字幕ファイル作成

動画・音声から字幕を作り、1 行の字数・行数・表示時間を字幕向けにそろえて、動画に重ねて見ながら直し、SRT・VTT で保存します。手元の字幕ファイルも直せます。

入力したファイルや文字の中身は送信されません登録不要・無料更新 2026-11-17

ツール

モデル
字幕の決まり(初期値は 1 行 13 字・2 行・1 秒 4 字まで)
句読点

字数は、全角の字と、日本語の書体で全角で出る記号(「…」「×」「“」「—」など)・絵文字を 1 字、半角の英数字・記号と半角カナ、アクセント付きの英字(「é」など)を 0.5 字と数えます。文字起こしの結果はこの決まりで分けます。読み込んだ字幕や、決まりを変えたあとは「決まりに合わせて整える」を押すと分け直します。

動画・音声か、字幕のファイルを入れてください。

使い方

  1. STEP 1ファイルを入れる字幕を作る動画・音声(MP4・MP3 など)か、直したい字幕のファイル(SRT・VTT)を入れます。動画と字幕を一緒に入れると、動画に字幕を重ねて見ながら直せます。
  2. STEP 2文字起こしして整える動画・音声だけなら「文字起こしを始める」を押します。結果は字幕の決まり(初期値は 1 行 13 字・2 行)に合わせて分け、決まりを超える字幕には印を付けます。
  3. STEP 3直して保存する動画を再生しながら、文と時刻を直したり、分ける・つなぐ・消すをしたりします。終わったら SRT か VTT で保存します。

決まりと注意

  • 音声認識はブラウザ文字起こしと同じものです。OpenAI の Whisper を Transformers.js(Hugging Face、Apache License 2.0。ライセンスの写し⁠(新しいタブで開く))と ONNX Runtime Web(Microsoft、MIT License。ライセンスの写し⁠(新しいタブで開く))でブラウザの中で動かします。モデルは初回に Hugging Face から読み込み、ブラウザに残します。言語は日本語に決めています。
  • 動画・音声の長さは 2 時間まで、ファイルの大きさは 2GB までです。字幕のファイルだけを入れたときは、モデルを読み込みません。
  • 字幕の決まりの初期値は、このツールでは Netflix の日本語の字幕の決まり(1 行 13 字・2 行まで、1 秒 4 字まで、最短 0.5 秒)と、全言語の決まりの最長 7 秒、字幕の間を 2 フレーム(30 コマ/秒で約 0.067 秒)にしています。耳の聞こえない人向けの字幕は 1 行 16 字・1 秒 7 字までです。動画に合わせて変えてください。
  • 長い区切りを分けるときは、このツールでは文の終わり(。?!)→ 読点・空白 → 助詞(は・が・を など)→ 語の切れ目の順に切れ目を探します。切れ目で決まりの行数に収められないときは、語の途中でも分けます。字幕の中の行も同じ順の切れ目で改行し、空白で改行したところは、つなぐ・整え直すときに空白に戻します。時刻は字数の比で配る見込みなので、話す速さによってずれます。動画で確かめて直してください。
  • 字幕の間が 0.5 秒より狭いときは、前の字幕の終わりを延ばすか縮めて、決まりの間隔にそろえます(「2 フレームか 0.5 秒以上」の決まり)。
  • 直している字幕はブラウザに残しません。ページを閉じる前に保存してください。
ほかの決まりと注意(4 件)
  • SRT は UTF-8・改行は CRLF、VTT は UTF-8 で書きます。VTT では文の「&」「<」「>」を文字参照(&amp; など)にします。字幕の位置・色などの書式は書きません。
  • 読み込んだ字幕の、太字・斜体などのタグと、VTT の位置などの設定は外します。時刻の行が読めない字幕は飛ばし、何行目かを知らせます。文字コードは自動で見分けます。
  • 全体の時刻を前にずらして 0 秒より前に終わる字幕は消し、0 秒をまたぐ字幕は 0 秒から始めます。
  • 話し手の区別・翻訳・字幕を焼き込んだ動画の書き出し・縦書きはしません。音の無いところで、話していない文が出ることがあります。
出典(5 件・2026-11-17 確認)

よくある質問

Q.入れた動画や字幕はどこかに送られますか?

A.いいえ。文字起こしと字幕の手直しはお使いのブラウザの中だけで行い、入れたファイルの中身と字幕は送信しません。文字起こしを始めたときだけ、初回に AI のモデル(数百 MB)を Hugging Face から読み込みます。このとき Hugging Face には、読み込むモデルのファイルの名前と、ブラウザから自動で送られる情報(IP アドレスなど)が届きますが、音声は送りません(プライバシーポリシー)。

Q.ブラウザ文字起こしとどう違いますか?

A.音声認識は同じです。ブラウザ文字起こしは文章として読む・保存するためのもので、途中で止めても続きから始められます。このツールは、字幕として読める長さに分け、動画に重ねて見ながら時刻と文を直すためのものです。

Q.YouTube に上げられますか?

A.YouTube は SRT・VTT の字幕ファイルを受け付けます(YouTube ヘルプ⁠(新しいタブで開く))。このツールの SRT は書式の無い UTF-8 で書きます。

Q.字幕の時刻が少しずつずれます

A.長い区切りを分けた字幕の時刻は、字数の比で配った見込みです。動画を再生して、ずれた字幕の始まり・終わりを直してください。全体が同じだけずれているときは「全体の時刻をずらす」を使います。