SRTファイルとは？（フォーマット解説＋開き方）

動画のキャプションをダウンロードしたことがある、あるいは動画からエクスポートしたことがあるなら、そのファイルは.srtで終わっていた可能性が高いはずです。唯一のキャプションフォーマットではありませんが、他のほぼすべてのフォーマットが自らを比較する基準となっているものです。

短くまとめると

SRTファイルはプレーンテキストファイルで、画面上の各キャプションについて3つの情報を保持します。連番、動画プレーヤーにその行をいつ表示しいつ非表示にするかを伝えるタイムコード、そしてキャプションのテキスト自体です。それ以外は何もありません。音声もなく、動画もなく、いくつかの基本タグ以外のスタイリングもありません。このシンプルさこそが、登場からほぼ25年経った今も、これがデフォルトフォーマットであり続けている理由のすべてです。

実際に中に何が入っているか

実際のSRTブロックに注釈を付けたものです。

14
00:02:17,440 --> 00:02:20,375
Alright, let's get into
the next section.

• 14 — 連番。この動画プレーヤーに、これがファイル内で14番目のキャプションであることを順序通りに伝えるだけです。
• 00:02:17,440 --> 00:02:20,375 — タイムコード、「時:分:秒,ミリ秒」の形式です。このキャプションは動画開始から2分17.44秒の時点で表示され、2分20.375秒の時点で消えます。
• Alright, let's get into the next section. — キャプションのテキスト。一目で読めるように意図的に1〜2行に抑えられています。

空行1行がこのブロックと次のブロックを区切り、ファイル全体は動画内で話されるすべての行についてこのパターンが繰り返されているだけです。安定した対話が続く10分間の動画なら、80〜150個ほどのブロックが連続して並びます。

サポートされているフォーマット指定

SRTは純粋なプレーンテキストというわけではなく、基本的なHTML風のタグがいくつか組み込まれています。

2
00:00:05,000 --> 00:00:07,500
<i>Off-screen voice:</i> Wait, is that <b>everyone</b>?

• <i>...</i> はイタリック体。通常、画面外の発話、心の声、歌詞に使われます
• <b>...</b> は太字。特定の1語を強調するために控えめに使われます
• <u>...</u> は下線
• <font color="...">...</font> は対応するプレーヤーでテキストの色を変更します

これで一覧は全部です。これらを入れ子にすること（イタリックと色付きテキストを組み合わせるなど）もでき、多くの最新プレーヤーは正しくレンダリングしますが、アップロード時にフォーマットを完全に取り除いてしまうプラットフォームも少なくありません。どこでも同じ見た目になることを前提としたキャプションワークフローを組まず、公開するプラットフォームで必ずテストしてください。

できないこと

その4つのタグ以外、SRTファイルは使用しているフォントも、画面上のどこにテキストを配置すべきか（大まかなデフォルト位置以外は）も、あなたのブランドカラーも何も分かりません。言語メタデータのフィールドもなく、行ごとにテキストサイズを変える方法もなく、翻訳ワークフローが時に必要とするプレースホルダーや複数形処理のロジックにも対応していません。カスタムフォントや単語ごとのハイライトを使った凝ったアニメーションキャプションを見たことがあるなら、そのスタイリングは動画をレンダリングしているアプリ側から来ているのであって、SRTファイル自体に保存されているものではありません。このフォーマットは意図的に「バカ正直」に作られています。良い意味で。バカ正直なフォーマットこそが、そのフォーマットが作られた当時存在しなかったソフトウェアでも今なお正しく開けるフォーマットなのです。

ファイルのエンコーディングが思った以上に重要な理由

これが、他の何よりも静かにSRTファイルを壊している部分です。SRTファイルはテキストですが、そのテキストがどのように保存されているか（文字エンコーディング）によって、特殊文字やアクセント付きの文字、英語以外のスクリプトが正しく表示されるか、それとも疑問符や文字化けになるかが決まります。

SRTファイルはWindows-1252、Windows-1251、プレーンUnicode、UTF-8、UTF-16のいずれかで保存されているのを見かけます。UTF-8が安全なデフォルトです。最も広い範囲の文字を扱え、ほぼすべての最新プラットフォームが想定しているフォーマットです。基本的な英語以外の言語でキャプションを付ける場合や、別の言語にトラックを翻訳する場合は、UTF-8で保存（またはエクスポート）してください。これは、完璧にフォーマットされたSRTファイルがプラットフォーム上で「動作しない」最も一般的な原因でもあります。タイミングもテキストも問題ないのに、エンコーディングだけがプラットフォームの想定と異なっているのです。

