字幕生成APIを挟むと映像翻訳の作業はどこが速くなるのか

2026年6月6日

長谷川奈津

この記事のポイント

✓映像翻訳志望者が字幕生成APIを使うと
✓技術的ワークフローのどこが変わり
✓どんな利点が出るのかを工程ごとに整理しました

先日、映像翻訳の勉強を始めて2年目という方から相談を受けました。「制作会社のトライアルに応募したら、応募要項に『AI字幕のポストエディット経験があれば尚可』と書かれていた。学校では字幕ルールと語学しか習っていないので、何をどう準備すればいいのか分からない」と。これ、知らない人が本当に多いんです。結論から言うと、映像翻訳志望者にとって字幕生成APIは「仕事を奪うもの」ではなく、技術的ワークフローの前半3割を圧縮して、自分の時間を訳文の推敲に回すための道具です。この記事では、字幕生成APIの仕組みと利点を、素材受領から納品までの工程に沿って分解していきます。あわせて、API任せにすると事故が起きる領域と、受注時に確認しておくべき契約上のポイントも整理します。

映像翻訳の市場と、字幕生成APIが語られるようになった背景

映像翻訳という仕事は、この5年で扱う素材の種類が大きく変わりました。かつては劇場公開作品とパッケージ作品（DVD、Blu-ray）、テレビ放送が中心でしたが、現在は配信プラットフォーム向けのドラマ、企業のプロモーション動画、eラーニング教材、ウェビナーのアーカイブ、SNS向けのショート動画まで、字幕を必要とする映像そのものが爆発的に増えています。総務省の情報通信白書でも、動画配信を含むコンテンツ市場の拡大とネット経由の視聴時間増加は継続的に報告されており、映像に字幕を付けるという工程の需要は構造的に伸びています（総務省）。

一方で、この需要増は「単価の高い仕事が増えた」ことを必ずしも意味しません。増えたのは、納期が短く、尺が長く、予算が限られている実務系コンテンツです。劇場作品のように1本に何週間もかけて磨き上げる案件と、企業の研修動画45分を5営業日で仕上げる案件とでは、求められる作業スピードがまったく違います。この後者の領域で、字幕生成APIを組み込んだワークフローが標準になりつつある、というのが今の状況です。

映像翻訳の3つの種類と、APIが効く領域

映像翻訳は大きく3つに分かれます。1つ目が字幕翻訳で、画面下部に文字を出す方式です。2つ目が吹き替え翻訳（ボイスオーバーを含む）で、声優が読む台本を作ります。3つ目がボイスオーバーで、原音を小さく残したまま訳した音声を重ねる方式で、ドキュメンタリーやニュース、企業VPでよく使われます。

このうち、字幕生成APIの恩恵が最も大きいのは字幕翻訳です。理由は単純で、字幕翻訳の工程には「原語の音声を文字に起こす」「その文字にタイムコードを割り当てる」という、機械が得意な定型作業が明確に含まれているからです。吹き替え台本は口の動き（リップシンク）や話者の間合いを人間が読み取る比重が高く、機械の出力をそのまま使える割合が下がります。志望者が最初にAPIを試すなら、字幕翻訳の工程から入るのが合理的です。

報酬の考え方は「尺」で決まるという構造を理解する

映像翻訳の報酬体系は、文字数ではなく映像の長さ（尺）で決まるのが一般的です。この構造を理解しておくと、なぜワークフローの効率化が収入に直結するのかが見えてきます。

報酬に関しては、「10分の翻訳で1万円」など10分単位または1分単位で計算される場合が多いです。よって基本的には作業量を増やすことで報酬額を上げることができます。出典: fellow-academy.com

つまり、尺あたりの報酬が固定されている以上、同じ品質を保ったまま1本にかかる時間を短くできれば、時間あたりの手取りは上がります。逆に言えば、下準備に何時間もかけていると、どれだけ訳文が上手くても時間あたりの収益は伸びません。字幕生成APIの利点は、この「下準備の時間」を削るところにあります。ここを勘違いして「APIを使えば訳文が自動で完成する」と考えると、品質で落とされて次の依頼が来なくなります。

