YouTube字幕をSRT・VTTで保存 — 自動生成と手動の違い

公開ツールYouTube字幕ダウンロード:SRT・VTT・テキスト抽出

目次
  1. 画面には字幕が出るのに、ファイルには出てこない
  2. ツールなしで確認・処理する方法
  3. 自動生成字幕と手動字幕は何が違うのか
  4. SRT・VTT・TXT: 何が違うのか、いつ選ぶのか
  5. よくつまずくポイント
  6. 著作権と合法的な利用範囲
  7. ほかの方法との違い
  8. まとめ
  9. よくある質問

YouTubeの字幕をファイルで受け取ったのに、人名や専門用語がとんでもない形で書かれている——そんなときは、人が付けた字幕ではなく、YouTubeが音声認識で作った「自動生成」字幕である可能性が高いです。同じ動画に人が直接付けた手動字幕が一緒に用意されていることも多く、一覧でそちらを選ぶだけで誤字は明らかに減ります。

この記事では、2種類の字幕がなぜ違うのか、どこで間違えるのか、そしてダウンロードするときにSRT・VTT・TXTのどれを選べばよいのかを整理します。

まとめ 自動生成字幕はYouTubeの音声認識の結果なので、固有名詞・専門用語・発音がくぐもった区間で間違えます。 同じ言語に手動字幕があれば、そちらのほうが明らかに正確です — 一覧から選んでダウンロードすれば済みます。 編集ソフトに入れるならSRT、Webページの動画ならVTT、内容を読むだけ・貼り付けるだけならTXTです。

画面には字幕が出るのに、ファイルには出てこない

動画の再生中は字幕がちゃんと表示されます。ところが、その字幕をファイルとして取り出そうとすると、急に手が止まります。再生画面の字幕は画像のように重ねてあるのではなく、一瞬ごとに差し替えられるテキストなので、ドラッグで範囲選択してコピーすることができません。

こんなときに字幕ファイルが必要になります

最も多いのは編集です。動画編集ソフトに字幕を載せるには、画面に見えている文字ではなく、時間情報が付いた字幕ファイルが必要です。セリフを打ち直して秒単位で合わせるのは、数分の動画だけでも手に負えません。

2つ目は内容の確認です。1時間の講義やプレゼン動画で、特定の箇所がどこに出てくるかを探すとき、動画を行ったり来たりするより、セリフを全部読んで検索したほうがずっと速いです。

3つ目は外国語の動画です。画面を流れていく字幕を目で追うのは大変ですが、テキストとして手元にあれば、わからない表現で止めて調べられます。

4つ目は記録です。会議や発表を動画で残したなら、あとで見返すときに必要なのは動画全体ではなく、その中の発言です。テキストにしておけば、文書と一緒に保管して検索できます。

ところが、ちょうどよい方法が見当たりません

YouTubeの画面のどこにも「字幕ファイルを保存」ボタンはありません。自分がアップロードした動画でなければなおさらです。検索して出てくる方法は、たいていソフトをインストールしろ、ブラウザ拡張を入れろ、コマンドを入力しろというものばかりです。

さらに、字幕が複数の言語で付いている動画では問題がもう1つ増えます。画面では今オンにしている1つの言語しか見えないので、どの言語が用意されているのか、そのうちどれが人が付けた字幕でどれが機械が作った字幕なのかが一目ではわかりません。

動画は検索できない、というのが本当に不便な点です

文書なら単語1つで見つかる内容を、動画では再生バーをつかんで行ったり来たりしながら探さなければなりません。1時間の動画で特定の箇所をもう一度見るには、その位置を覚えておく必要があります。

字幕をテキストとして手元に置けば、この問題は丸ごと消えます。単語で探し、何分何秒かを確認し、その位置へすぐ飛べばよいのです。

文字起こしで解決しようという人もいますが、これは時間がかかりすぎて無理があります。すでに作られたテキストが動画に付いているのに、同じ内容をもう一度タイピングする理由はありません。

ツールなしで確認・処理する方法

YouTube自体の機能だけでも、かなりの部分はこなせます。まずこの方法を覚えておけば、ツールがない状況でも詰まりません。

手順は3段階です。字幕があるかを確認し、どんな種類かを見て、テキストとして取り出します。この順番を飛ばしていきなりコピーから始めると、自動生成字幕をそのまま持ってきて、あとで誤字と格闘することになります。

