字幕の改行を自然に|1行の文字数と区切り方、AI で自動分割(Mac)
自動字幕が文の途中で切れる、1行が長すぎる。そんなときに VoxStudio for Mac の「字幕を区切る」で直す方法。1行の文字数の目安、ローカル分割と AI 分割の違い、1か所だけ手で切る手順まで。
著者 David, Product Specialist at VoxStudio · · 8 分で読めます

この記事の要点
- 文字起こしのオプションで「字幕を区切る」をオンにします。ローカル分割は API キー不要で、AI 分割には自分の API キー(BYOK)と接続済みの字幕用モデルが必要です。
- 1行の長さは「設定」の字幕の区切りで調整します。日本語の既定は 24 文字で、縦型動画やスマホ向けなら 12〜16 文字程度まで下げると、一般的な字幕の目安に近づきます。
- 直らない 1 か所だけなら、やり直さずに字幕タブかエディタの字幕トラックで、はさみを使ってその場で切ります。
自動でつけた字幕は、だいたい次の 2 つのどちらかの形になります。ひとつは、文の途中で改行されて、助詞や語の切れ目の悪いところで次の行に移るもの。もうひとつは、句点までの長い発話が 1 行に詰め込まれて、読み切る前に消えてしまうものです。どちらも原因は同じで、意味の切れ目を知らない決まりごとで切っているからです。
この記事では、VoxStudio for Mac で自然な改行と読みやすい長さにする方法を説明します。文字起こしのオプションの意味、AI を使う分割の仕組み、うまくいかないときの直し方までを扱います。手順は、録音または動画がすでにアプリで開いていることを前提にしています。
先に結論:この順番で試す
3 つの手順
- 1. 「字幕を区切る」をオンにする — 文字起こしのオプションにあります。初期設定ではオフです。API キーなしでも、ローカルの分割が使えます。
- 2. 1行の長さを決める — 「設定」の字幕の区切りで、1行の目安の文字数を調整します。配信先の基準があるなら、それが最優先です。変更後に作る字幕から反映されます。
- 3. 気になる 1 か所は手で切る — 全体をやり直さなくても、字幕タブでカーソルを置いてはさみのボタンを押すだけで切れます。
字幕は1行何文字が読みやすい?
日本語字幕の 1 行の文字数に、決まった唯一の数字はありません。解説記事では 13〜15 文字前後が目安として紹介されることが多いですが、出典は編集ツールの説明や個人の記事が中心で、規格ではありません。1 秒に 4 文字といった読む速さの目安も、長く使われてきた慣習であり、十分に検証された基準とは言えないと指摘する資料もあります。
一次資料としては、Netflix の日本語タイムドテキスト・スタイルガイドがあります。横書きは 1 行の上限を全角 16 文字前後、縦書きは 11 文字前後とし、字幕は原則 2 行までとしています。同じページの別の箇所には横書き 13 文字の記載もあり、版によって違う可能性があるため、納品や配信が目的なら最新の本文を確認してください。字幕の好みは視聴者によっても違うので、数字は目安として使い、自分の画面で読んで確かめるのが確実です。
VoxStudio の既定は、日本語で 24 文字です。上の目安より余裕のある設定なので、スマホで見る縦型動画や、画面の端に字幕が寄る構図では、12〜16 文字程度まで下げることを検討してください。逆に横長のフレームで大きく表示するなら、既定のままでも構いません。
参考にした一次資料
- Netflix:Japanese Timed Text Style Guide
日本語字幕の 1 行の文字数、行数、数え方(英語)。最新の内容は本文で確認してください。
始める前に:分割は 2 つの方法で動く
分割には 2 つの方法があります。どちらを使うかは、ジョブを始めるときの設定から自動で決まり、エンジンを自分で選ぶ必要はありません。
ローカル分割と AI 分割の違い
| 比べるところ | ローカル分割 | AI 分割 |
|---|---|---|
| 使われる条件 | 「字幕を区切る」がオンで、BYOK がオフ、または字幕用モデルが未接続のとき | BYOK がオンで、字幕用プロバイダーの接続テストに成功し、字幕整形(Subtitle cleanup)モデルが設定されているとき |
| 必要なもの | 追加のものは不要。Mac の中で動きます | 「設定」の AI サービスで用意する、自分の API キー |
| 費用 | API キーも AI クレジットも不要 | 読み書きしたトークン分を、プロバイダーが請求します |
| テキストの行き先 | Mac の中にとどまります | 文字起こしのテキストが、選んだプロバイダーに送られます |
| 言葉 | 認識した文字をそのまま使います | 認識した文字をそのまま使います。モデルは区切り位置を提案するだけです |
