動画の字幕づくりに必要な機材と作業環境｜最低限そろえるものと後から足すもの

結論から書きます。動画の字幕づくりを在宅で始めるのに必要な機材は、「文字が打てるPC」と「音がちゃんと聞こえるヘッドホン」の2つだけです。それ以外は全部、後から足せばいい。動画編集の仕事と混同して高性能マシンを買い揃えようとする人が多いのですが、字幕づくりに限って言えば、それは順番が逆です。

この記事では、字幕づくりの在宅ワークで実際に必要になる機材を「最低限」「案件が増えてから足すもの」「特定の案件形態でだけ必要になるもの」の3層に分けて整理します。あわせて、機材にいくらかければ何が返ってくるのか、投資の回収という視点でも見ていきます。動画編集の機材記事をそのまま読んで面食らった人にこそ、読んでほしい内容です。

字幕づくりは「機材のハードルが最も低い映像系の仕事」

映像に関わる在宅ワークはいくつもありますが、その中で字幕づくりは、必要な機材の要求水準が明確に低い部類に入ります。理由は単純で、字幕づくりの作業の本体が「映像を再生しながら文字を打つ」ことだからです。映像を加工したり、エフェクトをかけたり、書き出したりする工程が入らない案件が相当数あります。

動画編集と字幕づくりは、必要なマシンパワーが1桁違う

まず、この2つを分けて考えてください。動画編集はタイムライン上で複数の映像素材を重ね、色を調整し、エンコードして書き出します。この工程はCPUとGPUを長時間フル稼働させるので、メモリ32GB以上、専用GPU搭載といった要求が現実に出てきます。

一方、字幕づくりの中でも需要が最も多い「字幕データ納品」は、映像を再生して聞き取り、対応する秒数のところにテキストを置き、SRTやVTTといった軽量なテキストファイルとして納品する仕事です。映像そのものには手を触れません。書き出しも発生しません。したがって、必要なのは「動画をコマ落ちなく再生できる程度の性能」であって、それ以上ではないのです。

正直なところ、この違いを説明せずに「動画関連の在宅ワークにはハイスペックPCが必要」と一括りにしている記事はどうかと思います。入口のコストを不必要に高く見せてしまうからです。

需要側の動き: 字幕が「あると良いもの」から「ないと困るもの」に変わった

字幕づくりの案件が増えている背景には、いくつかの構造変化があります。

1つ目は、SNS動画の視聴環境です。電車内や職場での「音を出さない視聴」が前提になったことで、字幕がないと内容が伝わらない動画が主流になりました。広告動画やショート動画では、字幕の有無が視聴完了率に直結します。発注者にとって字幕は演出ではなく必須要件になっています。

2つ目は、アクセシビリティ要件です。放送やeラーニング、自治体・企業の公開動画では、聴覚障害のある視聴者への配慮として字幕付与が求められる場面が増えました。この領域は品質基準がはっきりしていて、書き手の裁量で「省略する」ことが許されません。手作業の需要が残りやすい領域です。

3つ目は、多言語展開です。日本語動画に英語字幕、あるいは海外動画に日本語字幕を付ける案件が、企業のグローバル展開や配信プラットフォームの成長に合わせて増えています。

実際の求人票を見ると、字幕・テロップ作業が独立した職務として募集されているのが分かります。

SNS動画編集スタッフ募集！未経験からプロを目指せるフルリモートワークで、残業ゼロの18時退勤です。スマホやPCを使い、動画のチェックやテロップ・BGM挿入などの簡単な編集から始め、ゆくゆくは企画アイデア出しにも携わります。入社後はPC操作から丁寧な研修があり、先輩がしっかりサポートするので安心です。土日祝休みで年間休日120日以上、各種社会保険完備、在宅勤務手当、ノートPC貸与、サブスク補助など充実した待遇をご用意しています。 出典: 求人ボックス