志望者側がAPIの仕組みを知っておくべき実務的な理由

制作会社や翻訳会社の側から見ると、AI字幕を前提としたワークフローはすでに組まれていることが多く、翻訳者に依頼されるのは「ゼロから訳す」ではなく「機械が出した下訳とタイムコードを、字幕として成立する形に直す」という工程になっているケースが増えています。この作業をポストエディットと呼びます。

ポストエディットの案件では、機械出力の癖を知っている人のほうが圧倒的に速く、かつ見落としが少なくなります。たとえば音声認識は固有名詞と数字を高い確率で外しますし、機械翻訳は主語を勝手に補います。この癖を知らずに頭から順に読んでいくと、確認すべき箇所を絞り込めず、結局全文を訳し直すのと同じ時間がかかります。つまり、APIの仕組みを知ることは、語学力とは別軸の「作業設計力」を身につけることなんです。

字幕生成APIとは何か。仕組みを4つの層に分解する

字幕生成APIという言葉は、実際には複数の技術の総称として使われています。志望者がワークフローを設計するときは、これを層に分けて理解しておくと混乱しません。

音声認識（ASR）を担う層

映像の音声トラックを受け取り、原語のテキストに変換する技術です。自動音声認識（ASR）と呼ばれ、近年のモデルは単に文字起こしをするだけでなく、単語ごとのタイムスタンプ、話者の切り替わり（話者分離、ダイアライゼーション）、言語の自動判定まで返してくれます。

志望者が押さえるべきポイントは、返ってくるデータが「単語単位の時刻付きテキスト」だということです。これがあるおかげで、後工程で「この文をここで切る」と決めたときに、その切れ目に対応する時刻を機械的に算出できます。従来は、翻訳者が波形を見ながら手作業で開始点と終了点を打っていました。この差が、作業時間に直接効いてきます。

一方で、ASRの精度は音声環境に強く依存します。ナレーション主体で1人が明瞭に話す企業VPなら実用的な精度が出ますが、複数人が同時に話すバラエティ、環境音の大きいドキュメンタリー、方言や強い訛りのあるインタビューでは、認識率が体感で2割から3割落ちることも珍しくありません。素材を受け取った段階で音声の質を確認し、ASRを使うか手起こしにするかを判断する、この見極めが実務の第一歩になります。

機械翻訳（MT）を担う層

原語テキストを目標言語に変換する層です。近年は汎用の大規模言語モデルを翻訳用途に使う構成も一般的になり、単文単位ではなく前後の文脈を渡して訳させることで、代名詞の指し先や敬体常体の揺れをある程度まで抑えられるようになりました。

ただし、字幕翻訳における機械翻訳の出力は、そのままでは字幕になりません。理由は文字数制限です。日本語字幕は1行あたりおおむね13文字から14文字、2行までという制約があり、表示時間も1秒あたり4文字前後という読み速度の目安があります。機械翻訳は原文に忠実に訳そうとするため、字幕の枠に対して常に文字数が多すぎる出力を返します。ここを削って意味を保つ作業が、映像翻訳者の本業そのものです。

タイムコードとスポッティングを担う層

映像のどの区間にどの字幕を出すかを決める作業をスポッティング（ハコ切り）と呼びます。ここには2つの制約が同時にかかります。1つは音声の切れ目、もう1つは映像のカット割りです。字幕がカットをまたいで表示され続けると、視聴者は目線を切り替えられず読みにくく感じます。

正確なタイミングは、正確な翻訳と同じくらい重要です。字幕が早すぎたり遅すぎたりすると、視聴体験が乱れ、視聴者を混乱させる可能性があります。完璧な同期を実現することは、従来、手作業で行う面倒なプロセスであり、技術者は各字幕のタイミングを1行ずつ調整する必要がありました。出典: translated.com

