャプションあたり1〜2行。3行にしてはいけません。
- 1行あたり約32〜42文字。それを超えると画面に収まりきらず、安全領域をはみ出します。
- 読み取り速度は約17文字/秒以下（約160〜180語/分）。キャプションがこれを超えると文字が一瞬で過ぎ去るため、キャプションを分割するか、表示時間を延ばしてください。
- 文節の切れ目で行を区切り、途中で切らない。"to the Settings page" はまとめて表示し、「the」だけを一行に残さない。
フォーマットの選択
- SRT - 汎用。インデックス +
HH:MM:SS,mmm --> HH:MM:SS,mmm+ テキスト。ほとんどのプラットフォームや編集ソフトにアップロードする場合に使用します。 - WebVTT（.vtt） -
WEBVTTヘッダー、HH:MM:SS.mmmタイムスタンプ、キャプションの位置やスタイル設定に対応。HTML5の<track>やウェブプレイヤーで使用します。
有効でパース可能な出力を生成するには、タイムスタンプの句読点を正しく使用し（SRTはミリ秒の前にカンマ、VTTはピリオド）、キャプション間は空行で区切り、末尾の空白を入れないでください。
クリーンか逐語か
チュートリアルでは、キャプションはクリーンにします。フィラー（「えーと」「あのー」、言い直し）は削除し、意味はそのままにします。技術用語、コード、UIラベルは正確に保持します。厳密な逐語が必要な場合（法的、研究、正確な引用のコンテキスト）のみ、厳密逐語にします。
同期のQA
動画の開始点、中間、終了点で実際の動画とスポットチェックを行います。ドリフトが蓄積されていないか確認します。キャプションが各行に正しく表示され、次のキャプションが始まる前に消えることを確認します。間違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ます。
引き継ぎ
完成した .srt / .vtt ファイルは、social-video-formatter（焼き込みとプラットフォームスタイル設定用）や、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、アニメーションはこれらの手順に任せます。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。
禁止事項
- キャプションのスタイル設定、色付け、位置指定、フレームへの焼き込みを行わないでください。これらはsocial-video-formatterの役割です。
- 単語を一語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を出荷しないでください。間違いは、重要な用語に集中して発生します。
- キャプションの分割を避けるために3行にしたり、読み取り速度の制限を超えたりしないでください。分割してください。