この募集で「スマホやPCを使い」と書かれている点に注目してください。企業側も、この作業に特別な機材が要らないことを分かっています。ノートPC貸与という条件が付くケースもあり、雇用型であれば機材投資ゼロで始まる場合すらあります。

最低限そろえるもの: 4点で作業は成立する

ここからが本題です。在宅で字幕づくりを受注するために、まず用意すべきものを具体的に挙げます。

PC: 中古でも十分。見るべきは3つの数字だけ

新品のハイスペックマシンは不要です。中古市場で3万円台から6万円台のノートPCでも、字幕データ納品の案件なら問題なくこなせます。判断基準は次の3点です。

メモリは8GB以上、できれば16GB。 字幕作業では、動画プレイヤーと字幕編集ツールとブラウザ（用語の確認や固有名詞の裏取りに使う）を同時に開きます。8GBでも動きますが、16GBあると調べもののタブを開いたまま作業を続けられて、体感がはっきり変わります。ここは後から増設できない機種も多いので、購入時に決めておくべき唯一の項目だと考えてください。

ストレージはSSD必須、容量は256GB以上。 HDDのマシンは避けます。字幕作業ではファイルを開いたり保存したりする回数が非常に多く、その1回1回の待ち時間が積み上がると効率が目に見えて落ちます。容量については、預かった動画素材を一時的に置くだけなので、大容量である必要はありません。案件が終わったら削除する運用にすれば256GBで足ります。

CPUは直近5年程度の世代であれば十分。 IntelならCore i5相当、AMDならRyzen 5相当、AppleシリコンならM1以降。この水準なら、フルHDの動画を再生しながら文字を打つ作業でストレスを感じることはまずありません。4Kの高ビットレート素材を扱う案件だけは例外で、再生がカクつく場合はプロキシ（低画質の代替ファイル）を作ってもらうか、自分で作って作業します。

WindowsとMacのどちらでも仕事はできます。ただし、発注元が指定する納品形式やツールに合わせる必要があるので、案件を受ける前に確認してください。日本語入力の変換辞書を育てやすい点ではWindowsに一日の長がある、という声を現場ではよく聞きます。

ヘッドホン: ここだけは妥協しない

機材の中で、納品品質に最も直接効くのがこれです。字幕づくりは「聞き取り」の仕事なので、聞こえなければ書けません。

推奨は密閉型（クローズドバック）の有線ヘッドホンです。理由が3つあります。第一に、密閉型は外音を遮断するので、生活音のある自宅でも音源に集中できます。第二に、有線は遅延がありません。Bluetoothの無線ヘッドホンは映像と音声に0.1秒から0.3秒程度のずれが生じることがあり、字幕のタイミング調整という秒単位の作業では致命的です。第三に、電池切れがありません。

価格帯としては5,000円から15,000円のモニターヘッドホンで十分です。音楽鑑賞用の低音を盛った製品より、フラットな特性のモニター用途の製品のほうが人の声を聞き分けやすい傾向があります。イヤホンでも作業自体は可能ですが、長時間装着すると耳が痛くなる人が多く、1日4時間以上作業するならヘッドホンが無難です。

私自身、最初は手元にあった無線イヤホンで字幕のタイミング合わせをしていて、納品後に「全体的に字幕が遅れている」と指摘されたことがあります。自分の耳には合っているように聞こえていたので、原因が分かるまで時間がかかりました。無線の遅延を疑ったのはそのときが初めてです。有線に替えたら一発で直りました。機材の問題を技術の問題だと思い込むのが、いちばん時間を溶かすパターンです。

モニター: 横幅より「縦の行数」で選ぶ

ノートPCの画面だけでも作業はできますが、外部モニターを1枚足すと効率が変わります。ポイントは、字幕作業で必要なのは横の広さより縦の情報量だという点です。

字幕編集ツールの画面は、上部に動画プレビュー、下部に字幕リスト（タイムコードとテキストが並ぶ表）という構成が一般的です。この字幕リストが一度に何行見えるかで、前後の文脈を確認する手間が変わります。前の字幕と表記が揃っているか、同じ人物の発言が続いているか、といった確認を、スクロールせずにできるのが理想です。

