SDH字幕とは?クローズドキャプション(CC)との違い

SDH、クローズドキャプション(CC)、字幕の違いは、想定する視聴者です。字幕は、音は聞こえても言語がわからない視聴者のためのもので、セリフを、たいていは翻訳して載せます。クローズドキャプションとSDH(聴覚障害者・難聴者向けの字幕)は、音が聞こえない視聴者のためのもので、音楽、効果音、誰が話しているかといった音の情報を加えます。

SDHとクローズドキャプションの違いは、主に届け方にあります。強制字幕は、自分から表示される4つ目の種類です。まず4つを並べて比べ、そのあと、それぞれに何を入れる必要があるかを見ていきます。

SDH、クローズドキャプション、字幕、強制字幕を比較する

パターンから外れるのは最後の列です。強制字幕は、主要な言語を理解できる、耳の聞こえる視聴者に向けて書かれており、視聴者が自分でオンにする必要のない唯一の種類です。

残る3つは、1本の線ではっきり分かれます。視聴者が音声を聞けることを前提にした字幕は「字幕」で、音声の代わりを務めるものは、CCと呼ばれていてもSDHと呼ばれていても「キャプション」です。

SDHトラックに入れるべきものは？

耳の聞こえる視聴者が音声から受け取る情報のうち、ストーリーに関わるものすべてです。W3Cのアクセシビリティガイドラインは、キャプションを「メディアコンテンツを理解するために必要な、発話および発話以外の音声情報の両方」のテキスト代替と定義し、効果音、音楽、笑い声、話者の識別、場所をその一部として挙げています(WCAG 2.2、Understanding SC 1.2.2)。

Netflixの英語(米国)向けタイムドテキスト スタイルガイドは、これをSDHの具体的なルールにしています。

1. 効果音と話者名は角かっこで囲み、小文字で書きます(固有名詞を除く)。例: [door creaks]、[Maya]。
2. 映像に映っていないものだけを表記します。 話者の表示や効果音は、見ただけでは特定できない場合にのみ使います。
3. 動作ではなく、音を描写します。 「視覚的な要素や動作ではなく、音と音声を描写する」というのがガイドの指示で、声、話す速さ、音量がその対象です。
4. ストーリーに関わる効果音は必ず入れます。ただし、映像から明らかな場合は除きます。
5. 歌詞は音符で挟みます。歌詞と音符のあいだには、両側にスペースを入れます: ♪ like this ♪
6. 名前のない話者には、一般的なラベルを付けます。[man]や[woman]などで、複数いる場合は番号を振ります。

字幕ファイルでは、SDHのキュー3つは次のようになります。

12
00:01:04,200 --> 00:01:06,900
[door creaks open]

13
00:01:07,100 --> 00:01:09,800
[Maya] Is anyone here?

14
00:01:10,400 --> 00:01:13,600
♪ I've been waiting all night ♪

このファイルに、技術的に特別なところはありません。翻訳字幕と同じ形式の、ごく普通の.srtです。SDHになるかどうかは、完全に内容で決まります。角かっこに入れた音、名前を示した画面外の話者、歌われていることを示した歌詞です。

同じガイドは、SDHにも翻訳字幕にも、同じレイアウト上の上限を定めています。1行は42文字まで、1秒あたりの文字数(CPS)は、成人向け番組で最大20、子供向け番組で17です。ほかの言語はそれぞれ独自の数値を定めており、SDHを通常の字幕より速く表示してよいとする言語もあります。表は読み上げ速度のガイドにあります。

米国では、テレビのキャプションに法的な品質基準もあります。FCCの規則は、キャプションが正確で、音声と同期し、完全で、適切な位置にあることを求めており、背景の雑音やそのほかの音も正確さの一部として数えます(FCCの消費者向けガイド)。

SDHとクローズドキャプションは同じものですか？

内容については、ほぼ同じです。画面に届く経路については違い、その違いのために、2つの呼び名が両方とも残っています。

クローズドキャプションは、放送技術として始まりました。AppleのFinal Cut Proキャプションガイドは、CEA-608を「放送およびウェブビデオ用のクローズドキャプション標準」と説明しており、メディアファイルの中に埋め込んで運ぶこともできます。プレイヤーやテレビがそのキャプションデータをデコードし、自前のキャプション描画機能で表示します。

SDHは、同じ種類の内容を、通常の字幕トラックとして届けるものです。.srt、.vtt、.mkv内のトラック、ディスクの字幕ストリームがそれにあたります。どんな字幕でも使えるフォントや配置を使え、字幕を再生できる機器ならどれでも再生できます。同じ種類のトラックが、ある配信サービスでは「CC」、別のサービスでは「SDH」と表示されるのは、そのためです。

