クローズドキャプション対字幕：何が違うのか（そして実際どちらが必要か）

あなたもおそらく「字幕」と「キャプション」を同じ意味で使ったことがあるでしょう。ほとんどの人がそうしますし、YouTube自身の設定メニューもそうです。正直なところ、やっていることの90%にとってはどちらでも構いません。しかしこの2つの言葉は本当に異なるものを指しており、どちらが必要かを知っておくことで、間違ったファイルを間違ったプラットフォームにアップロードせずに済みます。

キャプションとは、分かりやすく言うと

キャプションは同一言語のテキストで画面に表示され、音声がまったく聞こえない人のために書かれています。つまり、話されている内容だけでなく、それ以上のものを含みます。効果音、音楽の合図、誰が話しているか、といった台詞以外の情報です。画面外でドアがバタンと閉まったり、音楽が不穏な雰囲気に変わったりすれば、キャプション付きの動画はそれを伝えます。字幕付きの動画は通常そうしません。

キャプションには2種類あります。

• クローズドキャプション（CC） — 視聴者がオン・オフを切り替えられます。これはYouTubeの自動キャプションや、別途アップロードするSRTファイルで得られるものです。
• オープンキャプション — 動画のフレームに永続的に焼き込まれます。切り替えも設定メニューもありません。TikTokやReels向けにテキストを焼き込んだ動画をエクスポートするとき、あなたが作っているのはこれです。

字幕とは、分かりやすく言うと

字幕は視聴者が音声を問題なく聞けることを前提とし、ただ言語が分からないだけという想定です。だからこそ字幕は台詞のみをカバーします。音声が聞こえる人にドアがバタンと閉まったことを説明する必要はありません。字幕トラックは話されている内容を翻訳するために存在し、何が起きているかを説明するためではありません。

ざっくり比較

	キャプション	字幕
誰のためか	音声が聞こえない人	聞こえるが言語が分からない人
含まれる内容	台詞 + 効果音 + 話者ラベル	台詞のみ
言語	音声と同じ	通常は別の言語
オン・オフ切り替え可能か	場合による（オープンかクローズドか）	通常は可能

他ではあまり触れられない部分：字幕は思ったより短く縮められている

ほとんどの解説記事が省略していることを一つ挙げると、字幕は実際の台詞から短縮・言い換えされることが多く、キャプションは通常そうではありません。この話題を扱った広く議論されたクリエイター向けスレッド（約4,000のアップボートと150件以上の返信で議論が交わされた投稿）は、実際の理由に行き着きました。字幕は画面に収まり、通常の読書速度で読める状態を保つ必要があるため、翻訳者はその制約に合わせて言い換えを行います。特に文の長さが大きく異なる言語間ではそうです。キャプションは通常同一言語であり、アクセシビリティを第一に書かれるため、逐語訳に近い状態を保つ傾向があります。

外国映画の字幕が、バイリンガルの友人が教えてくれる実際の台詞より短く感じたことがあるなら、これが理由です。翻訳が下手なのではなく、読書速度とのトレードオフなのです。

実際どう作られているか、それが品質にどう影響するか

正確性の違いの背後には制作方法の違いがあります。テレビの生放送のキャプションは、多くの場合リアルタイムで入力または発話されます。キャプション作成者が音声認識ソフトに向けて台詞を話し直す（リスピーキングと呼ばれます）か、裁判所速記者のようにステノタイプ機で入力するかのどちらかで、どちらも放送の進行に追いつこうと競争しています。生放送のキャプションが音声より一拍遅れたり、単語が乱れたりすることがあるのもこのためです。放送前に直す時間がないのです。

字幕がこの方式で作られることはほとんどありません。翻訳が関わるため、完成した台本や文字起こしを元に事前に準備されます。だからこそ、生放送のキャプションのように翻訳字幕がリアルタイムで放送されるのを見ることは基本的にありません。

放送ではなくアップロードするコンテンツについては、この違いはほぼ消えます。自動文字起こしツールは完成した動画から両方を生成するので、どちらも急いで作られたものではありません。この違いが重要になるのは、自分がアップロードした動画のキャプション品質を、テレビの生放送で見たものと比較して、なぜ違うのか疑問に思うときだけです。技術の差ではなく、締め切りの差なのです。

知っておく価値のある用語の落とし穴

ここまで説明したのはすべてアメリカの慣習であり、世界共通ではありません。イギリスやヨーロッパの多くの地域では、「字幕（subtitles）」が同一言語のアクセシビリティ用キャプションと翻訳された台詞の両方を指す総称として使われることが多く、「クローズドキャプション」を別の言葉として日常的に使うことはほとんどありません。イギリスやヨーロッパの視聴者向けに公開する場合、アクセシビリティのことを指していても誰も「キャプション」という名前で頼んでこなくても驚かないでください。

この記事の範囲を超える、より深いトピックですが、知っておく価値のあるハイブリッドも存在します。SDH（聴覚障害者向け字幕）は、字幕ファイルの形式でありながら、通常キャプションでしか得られない効果音や話者情報を含んでいます。プラットフォームによって扱いが異なり、ここで一段落だけ触れるより、それ自体で説明する価値があるほど専門的なトピックです。

字幕とは、結局何なのか

短い答えだけ知りたいなら、字幕とは、音声のそれ以外の部分が問題なく聞こえることを前提として、音声にタイミングを合わせた翻訳テキストの行、ということです。それが定義のすべてです。それ以外（フォーマット、翻訳品質、焼き込まれているかどうか）は、その一つのアイデアの上に乗った細部にすぎません。

CentClipが実際に生成しているもの

期待値に関わる部分なので正確に言っておく価値があります。CentClipは動画の音声を、話されているのと同じ言語のテキストに変換します。技術的には、これはキャプションです。ただしほとんどの人（私たち自身も多くの場合そうです）は、人々が検索する言葉に合わせて「字幕ジェネレーター」と呼んでいます。動画に焼き込んでエクスポートする（オープンキャプション）ことも、独立したSRT/VTTファイルとしてエクスポートする（クローズドキャプション）こともでき、どちらも同じ1分5セントです。

CentClipがまだできないのは、その文字起こしを別の言語に翻訳することです。これはロードマップにはありますが、まだ実装されていません。アクセシビリティのため、あるいは音声オフで見るSNS視聴者のために同一言語のキャプションが必要なら、CentClipのキャプションジェネレーターと字幕ジェネレーターはどちらも内部的にはまったく同じことをします。国際的な視聴者向けに実際に翻訳された字幕が必要なら、それは今日の自動文字起こしでは解決できない別の仕事です。