1) 字幕があるか、どんな言語があるかを確認する

再生画面の下にある字幕(CC)ボタンがグレーで押せない状態なら、その動画に字幕はありません。ボタンが押せるなら、字幕が少なくとも1つはあるということです。

言語の一覧は、歯車の形をした設定ボタンで見ます。設定を押して字幕の項目に入ると、この動画に付いている言語がずらっと出てきます。ここで「自動生成」と表示されている項目が、音声認識で作られた字幕です。

一覧に言語が1つもなければ、その動画に字幕はありません。これは再生機器やブラウザの問題ではなく動画そのものの状態なので、別の場所で開いても結果は同じです。

同じ言語が2回出てくることがあります。1つは言語名だけで、もう1つは後ろに「自動生成」が付いています。このときは表示のないほう、つまり人が付けた手動字幕が正確です。

2) セリフをテキストとして読み出す

YouTubeのWeb版では、動画の説明欄のあたりでスクリプトを展開して見られます。セリフが時間とともに一覧で表示され、ここではマウスで範囲選択してコピーできます。

この一覧にはタイムスタンプを隠すオプションがあります。時間がいらないならオフにしてからコピーすると、あとで消す手間がありません。オンにしたままコピーすると、各行に時間が混ざって入ってくるので、整理に手間がかかります。

コピーした内容をメモ帳や文書エディタに貼り付ければ、セリフ全体を一度に読めます。ここまでが、インストールなしでできる範囲です。

3) この方法の限界

1つ目は、形式が出てこないことです。編集ソフトに入れるSRTファイルを作るには、番号と開始・終了時間を決まりに合わせて手で書き込まなければなりません。数行ならともかく、数百行をそうやって作ることはできません。

2つ目は、言語ごとに繰り返す必要があることです。言語を切り替えながらスクリプトを開き直し、またコピーし、また整理する作業を、言語の数だけ繰り返さなければなりません。

3つ目は、どの言語が原文でどの言語が自動翻訳なのかを一覧で見比べにくいことです。1つずつクリックして確認するしかありません。

4) それでも手作業で整理するなら

コピーしてきたテキストを読める形にする手順は、おおよそ次のとおりです。まず、時間の行が混ざって入っているなら、それから取り除きます。文書エディタの置換機能で処理すれば一度で済みます。

次に改行を整えます。字幕は画面に出る単位で区切られているので、そのまま貼り付けると文の途中で改行が入ります。句読点を目安にまとめ直すと読みやすくなります。

最後に人名と用語をざっと見ます。自動生成字幕だったなら、この部分で直すべき箇所が出てきます。ここまでやれば読める台本にはなりますが、動画1本ごとにこの作業を毎回するのは負担が大きいです。

無料ツール「YouTube字幕ダウンロード:SRT・VTT・テキスト抽出」なら一度に取得。 動画のURLを入れるだけで、その動画に付いている字幕を言語ごとにまとめて表示し、人が付けた字幕か自動生成かも一覧で見分けられます。言語と形式を選べば、SRT・VTT・TXTファイルとしてそのまま保存できます。

YouTube字幕ダウンロード:SRT・VTT・テキスト抽出

無料・登録不要・言語ごとにSRT・VTT・TXTで保存

自動生成字幕と手動字幕は何が違うのか

この二つは同じ「字幕」という名前が付いていますが、作られる過程はまったく異なります。そのため品質も、信頼できる範囲も違ってきます。

手動字幕: 人が聞いて書き起こしたもの

手動字幕は、人が動画を聞きながら直接入力した字幕です。アップロードした本人が入れることもあれば、翻訳者やファンが作って付けることもあります。

人が作っているので、文脈を理解しています。人名や地名の綴りが正しく、専門用語はその分野で使われる表記になっており、語尾が不明瞭になった区間も前後の流れから補われています。

句読点や改行も、人が読みやすいように整えてあるのが普通です。画面に一度に表示される量が目に負担の少ない長さに区切られているのも、人が手を加えているからです。

自動生成字幕: 機械が音を聞き取って書き起こしたもの

自動生成字幕は、YouTubeが音声認識で作った字幕です。人が介在せず、音から直接文字に起こします。

そのため、音がはっきりしている区間では驚くほど正確に合います。問題になるのは、音がはっきりしない区間と、音だけでは判断できない単語です。

また、人が文章を整えて入れたものではないので、句読点や改行が読みやすく整理されていないことがあります。通読用に書き出したのに、段落の区切りもなく文章が続いて出てくるのは、ここに理由があります。

