すべての記事
ガイド2026/08/21

字幕・書き起こしのファイル形式を解説：SRT・VTT・TXT・JSON・CSV ほか

字幕・文字起こしファイル形式ガイド：SRT、VTT、TXT、JSON、ASS等の特徴と用途を比較一覧表で分かりやすく解説。

ファイルを文字起こしすると、すぐにどの形式で欲しいか尋ねられます。SRT？ VTT？ TXT？ 名前に JSON が付いた何か？ これらの形式は交換可能ではありません — どれも他が保持する情報を捨てており、間違ったものを選ぶと書き出しをやり直すか、コンバーターを書く羽目になります。

これは、書き起こしがよく現れるすべての形式のリファレンスです。見た目、用途、そして相互の移り方を扱います。

一覧表でまとめ

形式タイムスタンプスタイル機械可読向いている用途
SRTあり（キュー単位）最小限一部字幕/キャプション、ほぼ普遍的な対応
VTTあり（キュー単位）あり（位置、キュー）一部ウェブ動画（<track>）、HTML5 プレーヤー
TXTなしなしなし読む、引用、文書に貼る
TSVあり（列）なしあり表計算、スクリプト、データパイプライン
CSVあり（列）なしありExcel/Sheets、インポート
JSONあり（セグメント単位）なしありプログラム利用、API、独自アプリ
ASS / SSAありあり（豊富）一部スタイル/カラオケ字幕、アニメの fansub
SMI (SAMI)ありあり（HTML/CSS）一部旧来の Windows Media
TTMLありあり（豊富）あり（XML）放送、ストリーミング配信

このガイドの残りは、各行の裏側にある詳細です。

SRT (SubRip)

字幕の共通語。ほぼすべてのプレーヤー、エディター、プラットフォームが .srt を受け付けます。ファイルは番号付きキューの並びです。インデックス、開始・終了のタイムスタンプ、1 行以上のテキスト、そして空行。

1
00:00:00,498 --> 00:00:02,827
こんにちは、番組へようこそ。

2
00:00:02,900 --> 00:00:05,110
今日はファイル形式について話します。

ミリ秒の前のカンマ（,498）に注目 — これが SRT の目印で、手書きのコンバーターの多くが間違えるところです。スタイルは基本的なタグに限られます。可能な限り幅広い互換性が欲しいときは SRT を。

相互変換：VTT → SRT、SRT → テキスト、SRT → Word、SRT → PDF、または SRT エディターでキューの時間を調整。

VTT (WebVTT)

ウェブ生まれの字幕形式で、HTML5 の <track> 要素向けに設計されています。SRT に似ていますが 3 点異なります。必須の WEBVTT ヘッダー、ミリ秒の前のドット（カンマではない）、そしてキューの配置・スタイル・メタデータへの対応です。

WEBVTT

00:00:00.498 --> 00:00:02.827
こんにちは、番組へようこそ。

00:00:02.900 --> 00:00:05.110 line:90% align:center
今日はファイル形式について話します。

動画をブラウザや HTML5 プレーヤーで再生するなら VTT を。プラットフォームがファイルを弾くなら、SRT/VTT の取り違えが定番の原因です — SRT → VTT または VTT → テキストで入れ替えましょう。

TXT（プレーンテキスト）

書き起こし全体を文章として、タイムスタンプも構造もなし。読む、文書に引用する、ブログ記事に貼る、あるいは言葉だけが要る別ツールに渡すのに向いています。最も人にやさしい書き出しで、タイミングが要る用途には最も向きません。

TSV と CSV

表形式の書き起こし。1 セグメント 1 行で、開始時刻・終了時刻・テキストを列にします（TSV はタブ、CSV はカンマで区切ります）。

start	end	speaker	text
0	2827	S1	こんにちは、番組へようこそ。
2900	5110	S1	今日はファイル形式について話します。

どちらも Excel や Google Sheets で開くか、スクリプトで 1 行ずつ読みます。書き起こしには TSV のほうが安全です。話し言葉はカンマだらけで、素朴な CSV パーサーを壊しますが、タブがテキスト自体に現れることはまずありません。分析をするとき — 定性的インタビューのコーディング、語の集計、セグメントのパイプラインへの取り込み — に使いましょう。

JSON

構造化された書き出しで、消費者がコードのとき向け。各セグメントはオブジェクトで、タイミング・テキスト・（有効なら）話者を持つので、アプリは文字列からタイムスタンプを解析せずに読めます。

{
  "segments": [
    { "start": 0.498, "end": 2.827, "speaker": "S1",
      "text": "こんにちは、番組へようこそ。" },
    { "start": 2.900, "end": 5.110, "speaker": "S1",
      "text": "今日はファイル形式について話します。" }
  ]
}

書き起こしの上に何かを作るとき — 独自ビューアー、検索インデックス、要約ステップ — は JSON を。無損失の選択肢で、書き起こしが知るすべてがここにあり、上記のどの形式にも整形し直せます。

スタイル付き字幕形式：ASS・SSA・SMI・TTML

これらは、素の形式ができない視覚的スタイルを持ちます。

  • ASS / SSA (Advanced SubStation Alpha) — 豊富な配置、フォント、色、カラオケ風タイミング。アニメの fansub や、既定ではなく「デザインされて」見せたい字幕の標準です。ASS → SRT または SSA → SRTで普遍的なファイルに落とし込めます。
  • SMI (SAMI) — Microsoft の古い HTML/CSS ベースのキャプション形式で、旧来の Windows Media コンテンツに今も見られます。SMI → SRTで現代化しましょう。
  • TTML (Timed Text Markup Language) — 放送やストリーミング配信で使われる XML 形式（プロファイルに EBU-TT や SMPTE-TT/IMSC 系を含みます）。冗長だが正確で、プロのパイプラインの標準です。TTML → SRTで変換を。

プラットフォームが要求しない限り、これらで制作することはまれで、たいていは受け取って SRT や VTT として必要になります。

一行で選ぶなら

  • 動画に字幕を載せる？ 幅広い互換性なら SRT、ウェブなら VTT。
  • 読む・引用するだけ？ TXT（共有用文書なら PDF/DOCX）。
  • 書き起こしを分析する？ 表計算に取り込む TSV。
  • その上にソフトを作る？ JSON。
  • スタイル付きや放送用ファイルを渡された？ ASS/SSA/SMI/TTML を SRT に変換。

そもそもファイルを得るには

すべては同じ一歩から出ます。音声か動画を文字起こしし、書き出す。ScribeToAny は 1 つの書き起こしから TXT・SRT・VTT・TSV・CSV・JSON・PDF・DOCX を生成します — 言語を自動検出し、音声と照合してセグメントを確認し、必要なだけの形式で書き出せます。すでに字幕ファイルがあり、形式の変換だけが要るなら、ブラウザツールがあなたのマシン上で変換し、何もアップロードしません。

形式は、同じタイムコード付きテキスト — 言葉、タイミング、ときにスタイル — の見え方が違うだけです。行き先が期待するものを選び、無損失のマスターとして JSON か VTT を手元に残しましょう。音声から文字起こしツールから始めて、次に来るものへ書き出してください。

すべての記事