字幕は動画後処理で最も時間がかかる作業の一つです。10分動画の字幕を手打ちし、さらにタイムラインを合わせると、軽く1時間以上かかります。

剪映（CapCut）内蔵のAI字幕認識機能を使うと、この流れを10〜20分まで圧縮でき、無料版でも使えます。中文制作者にとっては、現時点でcost-performanceが最も高い字幕ツールの一つです。

CapCut AI字幕の操作フロー

CapCutのAI字幕操作はかなり直感的で、手順も多くありません。

動画を読み込む：動画ファイルをCapCutのタイムラインにドラッグします。

自動字幕を開く：上部メニューの「文字」を探し、「スマート字幕」の中の「字幕認識」を選びます。システムが動画の言語を聞いてくるので、選んでから認識を押します。

完了を待つ：10分の動画ならだいたい1〜2分で走ります。完了後、字幕は自動で切られ、タイムラインに揃って表示されます。

校正：このステップは省けません。AI認識がどれだけ正確でも、固有名詞、人名、英語略語では誤字が出ます。10〜15分かけて一度見るだけで、手打ちより少なくとも10倍は時間を節約できます。

スタイル調整：フォント、サイズ、色、位置。CapCut内蔵の字幕テンプレートは多いので、動画の雰囲気に合うものを選べば十分です。

CapCut AI字幕操作画面

全体として、10分動画の字幕は15〜20分ほどで完了します。手打ちと校正なら最低でも70分からです。

CapCut台湾語認識：実測の印象

これはCapCut字幕機能で最も驚いた部分です。

台湾語のナレーションに対して「中文（台湾）」を選んで認識すると、台湾語部分はだいたい7〜8割当たります。完璧ではありません。発音が近い中文字に変換されたり、台湾語の語気助詞「啦」「齁」が飛ばされたり別の字になることがあります。それでも全体の意味は理解でき、この状態から手で直すほうが、ゼロから打つよりはるかに速いです。

CapCut台湾語認識テスト

認識精度に影響する要素はいくつかあります。

話す速度：速すぎると認識率が落ちます。

アクセント：泉州腔寄りか漳州腔寄りかで差が出ます。通用腔の認識率が高めです。

背景ノイズ：音楽や環境音があると、認識率は明らかに下がります。静かな環境で録るか、先にノイズ除去するのがおすすめです。

中英混じりはどうするか

台湾の話し言葉では、「這個 API 的 response time 大概 200 毫秒」のように中英混じりがよく出ます。

CapCutはこの状況をそこそこ処理できます。中文部分はほぼ間違えず、英単語は8割ほど正しく綴られます。API、ChatGPT、iPhoneのような一般的な単語は認識率が高く、webhook、cron jobのような少し冷門な技術用語は時々間違えます。

実用上は、認識後に英語だけまとめて直すのが効率的です。すべての英語を一度マークし、一括で見直すほうが、中文の中に混ざったものを読みながら直すより速いです。

大型モデルと組み合わせて字幕後処理

CapCutで認識した字幕はSRTファイルとして書き出せます。SRTファイルをClaudeやChatGPTに渡し、以下を依頼します。

  • 誤字校正：特に同音異字。AIは文脈から判断するのが得意です
  • 改行最適化：CapCutの自動分割は時々変な場所で切れるので、大型モデルに意味が完結する位置へ切り直してもらう
  • 形式統一：英語の大文字小文字、数字形式、句読点

流れは、CapCut認識 → SRT書き出し → 大型モデルで校正 → CapCutへ戻す、です。一手間増えますが、字幕品質はかなり上がります。

正式な動画ではこのworkflowがおすすめです。日常の短動画ならCapCut内で手動修正するだけでも十分です。

字幕ツール比較：CapCut vs Taption vs 雅婷逐字稿

比較項目CapCutTaption雅婷逐字稿
無料枠基本機能無料15分試用毎月60分無料
中文精度9割以上9割以上8割前後
台湾語認識対応（7〜8割）非対応対応（6〜7割）
SRT書き出し対応対応対応
動画編集完整な編集機能を内蔵なしなし
向いている人動画制作者、ワンストップで完結したい人多言語文字起こしが必要な人純粋な文字起こしが必要な人

もともとCapCutで動画を編集している人は、字幕機能もその中で完結させるのが一番楽です。Taptionの強みは対応言語と書き出し形式が多いことですが、別途費用がかかります。

AI音声：別ルート

CapCut内蔵のAI音声は機械っぽさがあり、ElevenLabsのような真人に近い水準とはまだ距離があります。区切りのリズム、語気の変化、感情表現がまだ細かくありません。

AI音声が必要なら、業界では現時点でElevenLabsやPlay.htの推薦度が高いです。CapCut内蔵とは別レベルの製品なので、CapCutの内蔵機能から始めると期待外れになりやすいです。

FAQ

CapCutのAI字幕は正確ですか？

中文認識の精度はおおよそ9割以上です。台湾語認識はアクセントと話速に左右され、はっきりした台湾語なら7〜8割ほど正確です。中英混じりの部分では英単語が時々間違うので、手動校正が必要です。認識結果を土台に直すほうが、手打ち字幕より少なくとも10倍時間を節約できます。

CapCut無料版でAI字幕機能は使えますか？

剪映6.0以降、無料の字幕生成は提供されていません。VIPへのアップグレードが必要で、購入する場合は淘宝で購入できます。

CapCutのAI字幕はSRTファイルとして書き出せますか？

できます。認識完了後、字幕エリアで書き出しを選ぶとSRT形式に対応しています。書き出したSRTは大型モデルに渡して校正や改行最適化ができます。

CapCutとTaptionはどちらが良いですか？

用途次第です。CapCutは動画編集ソフトで、字幕は付属機能です。操作が直感的で無料でも使えます。Taptionは音声文字起こし専門で、より多くの言語と書き出し形式に対応しますが有料です。もともとCapCutで編集しているなら、別ツールを開く必要はありません。

台湾語認識の精度を上げるには？

最も影響が大きいのは3つです。話す速度（遅いほど精度が高い）、アクセント（通用腔の認識率が最も高い）、背景ノイズ（静かな環境または先にノイズ除去）。条件が良ければ、台湾語認識は7〜8割程度まで届きます。

こぺんぎんの体験談

CapCutの字幕機能は、こぺんぎんが現在固定で使っているツールの一つで、かなり便利です。中文の精度が高く、台湾語まで認識できます。これは中文圏の字幕ツールでは珍しいです。

実際のworkflowは、CapCut AI認識 → SRT書き出し → 大型モデルで台湾繁中に整える + 校正、です。中英混じりや台湾語の段落は少し手作業が増えますが、ゼロから手打ちする場合に比べると、節約できる時間はかなり大きいです。会議録音系の文字起こしはNotebookLM文字起こしチュートリアルと組み合わせられます。無料AI会議メモ全体の流れは無料AI会議記録workflowを参照してください。

AI音声はこぺんぎんの日常workflowには入っていません。CapCut内蔵のAI音声も情報として知っている程度です。AI音声が必要な人は、CapCut内蔵から入るより、ElevenLabsやPlay.htのような専門ツールを見るほうが実用的です。

本記事はAIツール機能の紹介であり、証券または投資助言ではありません。実際の料金は各プラットフォームの公式最新発表を基準にしてください。本記事の情報は古くなる可能性があります。

関連記事

— Penchan