具体的にどこで間違えるのか

三つの箇所で繰り返し崩れます。

一つ目は固有名詞です。人名、会社名、製品名、地名は、音だけでは綴りを決められません。発音が似た別の単語に置き換わって書かれることがよくあります。

二つ目は専門用語です。その分野の人には当たり前の言葉でも、音声認識が日常語に戻してしまう場合があります。医療・法律・技術系の動画では特に目立ちます。

三つ目は発音がくぐもる区間です。話すのが速かったり、口ごもったり、BGMや雑音が重なったり、複数の人が同時に話したりすると、認識結果が乱れます。

ここで大事なのは、自動生成字幕が「すべて間違っている」わけではないという点です。大半は合っています。ただ、間違える箇所が、よりによって名前や用語のように検索や引用のときに必要な単語に集中しているのが問題です。

そのため、通読する目的なら大きな支障はなくても、引用や検索の目的では困ったことになります。会社名が間違って書かれていれば、その単語で検索してもヒットしませんし、そのまま書き写せば誤った情報になってしまいます。

自動生成字幕がよく当たる条件

逆に、自動生成字幕でも十分使える場合は確かにあります。条件が良ければ、人が書いたものと比べても大きな差は出ません。

一人がはっきり話し、背景の雑音や音楽が大きくなく、話す速度が一定で、日常語中心の動画がそうですね。インタビューや講演のように、マイクがきちんと音を拾っている動画がこれに当たります。

ですから「自動生成なら使えない」と最初から諦める必要はありません。ダウンロードして、名前や用語が出てくる箇所だけ確認すれば、使えるかどうかはすぐ判断できます。

手動字幕でもいつも完璧とは限りません

人が付けた字幕にも誤字があり、セリフを要約して書き写している場合もあり、翻訳字幕なら訳した人の解釈が入っています。原文のセリフと一字一句同じだと決めつけてはいけません。

ただ、性質が異なります。自動生成字幕の誤りは音を聞き違えたところから生まれ、手動字幕の違いは人が意図的に整えたところから生まれます。引用が重要な作業なら、結局その箇所を直接聞いて確認するのが正解です。

だから一覧から選ぶことが大切です

同じ言語に手動字幕と自動生成字幕の両方があるなら、手動字幕を選ぶだけで上の問題のほとんどは消えます。追加の作業も、補正も要りません。ただ別の項目を選べばいいだけです。

これが、一覧をひと目で見られることが必要な理由です。実際に私たちが確認したある動画には、字幕トラックが25種類付いていました。大半は人が直接付けた手動字幕で、英語には自動生成字幕も一緒にありました。

25個を一つずつクリックして確認するのは現実的ではありません。一覧に並べて、欲しい言語と種類を選ぶほうがずっと速いです。

この数字が示していることは、もう一つあります。字幕が多く付いている動画ほど、より良い選択肢がすでにその中にある可能性が高いということです。自動生成字幕をダウンロードして誤字を直すのではなく、まず一覧を確認する習慣が時間を節約します。

一覧から選ぶときに見る順番

トラックが複数あるときに迷わない順番があります。三つだけ順番に見れば大丈夫です。

一つ目は、必要な言語が一覧にあるかです。なければ、その言語は原本にも翻訳にも用意されていないという意味です。

二つ目は、その言語が自動生成かどうかです。表示が付いていない項目が、人が付けた字幕です。同じ言語に両方があるなら、表示のないほうを選びます。

三つ目は、動画で実際に使われている言語が何かです。英語で話す動画の日本語字幕はたいてい翻訳で、翻訳の品質は元が何だったかによって左右されます。正確さが重要な作業なら、元の言語のトラックも一緒にダウンロードしておくと照合できます。

自動翻訳は誤りがもう一層重なります

一覧に自分が知らない言語までたくさん並ぶことがありますが、その多くはYouTubeが提供している自動翻訳です。私たちが翻訳しているのではなく、YouTube側で作られている翻訳です。

