字幕のキュー境界はどう決めているか
キュー境界は時間の問題ではなく可読性の問題です。単語単位のアラインメント結果を読みやすい字幕行に分割するための、優先順位付きのルールを示します。
単語単位のタイムスタンプは、各単語がいつ発話されたかを教えてくれます。しかし、字幕の1行がどこで終わるべきかは教えてくれません。視聴者が実際に気づくのは後者の問いであり、その答えは波形ではなくルールから出てきます。
制約は音声ではなく読速にある
視聴者は映像を見ながら字幕を読みます。業界の実用上限は、第二言語で視聴する成人でおよそ毎秒17文字、母語で快適に読めるのは毎秒20文字程度です。つまり2秒表示されるキューに入るのは34〜40文字——2行に分ければ1行あたり12〜14文字で、これが多くのスタイルガイドが1行42文字を上限とし、2行を推奨する理由です。
この制約を無視したタイミングは、「技術的には正確だが読み切れない」字幕を生みます。その言葉は確かにその瞬間に発話されています。ただし、誰もその瞬間には読み終えられません。
ルール（優先順）
- 文法単位の内部では絶対に切らない。 名詞句、前置詞句、主語とその述語。音声がそこでの境界を強いるなら、句の途中で切るより前のキューを延ばすほうがよい。
- 可能なうち最も強い統語境界で切る。 節の境界は接続詞に、接続詞は読点に、読点は切れ目なしに勝る。
- 2行の長さを揃える。 30対10の分割は20対20より読みにくい。1行目で加速した目が、短すぎる2行目に突き当たるためです。
- 最終行はひとつの意味で終える。 「の」「が」で終わるキューは、視聴者の目に無駄な仕事をさせ、しかも次のキューがそれをすぐ取り消します。
- 点滅させず、保たせる。 0.8秒未満のキューは潜在的な閃光です。発話より少し長くなっても、隣のキューと統合します。
ルール1と5はしばしば衝突します。だからこそキューイングは完全自動化に抵抗します。完全自動だと主張する製品の多くは、実際にはルール5だけを適用しています。
強制アラインメントが効くところ
アライナーは文全体ではなく単語ごとのタイムスタンプを知っているため、「ここで切る」を測定可能な問いに変えられます。この単語が終わる位置から次の単語が始まるまで200ミリ秒以上あるか。あるならそれは自然なポーズであり、その時点で最良の境界です。
文字起こしベースのツールにはできません。単語のタイミングが認識器の誤りを引き継ぐからです。聞き間違えた単語には、もっともらしいタイムスタンプが誤った文字列に付いてしまい、そこで入れたキュー境界は話者が一度も止まらなかった位置に落ちます。
やらないこと
文章を自動で短縮することはしません。ある行がその表示時間内に読める速度で収まらないなら、正直な出力は警告であり、黙って切り詰めた字幕ではありません。切り詰めは話者が言ったことを変えてしまいます。それはここで提供している製品とは別のものです。