あと2つの用語で全体がそろいます。どちらも、同じW3Cのページに出てきます。

• クローズドキャプションは、「プレイヤーによってはオンとオフを切り替えられる」ものです。
• オープンキャプション(open captions)は、「オフにできない」もので、映像の一部になっています。TikTokやReelsの動画に焼き込まれたキャプションは、オープンキャプションです。いつ焼き込むべきかは、ハードサブとソフトサブの比較で解説しています。

W3Cは、「国によっては、キャプションは字幕(subtitles)と呼ばれる」とも述べています。英国の放送局は、米国の放送局がキャプションと呼ぶものを字幕(subtitles)と呼んでおり、これが検索結果で起きる混乱の大半の原因です。

ほかの言語でSDHは何と呼ばれているか

用語は1対1では対応しないため、実際に目にする場面ごとに、各呼び名が何を指すかを一覧にします。

配信サービスは、インターフェースの言語にかかわらず、メニューには英語の略称をそのまま使うのが一般的で、そのためこの一覧のどの言語でも「SDH」と「CC」が検索されています。

強制字幕とは？

強制字幕(forced subtitles)は、字幕をオフにしていても表示される字幕です。対象になるのは、主要な言語を理解する視聴者でもついていけない部分だけです。別の言語で話されるシーン、看板、スマートフォンの画面に表示されたメッセージなどがそれにあたります。

Netflixはこれを「forced narratives」と呼んでおり、英語のスタイルガイドはこれに厳格です。画面内の文字に字幕を付けるのはストーリーに関わる場合だけで、大文字で表記し、セリフと同じ字幕に混ぜてはいけません。外国語のセリフが翻訳されるのは、視聴者が理解することを意図されていた場合に限ります。

動画ファイルの中では、トラックを強制字幕にするものはフラグです。Matroska仕様は、字幕の強制フラグを、視聴者の言語に一致するトラックが「ユーザーの設定では通常は字幕が有効にならない場合でも」自動選択の対象になるものとして定義しており、対象は「外国語の音声や画面内の文字の翻訳だけを含むトラック」です。同じ仕様には、SDHトラック用の別のフラグとして、聴覚障害者向けフラグ(hearing-impaired flag)もあります。MKVToolNixでは、この2つは--forced-display-flagと--hearing-impaired-flagです。muxの手順と、全編の字幕トラックに強制フラグを立ててはいけない理由は、MKVに字幕を追加する方法で解説しています。

どれを作るべきか？

「YouTubeに顔出しトーク動画をアップロードする」 話されている言語で、SDH形式のトラックを1本作ります。大半はセリフで、そこに意味のある音を少しだけ加えます。[laughs]、[upbeat music]、画面外の声などです。

「ほかの市場向けに動画を翻訳する」 通常の字幕を、言語ごとに1本ずつ作ります。スペイン語のトラックを読む視聴者は、たいてい音声を聞けます。

「映画の中に、別の言語で話されるシーンが1つある」 そのシーンだけの強制トラックと、必要とする視聴者向けの全編の字幕またはSDHを用意します。

「配信サービスや放送局に納品する」 角かっこの形式に至るまで、先方の仕様が優先されます。Netflixは言語ごとにタイムドテキストのスタイルガイドを公開しています。

「TikTokやReels向け」 オープンキャプション、つまり映像に焼き込んだ字幕です。視聴者の大半がミュートで見るため、短い音の表記も、そこで役に立ちます。

自動文字起こしでSDHは作れる？

いいえ。何が欠けているのかを正確に押さえておく価値があります。Whisperのような音声認識モデルは、発話を文字に起こすために作られています。SDHトラックで最も大きな部分であるセリフは作れますが、SDHをSDHたらしめている要素の大半は抜け落ちます。

• 効果音。 Whisperは、ドア、電話、銃声を確実に描写してはくれません。音楽や無音の部分で角かっこ付きの何かを出力した場合は、残すべきキューではなく、確認すべき推測として扱ってください。そうした行がどこから来るのかは、Whisperが存在しない文章を作り出す理由で解説しています。
• 話者名。 Whisperは誰が話しているかを知りません。話者分離(diarization)ツールなら声を「話者1」「話者2」に分けられますが、名前を付けることや、映像から誰が話しているかがすでにわかる場面を見極めることは、人が判断することです。
• 音楽。 歌詞は文字に起こされることもありますが、出来がよくない場合もあります。その曲に♪のキューを付けるのか、引用符付きのタイトルにするのか、何も付けないのかは、編集上の判断です。