現在は、ASRが返す単語単位のタイムスタンプと、映像解析によるシーンチェンジ検出を組み合わせて、機械が候補となるハコを自動で切ってくれるところまで来ています。人間の仕事は、その候補を見て「ここは意味の切れ目としておかしいから1つ前にずらす」と判断することに移りました。ゼロから打つのと、候補を直すのとでは、必要な時間がまったく違います。

字幕ファイル形式を扱う層

最後に、出力形式の話です。字幕データは最終的にファイルとして納品されます。代表的な形式がSRTとWebVTTで、どちらもテキストベースで、開始時刻、終了時刻、字幕本文の3点セットが並んだ構造をしています。放送やパッケージ向けにはSTLやCAP、制作会社独自の形式が指定されることもあります。

ここで志望者が知っておくと得なのは、SRTやWebVTTは中身がただのテキストなので、簡単な整形なら自分でも処理できるという点です。たとえば「全角スペースを半角に統一する」「行頭のハイフンを三点リーダに置換する」といった単純作業は、テキストエディタの一括置換で終わります。技術的ワークフローの利点は、こうした細かい定型処理を自分の手から切り離せることの積み重ねにあります。

素材受領から納品までの技術的ワークフローを工程ごとに追う

ここからが本題です。字幕生成APIを組み込んだ場合、実際の作業がどう流れるのかを工程順に見ていきます。案件によって前後しますが、大枠は共通しています。

ステップ1 素材の受領と、着手前のチェック

案件を受けたら、まず映像素材と付帯資料を受け取ります。付帯資料とは、原語のスクリプト（あれば）、用語集、シリーズ物なら過去回の字幕データ、表記ルール（スタイルガイド）などです。

着手前に必ず確認すべきなのが次の4点です。1つ目、映像の尺と実際に字幕を付ける区間（オープニングやエンドロールを含むか）。2つ目、納品形式（SRTかWebVTTか、それとも制作会社指定の形式か）。3つ目、字幕の文字数ルールと表示秒数の下限上限。4つ目、AI翻訳の使用可否です。

この4つ目が抜けやすく、そして最も揉めやすい。守秘義務の観点から、外部のクラウドAPIに素材を送ることを禁止している発注者は実際にいます。ここは後で詳しく触れます。

ステップ2 音声認識で原語スクリプトを作る

原語スクリプトが提供されていない場合、ASRで音声を文字に起こします。ここでのコツは、いきなり全編を流さず、冒頭3分だけ試して精度を測ることです。固有名詞の認識率と、話者分離が機能しているかを見れば、その素材にASRを使う価値があるかどうかは判断できます。

精度が出そうなら全編を処理します。出力は、単語ごとの時刻が付いたテキストとして得られます。この段階で、固有名詞や専門用語を用語集と突き合わせて一括置換しておくと、後工程で同じ誤りを何十回も直す羽目にならずに済みます。人名や商品名は最初に潰す、これが鉄則です。

私が最初にこの工程を試したときの失敗を1つ共有します。医療系のセミナー動画で、薬剤名が全部カタカナの近い別語に化けていました。それに気づかずスポッティングまで進めてしまい、翻訳の段階で「そもそも元テキストが間違っている」と分かって、結局最初からやり直しになりました。原語スクリプトの誤りは、後工程すべてに伝播します。ステップ2の出口で必ず原語を確定させる、この順番を崩してはいけません。

ステップ3 スポッティング（ハコ切り）と字幕枠の確定

原語が確定したら、どの区間にどの字幕を出すかを決めます。自動スポッティング機能を使うと、ASRのタイムスタンプとシーンチェンジ検出から候補が生成されます。

人間が直すのは主に次の場面です。1つ、意味の切れ目と音声の切れ目がずれているとき。話者が息継ぎをした位置と、文の切れ目は必ずしも一致しません。2つ、カットをまたいでいるとき。3つ、表示時間が短すぎるとき。読み速度の目安を下回る枠は、前後と統合するか、訳文を削る必要があります。4つ、無音区間に字幕が残っているとき。

