入力例
transcript.txt または approved-script.md + 対応する最終音声
ワークフローガイド
字幕向け強制アライン：既存文字起こしからSRTタイミングへ
著者：Yana Li
正しい文字起こしや台本がすでにある場合、もう一度音声認識で単語を推測する必要はありません。必要なのは既知テキストを音声に合わせ、ずれを確認し、SRT/VTT字幕にすることです。
出力例
SRT/VTTタイミング、不一致リスクの確認メモ、品質確認後の字幕ファイル
よくある失敗点
文字起こしがフィラーを省く、用語を変える、別編集版に基づく場合、見た目が正しくてもずれます。
判断ポイント
短い答え
はい。文字起こしが音声に近く一致していれば、強制アラインでタイムスタンプを生成できます。ただし字幕納品には、読みやすい字幕行とSRT/VTT検証が必要です。
強制アラインと文字起こし
文字起こしは音声から単語を発見します。強制アラインは既知テキストが音声のどこで話されたかを探します。使うモデルが似ていても、真実の源泉が違います。
編集ツールやWhisperが話題になる理由
多くの字幕ツールは文字起こし優先です。字幕作成後に編集できますが、既存文字起こしを最初から守る処理とは限りません。
MFAやOSSが合う場合
MFA、Gentle、Aeneas、WhisperX、CTC/MMS系は、モデル、辞書、正規化、CLI、出力変換を扱える技術ユーザーに向いています。
APIやSaaSが合う場合
セットアップを減らしたい場合はAPIや管理型ツールが向きます。字幕向けなら、単語時刻だけでなく字幕行分割、読みやすさ、書き出しまで必要です。
アラインを壊すもの
音声と文字が別バージョン、語の省略、専門用語の発音差、言語/辞書サポート不足、長音声のドリフトが精度を下げます。
字幕出力は別工程
単語時刻は良いSRTとは別です。字幕には自然な行分け、適切な長さ、重なりなし、有効なタイムスタンプ、読める速度が必要です。
TimedSubsの位置づけ
TimedSubsは、承認済みテキストと対応音声から、元テキストを保つ字幕タイミング、品質シグナル、SRT/VTT書き出しを作る管理型ワークフローです。
実用ワークフロー
- 1
文字起こしまたは台本が音声と同じ版であることを確認します。
- 2
見出し、古い時刻、話者ラベルなどを整えますが、話された文字は変えません。
- 3
OSS、API、編集ツール、TimedSubsから経路を選びます。
- 4
アラインを実行し、低信頼部分を確認します。
- 5
単語/句の時刻を字幕行にまとめます。
- 6
SRT/VTT構造、重なり、行長、読速を検証します。
- 7
字幕ファイルを書き出し、下流のプラットフォームに渡します。
製品境界
字幕向け強制アラインには既知テキストと対応音声が必要です。TimedSubsは公開動画ダウンロード、音声のみの文字起こし、万能な単語アライン精度の主張はしません。
ワークフロー位置づけ確認用の公式参照
公式参照の確認日: 2026-05-17
FAQ
既存文字起こしを音声に合わせてSRTにできますか？
はい。ただし既知テキストを音声に合わせる工程と、読みやすいSRT/VTT字幕行にする工程の両方が必要です。
Whisperより良いですか？
別の問題に向いています。単語が不明ならWhisper系、単語が正しいなら強制アラインが向いています。
Montreal Forced Alignerを使えますか？
はい。モデル、辞書、TextGrid出力、SRT/VTT変換を扱えるなら有力です。
文字起こしが完全一致しない場合は？
小さな句読点差は問題になりにくいですが、省略、並び替え、別編集版はドリフトを起こします。
テキストだけでSRTを作れますか？
いいえ。実際の時刻を作るには対応音声が必要です。
いつTimedSubsを選ぶべきですか？
承認済みテキストと対応音声があり、技術パイプラインではなく字幕タイミング、品質表示、SRT/VTT書き出しが欲しい場合です。
関連ガイド
すべてのガイドを見る