ここに品質が分かれるポイントがあります。元の字幕が手動字幕なら、翻訳の出発点が正確な文なので、結果もおおむね読めるものになります。

反対に、元が自動生成字幕なら話が変わってきます。音声認識がすでに名前を間違って書いてしまった状態から翻訳が始まるので、間違った単語をそのまま翻訳した文が出てきます。認識の誤りがそのまま翻訳に引き継がれ、品質が安定しなくなるのです。

ですから、外国語動画の日本語字幕が妙に読みにくいと感じたら、翻訳そのものより、その前の段階である元の字幕を疑うのが正しいです。元の言語に手動字幕があるなら、その言語をダウンロードして確認してみれば原因がはっきりします。

字幕がまったくない動画もあります

「字幕がない」という結果が、エラーではない場合があります。アップロードした人が字幕を入れておらず、YouTubeの自動生成字幕も作られていないなら、取得できる字幕自体が存在しません。

人の声がほとんど入っていない音楽動画や、ごく短い動画ではよくあることです。この場合、どの方法を使っても結果は同じです — ないものを作り出すことはできません。

SRT・VTT・TXT: 何が違うのか、いつ選ぶのか

3つとも同じ台詞を収めていますが、収め方が違います。使う場所が決まっているなら、迷うこともありません。

形式時間情報時間の小数点先頭行の表示番号主な用途
SRTありカンマなしあり動画編集ソフト、デスクトップ向けプレイヤー
VTTありピリオドWEBVTTなくてもよいWebページに埋め込む動画
TXTなし—なしなし通読、検索、他の場所への貼り付け
SRT台詞ごとの開始・終了00:00:00,680 形式—連番必須互換性がもっとも広い
VTT台詞ごとの開始・終了00:00:00.680 形式ファイルの先頭省略可能Web標準の字幕
TXT台詞だけが続く———読む用・貼り付け用

「時間情報がある」とはどういうことか

SRTとVTTがTXTと分かれるポイントがここです。この2つの形式は、台詞のひとかたまりごとにいつ表示され、いつ消えるのかを一緒に記録します。

そのためプレイヤーや編集ソフトがこのファイルを読み込むと、再生位置に合わせて該当する台詞を画面に表示し、時間が来たら引っ込めます。字幕が映像とずれないのは、この時間値のおかげです。

TXTにはこの値がありません。だから読むのには楽ですが、映像に載せることはできません。逆にSRT・VTTをただ読もうとして開くと、時間の行がひっきりなしに割り込んできて読みづらくなります。同じ台詞を収めていても用途が分かれるのは、この違いがひとつあるからです。

30秒で形式を決める

迷いを減らす基準はひとつです。このファイルを何が読むのかを先に決めれば答えが出ます。

動画編集ソフトやパソコンの動画プレイヤーが読むならSRTです。ブラウザが読むなら、つまりWebページに載せた動画に字幕を付けるならVTTです。人が読むならTXTです。

どこで使うかまだ決まっていないなら、SRTを取っておけば大丈夫です。時間情報が残っているので、後からVTTとしても、読む用としても使えます。逆にTXTを先に取ると時間が消えてしまい、元には戻せません。

SRT: もっとも無難な選択

SRTは字幕形式のなかで最も広く使われています。動画編集ソフトやプレイヤーのほとんどが、特別な設定なしに読み込みます。どこで使うかまだ決まっていないなら、SRTを選ぶのが安全です。

構造もシンプルです。連番が1行、開始時間と終了時間が1行、そのあとに台詞の行が続き、空行で次の字幕と区切られます。

時間の行はこうなっています。00:00:00,680 --> 00:00:05,879 — 時・分・秒のあとにミリ秒が付き、小数点をカンマで区切ります。このカンマがSRTの目印です。

VTT: Web動画向けの標準

VTTは、Webページに埋め込む動画に字幕を付けるときの形式です。ブラウザが直接読めるように作られた規格なので、Webサイトに載せた動画にはこちらが合っています。

ファイルの先頭にWEBVTTという1行が入るのが特徴です。この行がないと、Web上で字幕として認識されません。中身がどれだけまともでも、この1行が抜けると字幕が丸ごと表示されません。

時間の表記はSRTとほぼ同じですが、1文字だけ違います。00:00:00.680 --> 00:00:05.879 のように小数点をピリオドで区切ります。また連番はあってもなくてもかまいません。2つの形式を見分けるときは、この1文字と先頭行だけ見れば十分です。

