音声から字幕（SRT）を作る（VOICEVOX・AI音声）

VOICEVOXなどで1文ずつ書き出した音声と、その文から、時間がぴったり合った字幕ファイル（SRT）を作ります。同じ間隔でつないだWAVも作れるので、動画編集ソフトに字幕と音声をそのまま並べられます。

音声のファイルを選ぶ（何個でも）

1文ずつのWAVと、VOICEVOXが書き出した同じ名前の .txt を一緒に入れると、文も自動で読みます。「つなげて書き出し」のWAVなら .txt と .lab も一緒に。

使い方（VOICEVOX）

  1. VOICEVOX の「設定」の「保存」で、「txtファイルを書き出し」をオンにします。音声と同じ名前の .txt（その文が入ったファイル）も一緒に書き出されるようになります。
  2. メニューの「ファイル」→「音声書き出し」で、1文ずつの WAV を書き出します（「001_四国めたん（ノーマル）_こんにちは.wav」のような名前になります）。
  3. 書き出した WAV と .txt を全部選んで、上の枠に入れます。ファイル名の順（001、002…）に並び、文は .txt から読みます。
  4. 字幕の作り方を選び、「字幕（SRT）を保存」を押します。「つないだ音声（WAV）を保存」を押すと、字幕と同じ時間で並べた1本の WAV も保存できます。
  5. 動画編集ソフトに、つないだ WAV と SRT を、どちらも 0秒の位置から置きます。

音声も文も送信しません。読み込みも計算も、このページの中（ブラウザ）で行います。

時間がずれない理由

字幕の出る時間と消える時間は、1つずつの音声の長さ（サンプル数）を足して決めます。つないだ WAV も同じ長さでつなぐので、何十個の文でも、最後までずれません。VOICEVOX のプロジェクトファイルや .lab の時刻をそのまま足すと、実際の音声とずれていきます（VOICEVOX 0.25.2 で試すと、12文で最大0.12秒ずれました）。

  • 最初の余白：動画の頭に間をあけたいとき。字幕も音声も、その分うしろにずれます。
  • 音声と音声の間：1文ごとに間をあけたいとき。つないだ WAV にも同じ長さの無音が入ります。
  • 字幕を出しておく長さ：「次の字幕が出るまで」なら、間のあいだも字幕が出たままです。「その音声が終わるまで」なら、間のあいだは字幕が消えます。
  • 1行の文字数：長い文を折り返します。句読点の後ろで切れるならそこで切り、「、」「。」や小さい「っ」などが行の頭に来ないようにします。2行に収まらないときは、字幕を分けて、文字数に合わせて時間を割り振ります。

「音声を繋げて書き出し」を使ったとき

1本につないで書き出した WAV からも作れます。VOICEVOX の設定で「txtファイルを書き出し」と「labファイルを書き出し」をオンにして「音声を繋げて書き出し」をし、WAV・.txt・.lab の3つを一緒に入れてください。.lab（音素の区切りの時刻）から文の境目を見つけ、VOICEVOX のエンジンと同じ計算（音素の長さを約10.7ミリ秒単位に丸め、疑問文は語尾を上げるぶんを足す）で、1文ずつの長さを出します。計算した長さの合計が音声の長さとぴったり合ったときだけこの時間を使うので、境目はずれません（VOICEVOX 0.25.2 で試したところ、24,000Hz・48,000Hz・44,100Hz のどれでも、ミリ秒の丸めの差しかありませんでした）。合わないとき（設定やソフトがちがうときなど）は、音声の長さに合わせて比例で直すので、0.1秒ほどずれることがあります。そのときは画面に出ます。

ほかの AI 音声のとき

1文ずつの音声ファイル（WAV がおすすめ）なら、どのソフトで作ったものでも使えます。ファイル名の順に並べるので、「01.wav」「02.wav」のように番号を付けてください。.txt がないときは、「字幕の文」の欄に、音声と同じ順に1行ずつ文を書く（台本を貼り付ける）と、その文で字幕を作ります。

MP3 や M4A でも使えますが、ファイルの頭と終わりにわずかな無音が足されていることがあり、時間が数十ミリ秒ずれることがあります。

よくある質問

字幕ファイル（SRT）はどのソフトで使える？

SRT は字幕のいちばん広く使われている形式で、Premiere Pro・DaVinci Resolve・Filmora・CapCut などの動画編集ソフトや、YouTube の字幕のアップロードで読み込めます。読み込み方はソフトのヘルプで「SRT」「字幕の読み込み」を探してください。

読み込むと文字化けする

「字幕の文字コード」を「UTF-8（BOM付き）」にして保存し直してください。古いソフトには、BOM（先頭の目印）がないと UTF-8 と分からないものがあります。

ファイル名から読んだ文が途中で切れている

VOICEVOX は、ファイル名に入れる文が10文字をこえると、9文字と「…」にします。「txtファイルを書き出し」をオンにして書き出し直すか、「字幕の文」の欄で直してください。

音声の数と文の数が合わないと言われる

「字幕の文」の欄は1行に1つです。文の中で改行していないか、空の行が多すぎないか確かめてください。字幕を出したくない音声は、その行を空にします（行は消さないでください）。

つないだ WAV のサンプリングレートは？

はじめは 48,000Hz です（動画編集ソフトで音が出ないなどの困りごとが少ないため）。VOICEVOX の音声は 24,000Hz で書き出されることが多く、そのままがよければ「最初の音声と同じ」を選んでください。