SRTファイルはどこで使われているか

YouTubeだけの話ではありません。同じ.srtファイルが、改変なしに、動画が存在するほぼすべての場所で機能します。

• SNSプラットフォーム — YouTube、Instagram、LinkedIn、FacebookはすべてSRTのアップロードを直接受け付けます
• 動画編集ソフト — Premiere Pro、Final Cut Pro、DaVinci ResolveはすべてSRTのネイティブなインポート・エクスポートに対応しているため、編集を一往復してもキャプションは失われません
• 配信・コース系プラットフォーム — 多くの中小規模の配信サービスやコースプラットフォームはSRTをデフォルトのキャプションフォーマットとして採用しています。SRTがすでにその用途をカバーしている以上、他のフォーマットに対応する意味がないためです
• 他のキャプションツール — SRTは、CentClipを含むほぼすべてのキャプションツールが提供する共通のエクスポートフォーマットで、あるツールで作ったファイルが別のツールでも問題なく開きます

この移植性の高さこそが、SRTが生き残ってきた理由のすべてです。1つのアプリでしか動かないフォーマットなら、そのアプリと運命を共にして消えていたでしょう。

SRTファイルの開き方

「これをどう開くか」という質問には実は2つの異なる問いが隠れており、それぞれ答えが違います。

生のファイルを読む・編集する場合： どんなプレーンテキストエディターでも構いません。Windowsならメモ帳、MacならTextEdit、インストール済みならコードエディターでも構いません。上で示した通りの番号、タイムコード、テキストがそのまま表示されます。動画に重なって再生されるキャプションではありません。

動画と同期して視聴する場合： 外部字幕ファイルの読み込みに対応した動画プレーヤーが必要です。VLCの場合、メディア→ファイルを開くで動画を開き、字幕→字幕ファイルの追加で対応する.srtを読み込みます。ほとんどの他のデスクトッププレーヤー（および主要な動画編集ソフトすべて）も同じ流れです。動画を読み込み、別途キャプションファイルを指定します。

プラットフォームにアップロードする場合： YouTube、Facebook、ほとんどのSNSプラットフォームには、動画自体のアップロードとは別に専用のキャプション/字幕アップロードのステップがあり、通常は動画が公開済みかアップロードフロー中の「字幕」または「CC」タブの下にあります。

誰でも読めるキャプションを書く

フォーマット自体はシンプルですが、読む人をイライラさせないキャプションを書くにはもう少し工夫が必要です。ほぼすべてのプラットフォームで通用するいくつかのルールを紹介します。

• 1行をおおよそ32〜40文字に抑える。 それより大幅に長いと、特に小さい画面では、多くの人が快適に読めるより速いペースで読まなければならなくなります。
• 1ブロックにつき最大2行まで。 3行目になるとテキストが画面上部に押し上げられ、動画を必要以上に覆ってしまいます。
• 文の途中ではなく、自然な間で改行する。 カンマの後や一つの考えの終わりで区切る方が、機械的にN単語ごとに区切るよりずっと自然に読めます。
• 各行に十分な表示時間を与える。 大まかな目安として、声に出して読むのに表示時間より長くかかる行は、視聴者が読み終える前に消えてしまいます。テンポの速い台詞に合わせるためだけにキャプションの表示時間を削らないでください。
• 公開前に必ず校正する。 自動生成キャプションは固有名詞、専門用語、同音異義語をかなりの頻度で誤るため、ざっと目を通すことが重要です。特にキャプションの誤字は、コンテンツの他のどの部分の誤字よりも目立ち、恥ずかしいものになりがちです。

これらはどれもSRTフォーマット自体によって強制されるものではありません。90文字の1行が0.5秒だけ画面に点滅表示されるのを止めるものは何もありません。それが、読まれるキャプションとスキップされるキャプションを分けるものなのです。

自作する

構造は上で説明した通りなので、その気になればテキストエディターで手打ちでSRTファイルを作ることもできます。ただし30秒を超えるクリップになると、すべての行を音声に合わせて手動でタイミング調整するのはすぐに面倒になり、タイムコードの数え間違いが1つあるだけで、それ以降のキャプションが全部ずれてしまいます。

より速い方法は自動文字起こしです。動画をアップロードすると、音声がタイミング情報付きで自動的にテキストに変換され、完成した.srtをダウンロードできます。それがCentClipのSRTジェネレーターがやっていることで、1分5セント、サブスクリプションなしです。プラットフォームが別のフォーマットを求める場合、同じ文字起こしデータ（テキストとタイムコード）は同一なので、VTTとしてもエクスポートできます。

正直な限界

SRTはキャプションフォーマットであり、動画エディターではありません。アニメーションの単語ごとハイライト、カスタムフォント、ブランドカラーは追加できません。一部の競合ツールはこれを独自のプロプライエタリなエクスポートフォーマットでネイティブに扱いますが、それはあなたのキャプションをそのツールに閉じ込めることになります。プレーンなSRT/VTTはその逆のトレードオフです。デフォルトでは派手さに欠けますが、単なるテキストであるがゆえに、文字通りあらゆる場所で、永遠に開けます。