つまり、自動の文字起こしはセリフの字幕です。それをSDHにするには、音を出して動画を見ながらキューを加える作業を、人が1回通す必要があります。この作業は最初から文字起こしするより早く済みますが、省くことはできません。

1つの文字起こしからSDHと字幕を作る

Sablateは、自動化が得意な部分を担い、そうでない部分の余地を残しています。セリフは自分のパソコン上で文字起こしし、エディタでは、任意のキューに[door slams]や話者名を加えたり、長くなりすぎたキューを分割したり、タイムライン上でタイミングをドラッグして調整したりできます。エディタは、速すぎて読めない字幕に警告を出します。音の表記が、時間を増やさずに文字数だけを増やすSDHでは、これがより重要になります。

同じ文字起こしから、翻訳がレイヤーとして加わり、各レイヤーは独自のスタイルとフォントを持ちます。これで、この記事の両面に対応できます。元の言語のSDHトラックと、翻訳先の各言語の通常の字幕です。どれも.srtか.vtt、オープンキャプション用の焼き込み.mp4、あるいはProなら言語ごとに1トラックを収めた1本の.mkvとして書き出せます。

Sablateは話者を特定せず、.mkvの強制フラグや聴覚障害者向けフラグも設定しません。フラグにはMKVToolNixが適したツールで、数十種類の字幕形式にまたがる本格的なSDH作業には、Subtitle Editが無料で使えます。

無料プランは、10分までの動画、月3ジョブ、オフライン翻訳レイヤー1つに対応しています。Proは$29の買い切りで、違いは料金ページに掲載しています。

まとめ

字幕は、視聴者が音を聞けることを前提にします。クローズドキャプションとSDHは、聞けないことを前提にして、音と話者を加えます。CCとSDHは同じ種類の内容を持ち、違いは届け方にあります。放送用のキャプションデータか、通常の字幕トラックかです。強制字幕は、自分から表示される部分的なトラックで、外国語のセリフと画面内の文字のためのものです。自分の動画にトラックを1つだけ作るなら、話されている言語のSDHにして、通常の字幕は翻訳用に取っておいてください。

よくある質問

字幕のSDHとは何の略ですか？

SDHは、聴覚障害者・難聴者向けの字幕(Subtitles for the Deaf and Hard of Hearing)のことです。SDHトラックには、セリフに加えて、聞こえない視聴者が受け取れない音の情報が入ります。角かっこで囲んだ効果音、音符で挟んだ歌詞、話者が画面外にいるときの話者名です。配信サービスのメニューでは、同じ言語の通常の字幕の隣に、別の選択肢として表示されます。

クローズドキャプションと字幕の違いは何ですか？

想定する視聴者です。字幕は、視聴者が音を聞けることを前提にしていて、たいていセリフを別の言語へ翻訳します。クローズドキャプションは、聞けないことを前提にしていて、話されている言語のまま、効果音、音楽、話者の識別を加えます。どちらもオンとオフを切り替えられ、オフにできないキャプションはオープンキャプションと呼ばれます。

SDHとクローズドキャプションは同じものですか？

内容はほぼ同じですが、届け方は違います。どちらも、聴覚障害・難聴の視聴者向けに音を描写し、話者を識別します。厳密な意味のクローズドキャプションは放送の形式で、たとえばCEA-608は、映像信号に載せて運ばれるキャプションデータです。SDHは通常の字幕トラックとして届くため、字幕を再生できる環境ならどこでも再生でき、字幕のフォントや配置を使えます。

強制字幕とは何ですか？

強制字幕は、字幕をオフにしていても表示される字幕です。視聴者に理解してほしいのに理解できない部分だけを翻訳します。たとえば外国語のセリフや、画面に映る看板です。Netflixでは「forced narratives」と呼ばれています。MKVファイルでは、強制フラグが、音声の言語と一致するときにそのトラックを自動で表示するようプレイヤーに伝えます。

自分の動画にはSDHと通常の字幕のどちらを作るべきですか？

話されている言語のトラックなら、SDHにしてください。聴覚障害のある視聴者には音の情報が必要で、ミュートで見る視聴者にも役立ちます。WCAGも、キャプションをセリフだけでなくセリフ以外の音声まで含むものと定義しています。通常の字幕が適しているのは、元の言語がわからない、耳の聞こえる視聴者に向けた翻訳です。

AIでSDH字幕を自動生成できますか？

セリフの部分だけです。Whisperのような音声認識は、人が話す内容を文字に起こし、それがSDHトラックの大半を占めますが、効果音を確実に描写したり、音楽を示したり、話者名を付けたりすることはできません。そうした表記には、動画を見ながら、ドアが閉まる音や画面外の話者の名前といった角かっこ付きの説明を加える人の手が、今も必要です。