TXT: 時間を抜いた文章

TXTはタイムスタンプなしで台詞だけをつなげた形式です。字幕ファイルというより台本に近いものです。

内容を通して読んだり、ある表現が出てくるか検索したり、別の文書に書き写したりするときに便利です。時間が混ざっていないので、貼り付けてすぐ読めます。

ただし時間情報が消えるため、編集ソフトでは使えません。後で時間が必要になりそうならSRTで取っておき、読む用は別に書き出すのがよいでしょう。

ファイルを開けば形式がすぐにわかる

受け取ったファイルがどれか迷ったときは、メモ帳のようなテキストエディタで開いてみればわかります。字幕ファイルはどれもただの文字でできているので、どのエディタでも開けます。

先頭にWEBVTTという1行が見えればVTTです。1、2、3と連番があり、時間にカンマが打ってあればSRTです。時間がまったくなく台詞だけが続いていればTXTです。

拡張子を変えただけでは形式は変わりません。ファイル名の末尾をsrtからvttに書き換えてみても、中身はそのままなので、字幕が出ない問題は解決しません。

形式を選び間違えたら

時間の構造が同じなので、SRTとVTTは互いに移し替えるのは難しくありません。ただし手で直すとなると、すべての時間行のカンマをピリオドに(またはその逆に)変え、VTTにするときは先頭にWEBVTTの行を追加する必要があります。

行数が数百行もあると、1か所でも見落とすと字幕が丸ごと表示されないことがあります。それなら最初から欲しい形式で取り直すほうが速くて確実です。

よくつまずくポイント

症状原因対処
字幕がないと表示されるその動画に字幕が実際に存在しない(投稿者が未登録で、自動生成もない)別の動画で確認する。存在しない字幕は作れない
名前・用語がしょっちゅう間違う自動生成(音声認識)の字幕を取ってしまった同じ言語に手動字幕があれば、そちらに切り替えて取る
翻訳がおかしい元が自動生成なので、認識ミスが翻訳まで波及する元の言語の手動字幕を取って照合する
非公開・年齢制限のある動画ログインが必要なコンテンツなので、字幕も取得できない公開動画だけで進める
さっきはできたのに今はできない字幕のURLに有効期限があり、時間が経つと探し直しが必要になるURLを入れ直して新しく探す
続けて取っていたら急に止まるYouTubeの字幕サーバーがIP単位でリクエスト回数を制限している1~2分待ってから再試行する
Webページの動画で字幕が出ないSRTを入れた、またはWEBVTTの行が抜けているVTT形式で取り直す

期限切れとリクエスト制限は故障ではありません

上の表のうち、最後の2つはもう少し説明が要ります。YouTubeが返す字幕のURLには有効期限が付いています。 そのため、しばらく開いたままにした画面で保存を押し直すと失敗することがあります。そんなときは動画のURLを入れ直して、字幕を新しく探せば大丈夫です。

また、YouTubeの字幕サーバーはIP単位でリクエスト回数を制限します。短時間に何度も取得すると一時的に止められ、ふつうは1~2分ほどで解除されます。ブロックやアカウントの問題ではなく、サーバー側の正常な速度制限です。

複数の動画の字幕が必要なら、まとめて一気に押すより、少しずつ間隔をあけて取得するほうが結果的に速くなります。

形式の問題と内容の問題を切り分ける

上の表を見るときに役立つ区別がひとつあります。症状は大きく2つに分かれます。

形式の問題は、字幕がまったく出ない、あるいは文字が化けて見えるほうです。Web動画にSRTを入れてしまった、WEBVTTの行が抜けた、といったケースです。これは別の形式で取り直せば済みます。

韓国語が四角やクエスチョンマークで化けるのもこちらです。字幕ファイルはUTF-8で保存されますが、古いソフトのなかにはこのエンコーディングを自動で判別できないものがあります。テキストエディタで開いてUTF-8で保存し直すか、ソフトの字幕エンコーディング設定をUTF-8に指定すれば、たいていは解決します。中身そのものは正常なので、取り直す必要はありません。

内容の問題は、字幕はきちんと出るのに、書かれている言葉がおかしいほうです。これは形式を変えてもそのままです。原因が元の字幕にあるからです。自動生成かどうかを確認し、手動字幕があればそちらに切り替えて取る必要があります。

この2つを混ぜると、見当違いなところで時間を使います。字幕が出ない問題を言語を変えながら解決しようとしたり、誤字の問題を形式を変えながら解決しようとしたりするようなものです。