この工程で意識してほしいのは、「機械の候補を全部見る」のではなく「機械が苦手な箇所だけ見る」という発想です。カットが激しい区間、複数人が被って話す区間、音楽が大きい区間。ここに絞ってチェックすれば、全枠を等しく確認するより短時間で同じ品質に届きます。作業設計力とはこういうことです。

ステップ4 翻訳とポストエディット

枠が決まったら、各枠に入る訳文を作ります。機械翻訳の下訳を使う場合、原文と下訳と枠の文字数制限が並んだ状態で作業することになります。

ここでの実務的な優先順位は明確です。第1に誤訳をなくすこと、第2に字幕の制約（文字数、行数、表示時間）に収めること、第3に読んで自然な日本語にすること。この順番を守らないと、綺麗だけれど枠に入らない訳文を大量に作り直すことになります。

機械翻訳の下訳を直すときに頻出するパターンを挙げておきます。主語の過剰補完（英語の I や You を毎回「私は」「あなたは」と訳す）、直訳的な接続詞（「そして」「しかし」の連発）、敬体と常体の混在、単位の未換算（マイルやポンドがそのまま）、代名詞の指し先の取り違え。これらは機械的に検索できるので、訳し終えた後に一括で見直すと効率的です。

ステップ5 品質チェックと納品

訳し終えたら、映像を再生しながら通しで確認します。この工程は省略できません。テキストだけを見て問題なくても、実際に映像に乗せると「話者が話し終える前に字幕が消える」「人物の表情と字幕のトーンが合っていない」といった問題が見えてきます。

機械的なチェックとしては、文字数超過の枠がないか、表示時間が下限を下回る枠がないか、重複表示がないか、禁則処理（行頭に句読点が来ていないか）を確認します。これらはツールの検査機能で自動判定できるので、必ず通してから納品します。

納品時は、指定された形式で書き出し、ファイル名の規則に従います。制作会社によっては、字幕ファイルとは別に、確認用の焼き込み動画（字幕を映像に埋め込んだプレビュー）を求められることもあります。

字幕生成APIを使う利点を、時間と品質の両面で整理する

ここまで工程を見てきたところで、利点を改めて整理します。抽象的な「効率化」ではなく、どの工程のどの時間が減るのかという粒度で捉えるのが大事です。

利点1 下準備にかかる時間が構造的に圧縮される

最も大きいのがここです。手作業の場合、原語の書き起こしとスポッティングだけで、映像の尺の3倍から5倍の時間がかかると言われてきました。30分の素材なら、訳し始める前に半日以上が消えます。

ASRと自動スポッティングを組み合わせると、この前半工程が「機械の出力を検品して直す」作業に変わります。素材の音声品質が良ければ、前半工程の所要時間は体感で半分以下になります。尺で報酬が決まる以上、この短縮分はそのまま時間あたりの手取りに反映されます。

利点2 見落としが減り、品質の下限が上がる

意外に語られませんが、機械の出力を土台にすると「聞き漏らし」が減ります。人間が音声を聞いて書き起こすと、集中力が切れた区間で一文まるごと飛ばしてしまうことがあります。ASRは疲れないので、少なくとも「音が鳴っている区間に何も字幕がない」という事故は起きにくくなります。

同様に、表示時間や文字数の機械チェックを通すことで、ルール違反の枠が納品物に紛れ込む確率が下がります。品質の上限を上げるのは人間の仕事ですが、下限を底上げするのは機械の仕事です。この役割分担を理解しておくと、どこに自分の時間を投じるべきかが見えてきます。

利点3 対応できる案件の種類が広がる

前半工程が軽くなると、これまで採算が合わなかった案件にも手が届くようになります。たとえば、ウェビナーのアーカイブや社内研修動画のように、尺が長くて単価は控えめだが本数が多い、という領域です。こうした実務系コンテンツは、劇場作品ほどの表現の作り込みを求められない代わりに、正確さと納期が重視されます。機械を前提としたワークフローと相性が良い領域です。