したがって、24インチのフルHD（1920×1080）が最もコストパフォーマンスに優れます。15,000円前後から選べます。ウルトラワイドや4Kは魅力的ですが、字幕作業に限れば投資対効果は高くありません。むしろ、フルHDのモニターを2枚並べて、片方に動画、もう片方に台本や用語集を表示するほうが実務的です。

通信環境: 上りの速度を確認する

在宅ワーク全般に言えることですが、字幕づくりでは特に「上り（アップロード）」の速度が効きます。素材動画のダウンロードは1回で済みますが、確認用の動画や納品ファイルのアップロードは案件ごとに何度も発生するからです。

光回線であれば通常は問題ありません。モバイル回線で作業する場合は、月間のデータ上限に注意してください。1本の動画素材が2GBを超えることは珍しくなく、月に何本も扱うと上限に達します。速度制限がかかると、素材を受け取ること自体ができなくなり、納期に影響します。

ソフトウェア: 無料で始めて、必要になってから買う

機材の話をするとき、ソフトウェアを忘れがちです。しかし字幕づくりでは、ハードより先にソフトの選定が仕事の効率を決めます。

字幕専用エディタは無料のもので実務が回る

字幕データ納品の案件では、字幕専用のエディタを使います。この分野には長年使われている無料ツールがいくつもあり、機能面で有料製品に劣るわけではありません。波形表示を見ながら発話の開始と終了をマークし、テキストを流し込み、SRT・VTT・SSAといった主要形式で書き出す。この一連の作業が無料ツールで完結します。

有料の字幕ツールが力を発揮するのは、チームで同じ案件を分担する場合や、放送局向けの厳密な規格に合わせる場合です。個人が在宅で受注する範囲では、まず無料ツールで始めて、案件側から指定があったときに買えば十分です。

動画編集ソフトが必要になるのは「焼き付け」案件だけ

字幕を映像に直接焼き込む（ハードサブ、バーンイン）案件では、動画編集ソフトが必要になります。ここで初めて、書き出し性能というマシンパワーの話が出てきます。

ただし、この用途でも無料の編集ソフトから始められます。無償版で機能制限のあるものも、字幕の焼き付けとフルHD書き出しという範囲なら制限に引っかからないことが多いです。有料のサブスクリプション製品は月額3,000円前後かかるので、焼き付け案件を継続的に受けると決まってから契約するのが合理的です。

AI文字起こしは「下書き係」であって「代替」ではない

自動文字起こしの精度は年々上がっています。クリアな音声の1人語りであれば、実用に耐える下書きが数分で出てきます。これを使わない手はありません。

ただし、AIが苦手とする領域ははっきりしています。複数人が同時に話す座談会、専門用語や固有名詞が頻出する業界向け動画、方言や訛りの強い話者、雑音の多い屋外収録。こうした素材では、AIの出力を修正する時間のほうが、最初から自分で書くより長くなることさえあります。

また、AIが出せないものが2つあります。1つは「字幕としての読みやすさ」です。人が話した通りに全部文字にすると、字幕としては長すぎて読めません。1行の文字数、表示の秒数、改行位置を、視聴者が読み切れる範囲に整える作業が必要です。もう1つは「表記統一」です。同じ言葉が動画の前半と後半で違う書き方になっていると、視聴者は別の概念だと誤解します。この判断は文脈を理解していないとできません。

つまり、AIツールを使うことで作業時間は短縮できますが、仕事そのものは無くなりません。むしろ、AIの下書きを高速で整えられる人ほど単価あたりの生産性が上がる構造になっています。この構造は他の職種でも共通していて、AI・マーケティング・セキュリティのお仕事では、AIツールを前提とした業務設計と、その周辺で人が担う工程がどう分かれているかを職種別に整理しています。