著作権と合法的な利用範囲

ここで線引きをはっきりさせておきます。字幕の著作権は原著作者にあります。 ファイルとして受け取れることと、自由に使ってよいことは別の話です。

字幕は動画のセリフを収めた著作物です。投稿者が自分で書いたものでも、翻訳者が訳したものでも、そのテキストには作った人の権利が付いています。自動生成字幕だからといって、元のセリフの権利が消えるわけでもありません。

機械が書き起こしたという事実は作り方についての話であり、そこに含まれる言葉が誰のものかとは別問題です。セリフを話した人は、今も動画の出演者であり著作者です。

問題にならないケース

自分が投稿した動画の字幕をダウンロードして保管したり編集に使う場合、権利者から許可を得ている場合、そして一人で読んで勉強する私的利用であれば、一般に問題にはなりません。

外国語の動画を理解するためにテキストで手元に置いておき、知らない表現を調べる、講義動画の内容を再確認するために読む、といった場合もここに含まれます。

注意が必要なケース

受け取った字幕をそのまま別の場所に公開したり、自分のコンテンツに入れて配布したり、セリフを書き写して文章として再加工し公開するのは別問題です。こうした用途には原著作者の許可が必要です。

翻訳字幕も同じです。自動翻訳であっても、その出発点は原著作者のセリフです。「機械が翻訳したから自分のもの」にはなりません。

まとめると、受け取ることと使うことを分けて考えるとよいでしょう。 個人的に確認して整理する用途なのか、外に出す用途なのかによって、必要な手続きは変わります。

判断に迷うケース

「私的利用」と「公開」の境界が、いつもはっきりしているわけではありません。勉強会で資料として配る、社内文書に添付する、授業資料に入れる、といった中間領域があります。

ここを私たちが代わりに判断することはできません。ただし、確認すべき点は明確です — 受け取ったテキストが自分以外の誰かに渡るのか、そしてそれが原著作者の想定した範囲内なのかどうかです。

曖昧な場合は、セリフをそのまま書き写す代わりに動画リンクを貼る方法があります。リンクは原著作者のチャンネルへ人を送り届けるものなので、性質が異なります。

ほかの方法との違い

字幕を取り出す方法はいくつかあります。それぞれ長所と短所がはっきりしています。

画面からなぞってコピーする

インストールが不要なのが最大の利点です。ただし、前で見たとおり形式が整わず、言語ごとに繰り返す必要があり、タイムスタンプの整理にも手間がかかります。短い動画を1本ざっと読む程度なら十分です。

限界がはっきりするのは、動画が長くなったり本数が増えたりするときです。講義シリーズのように複数の回を扱うなら、同じ作業を回数分繰り返すことになり、途中で一度順番を飛ばすと、どこまでやったかをまた合わせ直さなければなりません。

ブラウザ拡張機能

一度入れれば便利ですが、拡張機能はブラウザで見ているページの内容を読む権限を持つことになります。どの拡張を入れるかを判断するのは利用者側です。ブラウザを変えれば入れ直す必要があり、YouTubeの画面構成が変わると動かなくなることもあります。

インストール型のソフトウェア

機能はもっとも幅広いです。その代わりインストールが必要で、コマンドを扱うものもあり、パソコンごとに入れなければなりません。会社のパソコンや他人の端末ではまったく使えない場合も少なくありません。

一度入れておけば長く使えそうですが、YouTube側が変われば更新が必要です。字幕をたまにダウンロードできればよい人には、準備の負担が大きい選択です。逆に毎日大量に扱うなら、こちらが向いています。

私たちの無料ツール

私たちの無料ツール「YouTube字幕ダウンロード:SRT・VTT・テキスト抽出」は、インストールなしでURLを入れるだけで使える方式です。ブラウザさえあればよく、端末を選びません。字幕が複数言語付いていても一覧でまとめて表示し、手動字幕と自動生成字幕が区別されて出るので、より正確なほうを選んでダウンロードできます。

ひとつはっきりさせておきたいことがあります。私たちは字幕を翻訳しません — 翻訳言語はYouTubeが提供する自動翻訳です。そして内容を要約もしません — 要約ツールに貼り付けやすい、タイムスタンプなしの文章テキストを出力するだけです。