映像以外の領域でも、動画と連動した業務は増えています。動画の内容を記事化する、字幕データから検索用のテキストを作る、多言語のeラーニング教材を整備する、といった周辺業務です。実際、在宅で受けられる案件を扱うサイトでも、AI活用そのものを支援する仕事が独立したカテゴリとして扱われるようになりました。生成AIの導入支援や運用設計を担うAIコンサル・業務活用支援のお仕事は、ツールの癖を知っている人が強い領域です。映像翻訳で身につけた「機械出力の検品力」は、そのまま横に展開できます。

利点4 発注者との会話がかみ合うようになる

これも実務的な利点です。制作会社の担当者が「ASRの出力をポストエディットしてほしい」「スポッティングはこちらで自動で切ったものを渡す」と言ったときに、その意味と作業量を即座に見積もれるかどうか。ここで話がかみ合う人には、次の案件が回ってきます。

逆に、用語が通じないと「この人には従来型の案件しか出せない」と判断され、結果として仕事の幅が狭まります。技術的ワークフローの知識は、語学力とは別の、受注の入口を広げるスキルとして機能します。

API任せにできない領域と、そこに残る映像翻訳者の価値

利点ばかり書きましたが、機械が届かない領域を正しく認識しておかないと、事故を起こします。ここは冷静に見ておきましょう。

意味の等価性と文化的適応

字幕翻訳の本質的な難しさは、言語の変換ではなく、文化的な文脈の変換にあります。

主なハードルの1つは、意味の正確性を実現することです。字幕は、ターゲット言語に直接的な同等物がない慣用句、ユーモア、文化的な言及など、元の意味を伝える必要があります。文字通りの翻訳では、このニュアンスを捉えることができないことが多く、その結果、つながりのない不自然な視聴体験になってしまいます。出典: translated.com

ジョークを別のジョークに置き換える、韻を踏んだ歌詞を日本語のリズムに乗せ替える、地域固有の食べ物や制度を日本の視聴者が一瞬で理解できる言葉に言い換える。こうした判断は、映像の演出意図と視聴者の前提知識を同時に考慮する必要があり、現時点で機械が安定して出せるものではありません。ここが映像翻訳者の価値の中心です。

誤認識の典型パターンを覚えておく

ASRの誤りには傾向があります。人名と地名などの固有名詞、数字（特に桁の大きい数値や年号）、専門用語、同音異義語、そして小さな否定語です。最後の否定語は特に危険で、「not」や「〜ない」が落ちると意味が正反対になります。

対策はシンプルで、これらのカテゴリだけを狙って原文と突き合わせる検品パスを1回入れることです。全文を等しく見るのではなく、危険な要素に絞る。数字が出てくる箇所と固有名詞が出てくる箇所を機械的に洗い出して、そこだけ音声で確認する。これだけで重大な誤りはほぼ潰せます。

秘密保持と素材の取り扱いという法務上の論点

ここは私の専門分野なので、少し丁寧に書きます。映像素材は、公開前の商業作品であれば厳格な守秘対象です。クラウドのAPIに音声や映像を送信する行為は、契約上「第三者への開示」に該当しうる、というのが法務側の一般的な整理になります。

つまり、NDA（エヌディーエー、秘密保持契約）を結んでいる案件で、発注者の同意なく外部のAPIに素材をアップロードすると、契約違反を問われる可能性があるということです。実際、業務委託契約書の秘密保持条項には「乙は、甲の事前の書面による承諾なく、本件情報を第三者に開示または漏洩してはならない」といった文言が入っているのが通常です。クラウドサービスの利用が「第三者への開示」に当たるかは契約の書きぶりと運用次第ですが、リスクを負うのは受注者側です。

実務上の対処は3つあります。1つ、着手前に「AI翻訳ツールおよびクラウド型音声認識サービスの利用可否」を発注者に文面で確認し、その回答をメールなどの記録に残すこと。2つ、利用が認められた場合でも、入力データを学習に使わない設定（オプトアウト）が可能なサービスを選ぶこと。3つ、素材を保存する期間と削除のタイミングを自分の中でルール化しておくことです。