表記統一のための「自分の辞書」を作る

これは機材ではありませんが、生産性への効き目という点では外部モニター1枚より大きいので挙げておきます。

IMEのユーザー辞書に、案件で頻出する固有名詞・専門用語を登録していきます。企業名、製品名、人名、業界用語。1案件で20語から50語ほど登録するだけで、同じクライアントの2本目以降の作業速度が明確に上がります。加えて、表記ゆれによる差し戻しが減ります。

さらに、クライアントごとに表記ルールの一覧（数字は算用数字か漢数字か、感嘆符を使うか、話者名を入れるか等）をテキストファイルで残しておくと、継続案件で強くなります。この積み上げがある人とない人とでは、半年後の作業効率に大きな差が出ます。

後から足すもの: 単価と受注幅を広げる投資

最低限の構成で仕事を始めたあと、案件が増えてきた段階で検討するとよい投資を挙げます。優先順位の高い順に並べています。

フットペダル: 最も費用対効果が高い追加機材

3,000円から10,000円程度のUSBフットペダルを足すと、再生・停止・巻き戻しを足で操作できるようになります。手はキーボードから離れません。

聞き取り作業では、数秒戻して聞き直す動作が1本の動画で何十回も発生します。この動作を毎回マウスやキーボードで行うと、そのたびに入力の流れが切れます。足に逃がすだけで、作業リズムが途切れなくなり、体感で1割から2割程度の時短になります。医療や法務の文字起こし現場で古くから使われてきた道具で、字幕づくりにもそのまま応用が効きます。

静音環境の整備: 機材より先に効く場合がある

聞き取りの精度は、耳に届く音の質だけでなく、周囲の騒音にも左右されます。エアコンの送風音、冷蔵庫のコンプレッサー音、隣室のテレビ。こうした持続音があると、聞き取りにくい箇所での判別が甘くなります。

高価な防音工事は不要です。作業する時間帯を家族の生活音が少ない時間にずらす、カーテンや本棚で反響を抑える、といった調整でかなり改善します。集中を維持する工夫という点では、時間の区切り方も同じくらい効きます。作業時間の設計については在宅ワークの集中力アップ｜ポモドーロ以外に効く7つのテクニックで、集中の途切れ方のパターン別に対処法を紹介しています。

2枚目のモニターとファイル管理体制

継続案件が複数走り始めると、素材の取り違えという事故のリスクが上がります。外付けSSDを1台用意して、案件ごとにフォルダを切り、納品済みかどうかが一目で分かる命名規則を決めておく。これは機材投資というより運用の話ですが、事故を1回起こすと信頼を失うので、案件が3本を超えたあたりで整備しておくべきです。

マイク: 実は優先順位が低い

在宅ワークの機材記事では必ずマイクが登場しますが、字幕づくりに限ればマイクは必須ではありません。聞く仕事であって話す仕事ではないからです。

必要になるのは、クライアントとのオンライン会議で使う場合だけです。その場合も、まずはヘッドセット型やPC内蔵マイクで始めて、会議の頻度が上がってから専用マイクを検討すれば十分です。単発の打ち合わせのために先に買う必要はありません。

案件形態によって必要な機材が変わる

「字幕づくり」と一言でくくられていますが、実際には形態がいくつかに分かれていて、それぞれ要求される機材が違います。受注前にどれなのかを確認してください。

字幕データ納品（SRT・VTT）: 機材要件が最も軽い

テキストファイルで納品する形態です。映像は再生できればよく、書き出しも発生しません。最低限の構成でそのまま受注できます。単価は動画の分数か、字幕の行数で決まることが多く、素材の音質と話者数によって実作業時間が大きく変わるので、受注前に素材の一部を確認させてもらうのが安全です。

