動画の原稿を録音音声と同期させてSRT字幕を自動生成
原稿を書き上げ、ナレーションを録音したら、あとはセリフに合わせてタイミングよく表示される字幕が必要です。音声や動画を原稿と一緒にアップロードするだけで、原文の言い回しを完全に保ったまま、実際の発話タイミングに合わせたSRTおよびVTTファイルを書き出せます。最長 10 分までの録音なら完全無料。それ以上の長さでも一回払いのみの $5 で、最長 6 時間まで対応します。
- テキストボックスに貼り付け、またはTXT・DOCXでアップロード。一言一句そのまま反映
- 全体の再生時間を均等に割るのではなく、実際のリアルな話速やリズムに追従
- 1字幕あたり最大2行（1行あたり約42文字目安）、文や句の区切りで自然に改行
- 台本にないアドリブで話した箇所には字幕をつけずスキップ
- YouTube、Premiere Pro、DaVinci Resolveなどの各種編集ソフトで使えるSRT・VTT形式
打ち直し不要。書き下ろした原稿をそのまま字幕へ
ナレーターや動画クリエイターの手元には、通常、音声を収録する前から台本が存在します。面倒なのはその後です。字幕エディターに1行ずつコピペし、テイクに合わせてタイミングをドラッグして微調整する作業に膨大な時間がかかります。このツールなら、原稿そのものがそのまま字幕テキストになります。音声認識モデルがテイクを聴き取って各単語の発話時刻を特定し、プログラムが原稿の文章とそれらの単語を自動で照合。一度しか登場しないフレーズをアンカー（基準点）とし、その間の単語を1語ずつ丁寧にマッチングしていきます。
単語単位で厳密に照合するため、話し方に緩急があっても完璧に同期します。オチの前の長いタメ、早口での製品スペック解説、落ち着いたトーンの導入部など、思い通りのペースで読んだテイクに字幕が正確に追従します。
実際の録音内容が原稿と食い違っている場合
- 原稿にないアドリブや余談は単に字幕化されずスキップされ、台本にある次のセリフは適切なタイミングで始まります
- 読み間違えたり飛ばしたりした単語は、前後の単語からタイミングが推定されますが、字幕には原稿側のテキストが表示されます。実際に話した言葉と完全に一致させたい場合は、事前に原稿を修正してください
- 最終編集でカットした台本の段落は、対応する音声が存在しないため、前後の字幕に詰まって表示されてしまいます。アップロード前に原稿から削除してください
- BGM、効果音、無音のインサート映像（Bロール）などは自動でスキップされ、後続の字幕タイミングがずれる原因にはなりません
字幕の区切り（改行位置）の決まり方
原稿内の改行はそのまま尊重されます。1文ごとに1つの字幕を表示させたい場合は、1行に1文ずつ入力してください。約84文字を超える長い行は、文末や読点（カンマ）で区切られ、スマホ画面でも快適に読めるよう1行あたり約42文字・最大2行のレイアウトに自動調整されます。
シーンのト書き、カメラ指示、「[インサート：夜の街並み]」といった注記は、実際には声に出して読まれません。アップロード前にこれらを削除しておかないと、実際のセリフの合間に不自然な字幕として挟み込まれてしまいますのでご注意ください。
お支払い前にタイミングの精度を確認
10 分を超えるナレーションの場合、まず冒頭部分の同期結果が画面上にプレビュー表示されるため、発話の開始位置と字幕が合っているかを確認できます。問題がなければ、1回のお支払いで録音全体をロック解除できます。画面上で字幕テキストを自由に微調整でき、ダウンロードするファイルにはその編集内容が反映されます。なお、アムハラ語、ティグリニャ語、ソマリ語、ダリー語、クルド語、ビルマ語、パシュトー語の音声は汎用AIモデルで処理されるため精度がやや落ちる場合があります。これらの言語では無料プレビューを念入りにご確認ください。
ツールの仕組み、料金、ファイルの扱いについては音声と原稿の字幕同期のページを、全ツールの料金は料金のページをご覧ください。
最終更新日
よくある質問
ChatGPTで原稿とナレーション音声を同期できますか？
タイミングがすでに分かっているごく短いクリップであれば、AIチャットアシスタントでも原稿をSRT形式に整形することは容易です。しかし、長尺の音声を聴いて各セリフの開始タイミングを正確に判別することはできないため、AIが自力で生成するタイムコードは単なる推測にすぎず、動画が進むにつれて実際の音声からどんどんズレていきます。当ツールは、録音データそのものから正確な発話時間を直接読み取ります。
アップロード前に原稿の修正やクリーンアップは必要ですか？
シーンのト書き、カメラワークの指示、編集でカットした段落など、「実際に声に出して読んでいない箇所」はすべて削除してください。口癖の「えーと」を抜かした程度や、1語だけの言い間違いといった細かな差異であれば、そのままでも問題ありません。
対応しているファイル形式を教えてください。
音声・動画ファイルはMP3、M4A、WAV、MP4、MOVなど主要なフォーマットに対応しており、Google DriveやDropboxの公開リンク、直接のURL入力も可能です。原稿はテキストボックスへの直接貼り付け、またはTXT・DOCX形式のファイルとしてアップロードできます。
人名やブランド名などの固有名詞の表記は維持されますか？
はい、維持されます。字幕テキストにはお客様が用意した原稿がそのまま使われるため、製品名、特殊な表記、記号なども入力したとおりに出力されます。音声認識はタイミングの計測にのみ使用されます。
料金はいくらですか？
10 分までのナレーション音声なら、アカウント登録不要でダウンロードまで完全無料です。これを超える長時間の録音は、最長 6 時間まで一回払い $5 のみでご利用いただけます。週 $19 の使い放題（Unlimited プラン）をご利用いただくと、1件あたりの上限が 12 時間まで拡大されます。
未公開の動画データの機密性は守られますか？
作成したジョブにアクセスできるのはお客様ご自身のみです。録音データは処理の目的でのみAIモデルプロバイダーへ送信され、モデルのトレーニングに流用されることはありません。アカウントを作成せずに処理したジョブは 7 日後に自動消去され、それ以前でも管理画面からいつでも手動削除できます。