ここで補足しておくと、2024年に施行されたフリーランス保護新法（特定受託事業者に係る取引の適正化等に関する法律）は、発注者に対して取引条件の明示を義務づけています。つまり、業務の内容、報酬額、支払期日といった条件は書面または電磁的方法で明示されなければなりません。AI利用の可否は法定の明示事項そのものではありませんが、「業務の内容」の一部として、着手前に文面で確認しておく実務は完全に理にかなっています。曖昧なまま進めて後から責任を問われるのが、フリーランス側にとって最悪の展開です。制度の詳細は所管する公的機関の情報も確認しておくとよいでしょう（公正取引委員会）。

※個別の契約条項の解釈や、実際にトラブルが発生したケースについては、弁護士に相談してください。ここに書いたのは一般的な考え方の整理です。

品質保証の責任は最終的に人間が負う

見落とされがちですが、AIを使って作業した成果物であっても、納品物の品質責任は受注者にあります。「機械が間違えたので」は通用しません。だからこそ、機械の出力をどこまで信用し、どこを自分で確認するかという線引きを、自分の中で明文化しておく必要があります。この線引きができている人が、結果として長く仕事を続けています。

主要なツールと技術の位置づけを比較する

具体的な製品名の優劣ではなく、機能の層ごとにどんな選択肢があるかを整理しておきます。

層	主な機能	選ぶときの判断軸	人間が必ず見る箇所
音声認識	文字起こし、単語単位のタイムスタンプ、話者分離	対応言語、日本語の精度、話者分離の有無、データ保持ポリシー	固有名詞、数字、否定語
機械翻訳	原語から目標言語への変換、文脈考慮	用語集の反映可否、文脈の渡し方、学習利用のオプトアウト	主語補完、敬体常体、単位換算
スポッティング支援	シーンチェンジ検出、ハコの自動生成	カット検出の精度、手動微調整のしやすさ	意味の切れ目、カットまたぎ
字幕編集ソフト	枠の編集、文字数チェック、書き出し	対応形式、放送規格への準拠、動作の軽さ	表示時間、禁則、通し再生
ローカル実行環境	手元での音声認識処理	秘密保持が厳しい案件での利用可否、必要なマシン性能	上記すべて

最後の行のローカル実行環境について補足します。近年は、音声認識モデルを自分のパソコン上で動かす選択肢が現実的になってきました。素材を外部に送らずに済むため、守秘義務が厳しい案件でも使えるという大きな利点があります。処理速度はマシン性能に依存しますが、公開前の作品を扱う可能性がある人にとっては、検討する価値のある構成です。

志望者が身につけるべきスキルと、学習の順序

技術的ワークフローの話をしてきましたが、それだけを追いかけても仕事にはなりません。優先順位を整理します。

第1階層語学力と日本語表現力

土台はここです。特に日本語の表現力が軽視されがちですが、字幕は13文字前後で意味を伝える極端な圧縮作業なので、語彙の引き出しの多さが直接品質に出ます。機械翻訳が普及して、この差はむしろ広がりました。誰が訳しても同じような下訳が出てくる時代に、選ばれるのは「削っても意味とトーンが残る訳」を書ける人です。

原語の理解力についても、聞き取り能力が重要です。ASRが誤認識した箇所を「おかしい」と気づけるかどうかは、結局のところ自分の耳にかかっています。

第2階層字幕ルールの知識

1行の文字数、行数、表示時間の下限と上限、句読点の扱い、話者記号、ルビや位置指定の可否。これらは発注元によって細部が異なるため、指定されたスタイルガイドを読み込む習慣が必要です。基本的なルールは映像翻訳のスクールや専門書で体系的に学べます。ここを独学で曖昧なまま進めると、トライアルで落ち続けることになります。

書類作成や文書表現の基礎を体系的に確認したい人には、ビジネス文書検定のような資格の学習内容も参考になります。簡潔で誤解のない日本語を書く訓練は、字幕という短い文の世界でも確実に効いてきます。