焼き付けテロップ: 編集ソフトと書き出し性能が要る

映像に文字を焼き込む形態です。フォント、サイズ、色、縁取り、背景の帯といったデザイン要素の指定が入ります。書き出し時間がかかるので、CPU性能の差がそのまま作業時間の差になります。フルHDで10分の動画を書き出すのに、性能差で5分と20分くらいの開きが出ることがあります。この形態を主力にするなら、PCへの投資が単価向上より先に効きます。

多言語字幕: 翻訳スキルが機材より効く

日本語動画への英語字幕、海外動画への日本語字幕。この領域は機材要件が軽い一方で、語学力と、字幕特有の圧縮技術（限られた文字数で意味を落とさず伝える技術）が求められます。単価は日本語のみの字幕より高い傾向があります。

ライブ字幕・リアルタイム対応: 専用環境が必要

配信中に字幕を付ける形態です。低遅延の通信環境、専用ソフト、そして高速な入力技術が求められます。参入障壁が高い分、扱える人が少ない領域です。在宅で始めたばかりの人がいきなり狙う領域ではありませんが、実績を積んだ先の選択肢として知っておく価値はあります。

初期投資と回収の考え方

機材にいくらかけるべきかは、「何か月で回収できるか」で考えると判断しやすくなります。

構成	初期費用の目安	対応できる案件
最小構成（中古PC＋有線ヘッドホン）	4万円〜7万円	字幕データ納品、簡易テロップ
標準構成（＋外部モニター＋フットペダル）	6万円〜10万円	継続案件、量をこなす運用
拡張構成（＋編集ソフト年契約＋外付けSSD）	10万円〜18万円	焼き付け、デザイン込みテロップ

字幕づくりの報酬は案件によって幅がありますが、動画の分数単位で設定されるケースが一般的で、素材の状態と納品形式で単価が変動します。最小構成であれば、月に数本の継続案件を持てば初期費用は数か月で回収できる計算になります。

重要なのは、拡張構成に最初から手を出さないことです。焼き付け案件を受けるかどうかも分からない段階で編集ソフトを年契約すると、使わないまま更新月が来ます。案件が決まってから投資する。この順番を守るだけで、リスクは大きく下がります。

なお、機材の購入費は事業所得の必要経費に計上できます。10万円未満のものは購入した年に全額を経費にでき、それ以上のものは減価償却の対象となるのが原則です。副業として始める場合も、経費の記録は最初から残しておいたほうが後で楽になります。制度の詳細は国税庁の案内を確認してください。

機材以外で差がつく部分

ここまで機材の話を続けてきましたが、実際に受注が続くかどうかを分けるのは、機材ではない部分です。

表記ルールへの適合力

字幕には業界ごとのルールがあります。1行あたりの文字数上限、同時表示する行数、最短表示秒数、句読点の扱い、話者の識別表示。放送系は特に厳密で、この規約に沿えるかどうかが採否を分けます。

これは知識と慣れの問題であって、機材では解決しません。案件を受ける際にレギュレーションが提示されたら、その通りに納品できるかを最初に確認してください。「だいたい合っていればいい」と考えると、差し戻しが増えて実質単価が下がります。

日本語運用の正確さ

話し言葉を字幕にする過程では、冗長な部分を削り、意味を保ったまま短くする判断が連続して発生します。この判断の質は、日本語をどれだけ意識的に扱えるかに依存します。

文章を扱う基礎力を客観的に示したい場合、ビジネス文書検定のような資格が一定の目安になります。資格そのもので案件が取れるわけではありませんが、実務未経験の段階で提出物以外に示せる材料がないとき、判断材料の1つにはなります。関連する職種の報酬水準を把握したい場合は、著述家，記者，編集者の年収・単価相場で文章系職種のデータをまとめています。