どの方法を使っても字幕の中身は同じ

方法を選ぶときに誤解しやすい点があります。あるツールが「より正確な字幕」をくれる、という話は成り立ちません。

字幕はすべてYouTubeにすでに上がっているものを取得するもので、元が同じなら結果も同じです。ツールが変えるのは正確さではなく使い勝手です — インストールが必要か、複数言語を一覧で見せてくれるか、欲しい形式でそのまま保存できるか、といった点です。

ですから、ツールを替えながらよりよい字幕を探す必要はありません。代わりに、同じ動画の中でよりよいトラックがあるかどうかを見るのが実際的です。

どの方法でもできないこと

方法を選ぶ前に知っておくと時間を節約できることがあります。これはツールの性能の問題ではなく、そもそも道がないケースです。

非公開動画と年齢制限のある動画は対象外です。ログインが必要なコンテンツなので、ログインせずにアクセスするどの方法でも字幕を取得できません。

字幕がない動画から字幕を作り出すこともできません。投稿者が入れていないうえ自動生成もないなら、取得する対象自体がありません。このときに必要なのは字幕の抽出ではなく、音声認識を別途回すという別の作業です。

そして、すでに出来ている字幕の正確さを高める方法もありません。YouTubeに上がっている結果を取得するものなので、どのツールを使っても同じ内容になります。品質を変える唯一の選択肢はどのトラックを選ぶかです。

まとめ

自動生成字幕はYouTubeが音声認識で作った結果なので、固有名詞・専門用語・発音がくぐもった区間で間違えます。同じ言語に人が付けた手動字幕が一緒にあればそちらのほうが明らかに正確なので、一覧で種類を確認して選ぶだけで品質が変わります。

翻訳字幕がおかしいと感じたら、翻訳より先に元の字幕を疑ってください。元が自動生成なら、認識の誤りが翻訳までそのまま引き継がれます。

形式は使う場所で決めればよいでしょう。編集ソフト・プレーヤーにはSRT、Webページの動画にはVTT、読んで貼り付けるならタイムスタンプなしのTXTです。

受け取ることと使うことは別問題です。字幕の著作権は原著作者にあるので、外に出す予定なら許可が必要です。

YouTube字幕ダウンロード:SRT・VTT・テキスト抽出

無料・登録不要・言語ごとにSRT・VTT・TXTで保存

よくある質問

今見ている字幕が自動生成かどうかは、どうやって見分けますか?

再生画面の設定(歯車)で字幕の項目を開くと言語の一覧が表示され、音声認識で作られた字幕には「自動生成」と付いています。同じ言語が2つ並んでいる場合は、表示がないほうが人が直接付けた手動字幕です。「YouTube字幕ダウンロード:SRT・VTT・テキスト抽出」では、字幕を検索したあと一覧にこの区別もあわせて表示されるので、言語を1つずつクリックして確かめなくても、見比べて選ぶことができます。

自動生成字幕の誤字を減らす方法はありますか?

字幕そのものをより正確に作ることはできません。YouTubeがすでに生成した結果を取得しているだけだからです。どのツールを使っても同じ内容になるので、ツールを変えながらより良い字幕を探す意味はありません。

代わりに、同じ言語に手動字幕があればそちらに切り替えてダウンロードするのが最も確実な解決策です。手動字幕がない場合は、人名や専門用語が出てくる箇所だけ動画を直接聴いて確認するほうが早いです — 自動生成字幕が間違えるのは、たいていこの2点に集中しています。

ダウンロードしたTXTに句読点がほとんどなくて読みにくいのも同じ理由です。人が文章を整えて入れたものではないため、改行や句読点が整理されていないことがあります。

字幕ファイルを開いたら、時間が 00:00:00,680 のようにカンマで区切られていたのですが正常ですか?

正常です。SRTは時刻の小数点以下をカンマで区切る規格です。反対にVTTは同じ箇所をピリオドで書きます。ファイルを開いたとき、先頭にWEBVTTという行があり時刻にピリオドが打ってあればVTT、連番とカンマがあればSRTと判断できます。字幕ファイルはすべてプレーンテキストなので、メモ帳などのエディタで開いて目で確認できます。こうして確認しておけば、何をダウンロードしたのか混乱することはありません。