第3階層技術リテラシー

ファイル形式の理解、字幕編集ソフトの操作、APIの基本的な使い方。ここは「詳しくなる」必要はなく、「何ができて何ができないかを説明できる」水準で十分です。

もう少し踏み込みたい人は、簡単なスクリプトで字幕ファイルを一括処理する方法を覚えると、作業が一段軽くなります。プログラミングそのものを職業にするわけではないので、必要な範囲だけで構いません。技術職の相場観を知っておきたい場合は、ソフトウェア作成者の年収・単価相場にまとまった単価データがあります。映像翻訳と並行して技術寄りの案件も受ける人にとっては、参考になる比較材料になるはずです。ネットワーク周りの基礎知識を体系立てて学びたいならCCNA（シスコ技術者認定）のような資格もありますが、映像翻訳志望者にとっては優先度は高くありません。まずは字幕ファイルを扱えることが先です。

第4階層案件管理と契約リテラシー

見積もり、納期管理、契約条件の確認、請求。フリーランスとして働く以上ここは必須で、そして最も学ぶ機会が少ない部分です。特に、報酬の支払期日と、修正対応の範囲をどこまでとするか（何回まで無償で直すのか）は、着手前に決めておかないと必ず揉めます。

先ほど触れたフリーランス保護新法では、発注者は原則として物品等を受領した日から起算して60日以内のできる限り短い期間内に報酬支払期日を定め、支払わなければならないとされています。つまり「検収が終わるまで支払わない」と言われて何ヶ月も待たされるような扱いは、法律上想定されていません。法律はあなたの味方です。

需要と将来性を、構造から冷静に見る

「AIが翻訳するようになったら映像翻訳者の仕事はなくなるのか」という質問をよく受けます。私の見立ては、仕事の総量は減らないが、内訳が変わる、というものです。

字幕を必要とする映像の本数は増え続けています。配信サービスの多言語展開、企業の動画活用、教育コンテンツのオンライン化、アクセシビリティ対応としての同一言語字幕（聴覚障害のある方向けの字幕）。特に最後の同一言語字幕は、公共性の高い領域で整備が進んでおり、翻訳を伴わない字幕制作という新しい仕事の入口になっています。

一方で、単純な下訳を作る作業の価値は明確に下がりました。増えているのは、機械の出力を検品して仕上げる仕事と、機械では成立しない表現領域の仕事です。この二極に対応できる人が残ります。中間、つまり「機械並みの訳を機械より遅く作る人」は厳しい。これは映像翻訳に限らず、AIが入った職種すべてに共通する構造です。

技術系の職種でも同じ現象が起きています。設計思想や全体最適の判断ができる人材の価値が上がる一方で、定型的な実装作業は自動化が進む。この構図は大規模システム開発で採用すべきマイクロサービスの利点と設計の難易度で扱われている、設計判断の重要性という話とも重なります。ツールが強くなるほど、それをどう組み合わせるかを決める人の価値が上がる、という点は共通です。

また、資格や専門知識を持つ人が在宅の仕事にそれを転用する流れも定着してきました。税理士試験合格者の在宅ワーク事情｜科目合格が武器になる理由【2026年版】では、専門知識が在宅案件の入口としてどう機能するかが整理されています。映像翻訳でも、医療、法律、金融、ITといった専門分野の知識を持つ人は、その分野の映像案件で明確に有利になります。専門性と語学の掛け算は、機械が最も追いつきにくい組み合わせです。

現場のデータと運営者視点から見た、映像翻訳志望者の勝ち筋

在宅ワークやフリーランス向けの案件情報を長く扱ってきた立場から、この分野で見えていることを共有します。

まず、案件情報の分類を見ると、AI関連の業務は独立したカテゴリとして成立するまでに増えました。AI・マーケティング・セキュリティのお仕事のように、AI活用とマーケティングやセキュリティが一つの枠でくくられるようになったのは、ここ数年の変化です。映像翻訳の周辺でも、字幕データを活用した動画SEO、多言語コンテンツの運用、社内動画の整備といった業務が同時に発注されるケースが増えています。翻訳だけを切り出して受けるより、動画コンテンツの運用全体に関われる人のほうが、継続的な依頼を得やすくなっています。