納期の守り方

字幕は公開スケジュールの直前工程に置かれることが多い作業です。撮影が押した、編集が遅れた、というしわ寄せが最後に来ます。そのため、納期遵守の重要度が他の在宅ワークより高い傾向があります。

逆に言えば、ここで信頼を得た人には次の依頼が回ってきます。技術より先に、返信の速さと約束の守り方で評価が決まる場面が実際に多いのです。時間管理の実例としては、在宅ワーク主婦の1日のタイムスケジュール公開で、家庭と作業時間をどう区切っているかの具体例を紹介しています。

隣接領域への広がり

字幕づくりで環境を整えると、その機材構成のまま隣の仕事にも手を伸ばせます。ここが、この仕事を入口として選ぶ実利です。

音声を扱う環境という意味では、音響系の作業と重なる部分があります。ミックス・マスタリングのお仕事は要求される機材水準がもう一段上がりますが、ヘッドホンで音を聞き分ける習慣は共通の土台になります。同様に作曲・編曲・効果音・ジングルのお仕事も、動画制作の周辺職種として発注が重なることがあります。

技術寄りに進む道もあります。字幕データの一括処理やファイル変換を自動化しようとすると、簡単なスクリプトを書く場面が出てきます。ここから開発系に進む人も一定数いて、ソフトウェア作成者の年収・単価相場を見ると報酬水準の違いが分かります。ネットワークやインフラの基礎を体系的に押さえたいならCCNA（シスコ技術者認定）のような技術資格もありますが、字幕づくりから直接つながる道ではないので、興味が向いたときに検討すれば十分です。

在宅ワーク全体の中でどの仕事を選ぶかという視点では、在宅でできる仕事おすすめ【2026年版】｜スキル別ランキングで、必要スキルと参入難易度の関係を職種別に比較しています。

環境を整えたあとに起きる、実務上のつまずき

機材がそろっても、実際に案件を回し始めると必ず引っかかる箇所があります。事前に知っておくと、最初の数本での消耗を減らせます。

素材の音質が想定より悪い

受注前にサンプルを確認しなかった結果、実際の素材が屋外収録で風切り音が入っていた、会議室で反響がひどかった、というケースは珍しくありません。この場合、聞き取りに要する時間が想定の2倍から3倍に膨らみます。分単価で受けていると、実質的な時給が大きく下がります。

対策は単純で、受注前に素材の一部を確認させてもらうことです。断られる案件はそもそも避けたほうが無難だと考えています。確認できた場合は、話者の数、収録環境、専門用語の量の3点を見ます。この3つで実作業時間はほぼ読めます。

タイムコードのずれ

納品したSRTを発注側で読み込んだら字幕がずれていた、という差し戻しがあります。原因の多くは、渡された素材のフレームレートと、編集側で使っているタイムコード基準が食い違っていることです。29.97fpsのような小数フレームレートの素材で起きやすい現象で、動画の後半ほどずれが大きくなるのが特徴です。

これは技術の問題ではなく確認の問題です。最初の案件で、素材のフレームレートと納品形式を発注側に明示的に確認しておけば防げます。冒頭の数分だけ先に納品して読み込みを確認してもらう、という進め方も有効です。

用語の裏取りに時間を取られる

企業名や製品名、業界固有の言い回しは、聞き取れても正しい表記が分からないことがあります。ここで調べものに時間を取られると、作業効率が一気に落ちます。

現場でよく使われている進め方は、不明な箇所を仮の表記で埋めて印を付けておき、最後にまとめて確認する方法です。1件ずつ調べながら進めると、そのたびに聞き取りの集中が切れます。まとめて処理したほうが、結果的に速く、精度も上がります。発注側に用語集の提供を依頼できる案件では、最初に必ず聞いてください。持っているのに渡し忘れているだけ、というケースが実際にあります。

