ナレーション映像の字幕設計完全ガイド｜自動字幕AIに強い話速・明瞭度・収録ディレクション

ナレーション映像は「音声だけ」で完結しない時代へ

いまのナレーション収録では、読みが上手いだけでは不十分です。完成物は動画として視聴され、その多くがミュート再生・短時間視聴・多言語展開を前提に流通します。つまり、音声は常に字幕とセットで評価される時代です。ここで重要なのが、収録後に字幕を付ける発想ではなく、最初から字幕生成AIと整合するナレーション設計を行うことです。

特にYouTube、Instagram、eラーニング、企業VPでは、Whisper系ASR、Google Speech-to-Text、Adobe Premiere Proの自動文字起こし、Descript、CapCutなどを使ってSRT/VTTを書き出す運用が一般化しています。AIの認識率は上がっていますが、ナレーション側の設計が悪いと、固有名詞・数字・助詞・語尾で崩れます。結果として修正工数が増え、演出テンポも壊れます。

自動字幕AIに強い話速の基準

字幕前提の話速は、「聞きやすさ」だけでなく「分割しやすさ」が基準です。私の現場感では、説明ナレーションなら1分あたり280〜340文字が最も安定します。商品紹介や採用動画では300〜330文字、eラーニングでは260〜310文字、勢いを出したいプロモでも350文字を常用上限に考えると安全です。

速すぎる読みは、AIが文節境界を誤認しやすく、1字幕あたりの文字量も増えて視認性が落ちます。逆に遅すぎると、字幕の滞留時間が長くなり、映像テンポとズレます。運用目安としては、1字幕2行以内、1行13〜20文字、表示時間1.2〜3.5秒を基準に逆算すると、収録時のリズム設計がしやすくなります。

実務では、台本に「/」で小休止、「//」で字幕切り替え候補を入れておくと有効です。ナレーターは意味単位で区切り、編集側はそのままSRTのセグメント設計に転用できます。

明瞭度は“滑舌”より“識別性”で考える

自動字幕AIとの相性で大切なのは、単に滑舌が良いことではありません。必要なのは音素の識別性です。たとえば「したがって」「したがいまして」「しっかり」「実施」など、子音連結や無声化が起きやすい語は、自然さを保ちながらも輪郭を少し立てる必要があります。

具体的には、以下の3点を徹底します。

1. 語頭を甘くしない
文頭・固有名詞・数字の頭は0.5段階だけ強めに入る。
2. 助詞を消しすぎない
「は」「が」「を」が落ちるとAIは意味構造を誤る。
3. 語尾を投げない
「です」「ます」「でした」の終端が欠けると、字幕の切れ目が不自然になる。

収録時のレベル管理も重要です。ピークは-6dBFS前後、平均は-20〜-16 LUFS程度を目安に、過度なコンプは避けます。潰しすぎた音は聞こえても、AIにとっては子音情報が不鮮明になることがあります。マイクはLCT 440 PURE、TLM 103、MKH 416のような定番でも十分ですが、部屋鳴りと口距離の管理のほうが精度に直結します。口元から15〜20cm、ポップガード使用、軸を少し外して破裂音を抑えるのが基本です。

SRT/VTT生成を前提にした台本設計

字幕に強い収録は、実は台本で8割決まります。まず一文を長くしすぎないこと。目安は1文40〜55文字程度、長くても70文字以内。読点を増やすというより、意味単位ごとに文を分けます。字幕化で崩れやすいのは、接続詞が多い文章、入れ子構文、数字とカタカナが連続する説明文です。

おすすめは、台本段階で以下を明記する方法です。

• 固有名詞の読み仮名
• 数字の読み方（例：2026年＝にせんにじゅうろくねん）
• 英語表記の発音方針
• 強調語
• 字幕分割候補位置

たとえば「生成AI導入率は34.8%です」は、読みを「さんじゅうよんてんはちパーセント」と確定させるだけで認識率が安定します。編集者が後から判断する余地を減らすことが、最終的に字幕品質を上げます。

収録ディレクションで工数を半減させる方法

私が現場でよく行うのは、本番前に15秒の字幕テスト収録をすることです。実際にWhisperやPremiereで自動文字起こしし、固有名詞、助詞、数字、語尾の認識を確認します。ここで誤認が多ければ、話速を5〜8%落とす、語頭を立てる、台本を短文化する、といった修正を先に入れます。これだけで本編集の修正量は大きく減ります。

さらに、ディレクション時には「感情を乗せてください」だけでは不十分です。字幕前提なら、次のように指示すると精度が上がります。

• 「数字の頭だけ少し明瞭に」
• 「接続詞の後に0.2秒だけ間を置く」
• 「固有名詞は抑揚より発音優先」
• 「一文の最後を落とし切らない」

演出と認識精度は対立しません。むしろ、字幕と整合した読みは、視聴者にとって理解しやすく、離脱率を下げます。

ナレーターが持つべき新しい視点

これからのナレーターは、声を届ける人であると同時に、字幕データの精度を設計する人でもあります。SRTやVTTは編集の後工程ではなく、収録時点から始まっている。そう考えるだけで、台本の切り方、息の使い方、間の置き方、マイク前の集中が変わります。

上手い読みは耳に残ります。しかし、使われる読みは、耳だけでなく字幕にも強い。ナレーション映像の品質を一段上げたいなら、次の収録から「この一文はAIが正しく切れるか？」を自分に問いかけてみてください。その意識が、映像全体の完成度を確実に引き上げます。