ブラウザから出ない字幕・文字起こしツール

字幕やキャプションのファイルは、単なる構造化されたテキストです。SRT（SubRip）ファイルは連番のキューを並べたもので、ミリ秒の前にカンマを使うHH:MM:SS,mmm --> HH:MM:SS,mmm形式のタイムコード範囲と、1行以上のダイアログが空行で区切られて並びます。WebVTT（.vtt）ファイルはWEBVTTヘッダーで始まり、ミリ秒の前にカンマではなくピリオドを使い、SRTにはない追加のメタデータ（align:start position:10%のようなキュー設定、話者ごとの字幕のための<v Speaker Name>のようなボイスタグ、<i>や<c.yellow>のような書式タグなど）に対応しています。単純な.txtファイルにはこうした要素は一切なく、ただのテキスト行だけです。これはまさに、ほとんどの人が実際に読みたい、文書に貼り付けたい、あるいは要約ツールに渡したいと思っている形そのものです。

ステップ1：ファイルを読み込む

上のスタジオに.srt、.vtt、.txtファイルをドラッグするか、「ファイルをアップロード」をクリックするか、生のテキストを左側のパネルに直接貼り付けてください。SubToolDeskはブラウザのFileReader APIを使ってファイルをローカルで読み込みます。メモリ内で解析され、どこにも送信されることはありません。

ステップ2：自動検出に任せる

エディタ上部のバッジは、WEBVTTヘッダー、カンマ形式のタイムコード、ピリオド形式のタイムコードのいずれかを検出して形式を識別します。どのパターンにも一致しない場合、ファイルはプレーンテキストとして扱われ、空でない各行がそれぞれ1つのセグメントになるため、話者ラベルやタグのクリーンアップは引き続き適用されます。

ステップ3：出力形式を選び、トグルを調整する

読みやすくクリーンな文字起こしにしたい場合はプレーンテキストを、タイミング付きのキュー構造を保持（または変換）したい場合はSRT/VTTを選択してください。3つの独立したトグルで結果を細かく調整できます。

• 段落にまとめる：短く断片化されたキューを、句読点を使って1つの考えがどこで終わり次がどこで始まるかを判断しながら、自然な文や段落へと再構成します。
• 話者ラベルを削除：字幕作成ソフトが自動的に付加するSPEAKER 1:、[John]:、>> JANE:のような先頭の識別子を削除します。
• 書式タグを削除：そのままではプレーンテキスト出力に視覚的な雑音として残ってしまうHTML形式のタグ（<i>、<v Name>）やASSのオーバーライドコード（{\an8}）を削除します。

ステップ4：コピーまたはダウンロード

右側のパネルは、キー入力やトグルの変更があるたびに更新されます。見た目が整ったら、コピー（またはテキストパネルの外側であればCmd/Ctrl + C）を押してクリップボードから取得するか、ダウンロードを押して正しい拡張子のファイルとして保存できます。これらすべてが、お使いの端末から1件のネットワークリクエストも送信することなく行われます。

SRTとWebVTT：重要な技術的な違い

この2つの形式は一見ほとんど同じに見えるため、まさにそれが原因で変換時に混乱が生じがちです。SRTのタイムコードはミリ秒をカンマ（00:00:06,120）で区切りますが、WebVTTはピリオド（00:00:06.120）を使います。WebVTTはファイルの先頭にWEBVTTという文字列のヘッダー行を必要とします。SRTにはヘッダーが一切ありません。WebVTTはまた、SRTが想定していなかった機能にも対応しています。画面上の配置を制御するalign:start position:10%のようなキュー設定、話者ごとの字幕付けのための<v Speaker Name>ボイスタグ、コメントやスタイルのための専用のNOTE、STYLE、REGIONブロックです。SRTのキュー番号は欠落のない厳密な連番でなければなりませんが、WebVTTの任意のキュー識別子は任意の文字列でも構わず、省略することもできます。これらの細部のいずれかを誤ると、手作業で編集した字幕ファイルがプレーヤーでは「ほぼ動作している」ように見えても、ブラウザでは字幕の読み込みに静かに失敗する、という事態につながりがちです。

実際にこのようなツールを使っているのは誰か

映像編集者は、カットを確定する前に素早く通読するために、タイミング付きのキャプション書き出しをプレーンテキストの台本に変換します。ポッドキャスターやコンテンツチームは、自動生成された文字起こしを、何も打ち直すことなくブログ記事やショーノートの草稿に変換します。カスタマーサクセスや営業チームは、ZoomやTeamsの録音から、CRMのメモ用に話者名を含まないクリーンな要約を取り出します。Web開発者は、アクセシビリティ要件を満たすために、HTML5の<track>要素用の.vttファイルを準備します。研究者やジャーナリストは、生の録音を文字起こしベンダーに二度目にさらすことなく、インタビューの文字起こしを引用のためにクリーンアップします。これらの用途はいずれも、同じ根本的な要件を共有しています。元のファイルはしばしば機密であり、未公開であり、あるいは単に知らない誰かのサーバーが関わるべきものではない、ということです。

精度と限界についての注意

段落まとめアルゴリズムは、句読点（句点、疑問符、感嘆符、そして字幕作成者が文が次のキューに続くことを示すために使う三点リーダーの慣例）を使って、1つの段落がどこで終わり次がどこで始まるかを判断します。これは意図的に慎重な設計になっています。判断に迷う場合は、存在しない区切りを推測するよりも、断片を隣接する部分にくっつけたままにします。句読点の使い方が特殊なファイル（たとえば文末の句読点が一切ないもの）については、段落まとめを一旦オフにして、1キュー1行の出力を先に確認するのが、さらに整形を進める前に元のファイルを検証する最も確実な方法です。