なお、在宅で業務委託として働く場合の契約や報酬の扱いについては、厚生労働省が公開しているフリーランス向けの資料が基礎知識として役に立ちます。

運営者の視点から見た、機材投資と定着率の関係

フリーランス・在宅ワークの市場を20年運営してきた立場から観察していることを、2つ書いておきます。

1つ目は、最初に高額な機材をそろえた人ほど、早期に離脱する傾向があるということです。直感に反するかもしれませんが、理由は説明がつきます。先に大きな投資をすると、「元を取らなければ」という圧力がかかり、条件の悪い案件でも受けてしまう。結果として消耗し、続かなくなる。逆に、手持ちの機材で小さく始めた人は、案件の質を見極める余裕を持てるので、結果的に長く続きます。機材は仕事が決まってから足す。この順番には、心理的な合理性もあるのです。

2つ目は、長く続いている人ほど、単発の作業を売るのではなく「この人に任せると楽だ」という関係を作ることに時間を使っているという点です。字幕づくりで言えば、表記ルールを毎回確認しなくても揃っている、専門用語の裏取りを勝手にやってくれている、納期の前に一度中間報告が来る。こうした積み重ねが、次の依頼を呼びます。機材で差がつく部分は限定的で、実際に差を生んでいるのはこちら側です。

もう1つ、報酬の構造について触れておきます。同じ仕事でも、仲介の中間マージンが乗る取引と、依頼者と受け手が直接つながる取引とでは、手元に残る額が変わります。手数料0%の直接取引では、依頼者は同じ予算でより多くの作業を頼めて、受け手は同じ作業でより厚い手取りを得られる。この構造は、20年見てきた中で最も安定して機能する形です。金額の大小の話ではなく、「同じ働きに対して手元に残るものが違う」という質の問題として捉えるべきだと考えています。

字幕づくりは、機材のハードルが低く、需要が構造的に増えていて、隣接領域への広がりもある。在宅ワークの入口として、これほど条件の揃った仕事は多くありません。まずは手元のPCとヘッドホンで、1本目の案件を最後まで納品してみる。必要な機材が本当に何なのかは、そこで初めて分かります。

よくある質問

Q. パソコンは中古でも大丈夫ですか？

字幕データ納品の案件であれば中古で問題ありません。判断基準はメモリ8GB以上（可能なら16GB）、SSD搭載、CPUは直近5年程度の世代という3点です。中古市場の3万円台から6万円台のノートPCでも実務は回ります。映像に文字を焼き込む案件を主力にする場合だけ、書き出し性能を考慮してもう一段上の機種を検討してください。

Q. ヘッドホンとイヤホンはどちらがよいですか？

密閉型の有線ヘッドホンを推奨します。無線は映像と音声に0.1秒から0.3秒程度のずれが生じることがあり、秒単位でタイミングを合わせる字幕作業では致命的です。イヤホンでも作業自体は可能ですが、1日4時間以上作業すると耳が痛くなる人が多いため、長時間の作業にはヘッドホンが向いています。価格は5,000円から15,000円で十分です。

Q. AIの自動文字起こしがあれば人の作業は不要になりませんか？

不要にはなりません。AIは複数人の同時発話、専門用語や固有名詞、雑音の多い素材に弱く、加えて「字幕としての読みやすさ」と「表記の統一」を判断できません。話した内容をそのまま文字にすると字幕としては長すぎるため、文字数と改行位置を整える工程が必ず残ります。AIは下書き係として使い、仕上げを人が担う分業が現在の主流です。

Q. 初期費用はどのくらい見ておけばよいですか？

最小構成なら4万円から7万円が目安です。中古PCと有線ヘッドホンがあれば字幕データ納品の案件は受けられます。外部モニターとフットペダルを足した標準構成で6万円から10万円、編集ソフトの年契約や外付けSSDまで含めた拡張構成で10万円から18万円程度です。焼き付け案件を受けると決まる前に編集ソフトを契約するのは避け、案件が決まってから投資する順番を守ってください。