SRTをダウンロードしたのに、Webページの動画に表示されません。

Webページに埋め込む動画はVTT形式を前提としています。SRTをそのまま入れても字幕は表示されません。VTTでダウンロードし直すのがいちばん簡単です。どうしても手で直すなら、ファイルの先頭にWEBVTTの行を追加し、すべての時刻行のカンマをピリオドに変える必要があります。1行でも漏れると字幕全体が表示されないことがあるため、おすすめはしません。

編集ソフトに読み込んだら、字幕のタイミングがずれます。

字幕ファイルの時間値は、YouTubeに公開されている動画を基準に付けられています。そのため、冒頭のイントロをカットしたり途中を編集したりした動画にそのまま乗せると、切り取った分だけ全体がずれます。ファイルが壊れているのではなく、基準となる動画が変わったということです。

前半だけをカットした場合なら、編集ソフトで字幕トラック全体を前後にずらす機能を使い、最初のセリフの位置で一度だけ合わせれば、残りも一緒に合います。ただし途中を何カ所もカットしていると、区間ごとにずれる量が変わるため、一度の移動では合いません。

さっきまではダウンロードできたのに、今はできません。

2つの可能性があります。1つは字幕URLの期限切れです。YouTubeが配信する字幕のURLには有効期限が付いているため、画面を長時間開いたままにしてから保存を押すと失敗することがあります。動画URLを入れ直して字幕を探し直せば解決します。もう1つはリクエスト制限です。YouTubeの字幕サーバーはIP単位でリクエスト回数を制限しているため、短時間に何度もダウンロードすると一時的にブロックされます。通常は1~2分ほどで解除されます。

1つの動画に字幕がこんなに多く付いているのはなぜですか?

視聴者層が広い動画ほど、さまざまな言語の字幕が付きます。アップロードした人が翻訳を依頼して追加することもあれば、YouTubeの自動翻訳で言語が増えることもあります。当サイトで確認したある動画には字幕トラックが25種類あり、そのほとんどが人が直接付けた手動字幕でした。英語には手動字幕と自動生成字幕の両方がありました。

一覧が長いからといって、すべてが機械翻訳というわけではありません。必要な言語に手動字幕があるかどうかを先に確認してみるのがおすすめです。逆に一覧に言語が1つしかなく、それが自動生成なら、その動画から得られる最善はそこまでということです。

講義動画の字幕をテキストでダウンロードして、ブログに書き写してもいいですか?

字幕の著作権は原著作者にあります。一人で読んだり整理したりする個人的な用途であれば、一般には問題になりませんが、ダウンロードした内容を公開の場に載せたり、別のコンテンツに含めて配布したりするのは別の問題で、原著作者の許諾が必要です。自動翻訳で出力された字幕も同じです — 機械が翻訳したからといって、権利関係が変わるわけではありません。

この記事は韓国語の原文をもとに作成しています。 韓国語の原文を読む

関連記事

  1. テキストの各行に行番号を付ける方法 5形式と桁揃え複数行のテキストやコードの先頭に、1. や [1]、01. など5つの形式で行番号を自動で付けられます。空行を除く方法と、桁数を揃える計算の仕組みも解説します。
  2. アナグラム判定の方法 4ステップで一致を確認2つの単語や文がアナグラムかどうかを、大文字小文字・空白・記号を除いて文字を並べ替え、4ステップで確かめる方法を解説します。文字の出現回数を数える高速な判定の仕組みと、身近な例もあわせて紹介します。
  3. NGワードの伏字変換 誤検出を防ぐ判定の仕組み部分一致と完全一致の違い、長い単語を優先するマッチング、スカンソープ問題の避け方まで、誤検出の少ない伏字処理の考え方を整理して解説します。
  4. Base32エンコードの仕組みとOTPシークレットキーのデコードRFC 4648準拠のBase32が5ビット単位で変換される仕組み、0・1・8・9を使わない理由、=パディングの計算方法、そしてGoogle OTPのシークレットキーをデコードする手順までを解説します。
  5. Base64 エンコード・デコードの仕組みと文字化け対策Base64が8ビットを6ビットに分ける仕組み、容量が33%増える理由、末尾の=パディングの規則、日本語が文字化けしないUTF-8変換、暗号化との違いをまとめて解説します。
  6. Base64 Hex 変換の仕組み|16進数ビット計算と双方向変換Base64と16進数(Hex)が同じバイト列を4ビット・6ビットで表記する違いを解説します。Hexの偶数長ルールやSHA-256ハッシュの形式互換、双方向の変換手順まで確認できます。

関連ツール