キャプション vs. 字幕：その違いとは？
キャプションと字幕の違いを徹底比較：非言語音の有無やアクセシビリティ基準、用途に応じた最適な選び方を解説。
これらの言葉は同じ意味で使われがちですが、キャプションと字幕は同じものではなく、間違ったほうを選ぶとアクセシビリティ法の誤った側に立たされることもあります。
手短に言えば、キャプションは視聴者が音声を聞けないことを前提とするため、セリフ以外の音 — 音楽、ドアがバタンと閉まる音、誰が話しているか — も含めます。字幕は視聴者が聞こえるが言語がわからないことを前提とするため、話されている対話だけを載せます。ほかのすべては、この一つの違いから導かれます。
キャプション vs. 字幕 早わかり
| キャプション | 字幕 | |
|---|---|---|
| 前提とする視聴者 | 音声を聞けない | 聞こえるが言語がわからない |
| カバーする範囲 | 対話 ＋ セリフ以外の音（音楽、効果音、話者の識別） | 対話のみ |
| 主な対象 | 聴覚障害・難聴の視聴者 | 第二言語で視聴する人 |
| 音声と同じ言語？ | たいてい同じ | たいてい違う（翻訳） |
| 法律で義務？ | 多くの場合 — 下記参照 | まれ。ローカライズ上の選択 |
| ファイル形式 | SRT、VTT、SCC、TTML | SRT、VTT、ASS/SSA |
どちらも映像に重ねて表示するタイムコード付きテキストで、同じ字幕ファイル形式で配布されます — .srt や .vtt はどちらも収められます。違いはキュー（表示行）の中身であって、コンテナではありません。（コンテナ側の話は字幕・書き起こしのファイル形式の解説を参照してください。）
キャプションにあって字幕にないもの
キャプションの視聴者は何も聞けないため、キャプションは言葉だけでなくサウンドトラックそのものを描写しなければなりません。
- 角括弧で示すセリフ以外の音：
[電話が鳴る]、[緊張感のある音楽]、[笑い]。 - 顔が画面外にあるときに誰が話しているかを明確にする話者の識別。
- 意味を変える口調や言い方：
[皮肉っぽく]、[ささやき声で]。
字幕はこれらをすべて省きます。映画の字幕トラックは、あなたが爆発音を聞けることを前提とし、登場人物が何を言っているかだけを伝えます。
オープンキャプション vs. クローズドキャプション
「キャプション」の内側にも、もう一つの区別があります。
- **クローズドキャプション（CC）**は、視聴者がオン・オフを切り替えられる別トラックです。YouTube のキャプション、ストリーミングプレーヤーの CC ボタン、付属の
.srtファイルはすべてクローズドキャプションです。 - オープンキャプションは、映像のピクセルに恒久的に焼き込まれています。どんなプレーヤーでもボタンなしで常に表示されます — 自動再生がミュートでキャプション UI のないソーシャル動画でよく使われます。
視聴者に操作権を与えるため、アクセシビリティではクローズドが既定です。プラットフォームがキャプショントラックを表示してくれると信頼できない場合 — 例えば TikTok や Instagram のリール — はオープンキャプションが有利です。
SDH：中間のハイブリッド
SDH — "subtitles for the deaf and hard of hearing"（聴覚障害者・難聴者向けの字幕） も見かけるでしょう。SDH は字幕スタイルのテキスト（多くは字幕のワークフローと形式で扱われます）でありながら、キャプションが提供するセリフ以外の情報も併せ持ちます。Blu-ray や多くのストリーミングのパイプラインは、放送方式のキャプションよりも字幕トラックのほうが扱いやすいため、SDH は字幕チャンネルを通してキャプション相当の情報を届けます。アクセシビリティのためにキャプションを付けたいのに、プラットフォームが字幕しか受け付けない場合、答えは SDH です。
どちらが必要？
視聴者から逆算して考えましょう。
- 一般の視聴者に動画を公開する（YouTube、講座、企業サイト）？ 必要なのはキャプション — 音声と同じ言語で、セリフ以外の手がかりを含めます。これはアクセシビリティ法が求めるものでもあります。
- 動画を別の言語で見られるようにしたい？ 必要なのは字幕 — 翻訳された対話です。
- 両方もよくあります。同じ言語のキャプションと、翻訳された一つ以上の字幕トラック。ストリーミングサービスはまさにこれをしています。
- ミュート自動再生のソーシャルフィードに投稿する？ プレーヤーに関係なくテキストが残るよう、オープンキャプションを使いましょう。
法律についての注記
米国では、ほとんどの組織にとって動画のアクセシビリティは任意ではありません。Americans with Disabilities Act（ADA） はウェブサイトとその動画に適用されてきましたし、Section 508 は連邦機関とその受託者を対象とし、FCC は放送やオンラインで再公開される多くの番組にキャプションを義務づけています。共通する糸はキャプション — 正確で、同じ言語で、セリフ以外の音を含むもの — であり、翻訳字幕ではありません。タイムコード付きテキストを加える理由がコンプライアンスなら、ほぼ確実にキャプションが必要です。これは一般的な情報であり、法的助言ではありません。あなたの組織に適用される規則を確認してください。
どちらの作り方も
どちらも同じ出発点から始まります。正確でタイムスタンプ付きの音声書き起こしです。
- 音声または動画を書き起こす。 ファイルをアップロードして書き起こしましょう — ScribeToAny は話されている言語を自動検出し（約 98 言語に対応）、タイムスタンプ付きのセグメントを返します。画面に複数人が映るキャプションでは、話者ラベルをオンにしてください。
- 音声と照らし合わせて確認する。 自動書き起こしはあくまで下書きです。セグメントをクリックするとその瞬間が再生され、聞き間違えた名前や用語を画面に出す前に直す最速の方法になります。
- キャプションならセリフ以外の手がかりを加える。 これは字幕トラックをキャプショントラックに変える手作業の工程です — 聞けない視聴者が取りこぼす音を角括弧で示しましょう。
- 正しいファイルを書き出す。 ほとんどのプラットフォームが受け付けるクローズドトラックには
SRTかVTT。行が長く残る・切れる場合は SRT エディターで個々のキューのタイミングを調整します。 - 別の言語なら、完成した書き起こしを翻訳します。「翻訳」機能を使えば、全プランで 134+ 言語のいずれかへ無料で翻訳でき、字幕のタイミングも同一に保たれるため、翻訳された
SRTも映像とぴったり合います。
ソーシャル向けにテキストを焼き込みたい場合は、まず字幕ジェネレーターでトラックを作り、それをオープンキャプションとして使ってください。
キャプションはアクセスのため、字幕は言語のため。書き起こしを一度きちんと仕上げれば、そこから両方を作れます。まずは動画から文字起こしツールから始め、アクセシビリティが求める箇所にはセリフ以外の手がかりを手作業で加えましょう。