文章を扱う職種の相場観としては、著述家，記者，編集者の年収・単価相場に公的統計ベースのデータがまとまっています。映像翻訳は翻訳職に分類されますが、日本語表現力で価値を出すという構造は編集職と共通しており、相場の考え方として参考になります。また、開発系の案件でも動画マニュアルやチュートリアルの整備が付随することがあり、アプリケーション開発のお仕事の周辺には、技術内容を理解して説明できる人材への需要が潜んでいます。

20年この市場を運営してきた立場から言うと、長く続く人には共通点があります。単発の作業を安く速くこなすことではなく、「この人に任せると自分の手間が減る」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。映像翻訳で言えば、納品物に「この箇所は原音が不明瞭だったため推定で訳しました」「用語集にない専門語はこの表記に統一しました」という短いメモを添える。これだけで、発注側の確認工数は目に見えて減ります。次に映像案件が出たとき、担当者の頭に浮かぶのはこういう人です。

もう一つ、運営者として見てきた限りではっきりしているのが、額面ではなく手取りで考えている人ほど安定しているということです。仲介手数料が引かれる構造だと、同じ予算でも受け手に届く金額は目減りします。逆に中間マージンが乗らない直接取引では、依頼者は同じ予算でより多くの作業を頼めて、受け手の手取りは厚くなる。手数料0%という条件の本質は、金額の大小ではなく、この「双方が得をする」構造が成り立つことにあります。映像翻訳のように尺で報酬が決まり、作業時間の短縮が直接収益に効く仕事では、この差は年間で見ると無視できない規模になります。

技術的ワークフローの改善と、取引構造の選択。この2つは別々の話に見えて、実は同じことを指しています。どちらも「同じ労力から自分に残る対価を厚くする」ための設計です。字幕生成APIを学ぶのは、機械に仕事を明け渡すためではありません。機械にやらせられるところを見極めて、自分の時間を、機械には作れない訳文と、発注者との信頼関係に振り向けるためです。

映像業界に限らず、IT研修や社内教育の分野でも同じ構図が見られます。介護現場のIT研修成功事例2026｜職員の離職率を 40% 下げた教育のコツでは、ツール導入そのものではなく、現場に合わせた運用設計が成果を分けたことが報告されています。字幕生成APIも同じで、導入したかどうかではなく、自分の案件の性質に合わせてどう組み込むかで結果が変わります。音声が明瞭な企業VPなら前工程を大胆に機械に任せ、演出の作り込まれたドラマなら手作業の比率を上げる。この使い分けを自分で判断できることが、これから映像翻訳を目指す人にとっての最大の武器になります。

よくある質問

Q. 映像翻訳の未経験者でも、字幕生成APIを使った案件に応募できますか？

応募自体は可能ですが、字幕ルール（1行13文字前後、2行まで、表示時間の下限上限）を理解していることが前提になります。トライアルでは機械出力を直す精度と速度が見られるため、まず市販の教材やスクールで字幕の基本ルールを学び、無料の音声認識ツールで自分の練習素材を処理して直す練習を積んでから応募するのが現実的です。

Q. クラウドの字幕生成APIに、案件の映像素材をアップロードしても問題ありませんか？

発注者の事前確認なしにアップロードするのは避けてください。秘密保持契約では外部サービスへの送信が第三者開示に当たると解釈される可能性があります。着手前にAI翻訳やクラウド音声認識の利用可否をメール等の文面で確認し、記録を残してください。判断が難しい場合は手元で動くローカル実行型のツールを使う選択肢もあります。

Q. 字幕生成APIを使うと、作業時間はどのくらい短くなりますか？

素材の音声品質によりますが、ナレーション主体で音声が明瞭な素材なら、書き起こしとスポッティングを含む前半工程が半分以下になるケースが多いです。従来は尺の3倍から5倍の時間がかかっていた前工程が検品作業に変わります。ただし複数人が同時に話す素材や環境音の大きい素材では認識率が落ち、短縮効果は限定的です。