| 向いている場面 | 手早く切りたいとき、オフラインで作業するとき、既定の長さで足りるとき | 長い話で意味に沿って切りたいとき、句読点の少ない文字起こし |
VoxStudio にログインしているだけでは、分割は AI 分割に切り替わりません。ログインで使えるホスト型の AI は、翻訳など別の処理に使われます。AI 分割を使いたいときは、BYOK の設定が必要です。
設定のしかた:2 つの道筋
API キーを持っているかどうかで選びます。あとから切り替えても構いません。設定は、そのあとに作る字幕から反映されます。
道筋 A: API キーなし:ローカル分割を使う
「字幕を区切る」をオンにして、BYOK はオフのままにします。動画エディタの「ローカル字幕を生成」と同じ方法で、Mac の中で字幕を区切ります。
Best for: 手早く作りたいとき、オフラインで使うとき、テキストをモデルに送りたくないとき。 Result: 句読点、読みやすい長さ、単語ごとの時刻に基づいて区切られた、認識どおりの言葉の字幕。
文字起こしのオプションを開く
ファイルを追加して、オプションを開きます。話している言語が分かっているなら入力言語を選びます。自動のままでも、たいていの録音では問題ありません。
「字幕を区切る」をオンにする
初期設定ではオフです。オンにすると、横の情報ボタンで、この Mac でどの方法が動くか確認できます。
開始して確認する
ジョブが終わったら、気になる切れ目を再生して確かめます。長さが合わなければ、設定の字幕の区切りで値を変えて、もう一度実行します。
道筋 B: 自分のキーで:AI 分割を使う
「設定」の AI サービスで BYOK をオンにして、プロバイダーのキーを追加し、接続テストを通し、字幕整形モデルを設定します。そのうえで「字幕を区切る」をオンにすると、モデルが区切り位置を提案します。
Best for: 長い講演やインタビューなど、長さのルールだけで切ると不自然になる話。 Result: 時刻と言葉はローカル分割と同じで、区切り位置だけが意味に沿ったもの。
BYOK をオンにする
設定の AI サービスで、自分の API キーを使う(BYOK)をオンにして、使いたいプロバイダーのキーを追加します。
接続テストをする
プロバイダーが「接続済み」と表示される必要があります。表示されない場合、ジョブは失敗せず、ローカル分割で続けます。
字幕用モデルを確認する
字幕整形モデルが設定されているか確かめてから、文字起こしのオプションで「字幕を区切る」をオンにします。情報ボタンが「オンのとき:LLM による整形」と表示すれば準備完了です。
文字起こしのオプションの意味
文字起こしのオプションにある項目のうち、字幕の区切りに関わるものを説明します。項目名は、アプリのバージョンによって表示が違う場合があります。
入力言語、ホットワード、字幕を区切る、詳細設定
- 入力言語 — 音声認識に使う言語です。自動では音声から判定します。日本語だと分かっているなら、日本語を選んでください。日本語や中国語のような文字の密度が高い言語では、区切りのルールが入力言語によって変わります。
- ホットワード — 認識してほしい名前や用語です。端末内の文字起こしに使われ、AI による補正にも綴りのヒントとして渡されます。聞き間違いが減ると、人名などが 2 行にまたがりにくくなります。
- 字幕を区切る — 初期設定ではオフです。オンにすると、認識のあとに字幕を区切ります。横の情報ボタンで、どの方法が動くかを確認できます。BYOK が接続済みなら LLM による整形、そうでなければローカル分割です。翻訳も、字幕の単位を作ります。
- 詳細設定:AI による補正 — 初期設定ではオフで、自分のキーがあるときだけ使えます。認識のあとに、モデルが全文を読んで同音異義語、人名、用語を直します。言い換え、翻訳、内容の追加はしません。テキストはプロバイダーに送られ、料金が発生することがあります。VoxStudio Cloud での文字起こしでは使えません。
- 詳細設定:話者の人数 — 想定する話者の数です。話者が変わると、必ず新しい字幕になります。人数を合わせておくと、インタビューで別々の人の発言が 1 つの字幕に混ざりにくくなります。
1行の長さは、設定で一度だけ決める
長さは「設定」の字幕の区切りで決めます。これは厳密な上限ではなく目安で、少し超えることもあり、実際の表示では画面の安全な幅が優先されます。変更は、そのあとに作る字幕から反映されるので、変えたら文字起こしの区切りをやり直してください。
設定項目と既定値
| 項目 | 既定値 | 設定できる範囲 | 効果 |
|---|---|---|---|
| 1行の目安文字数(中国語・日本語・韓国語) | 24 | 12〜40 | 文字の密度が高い言語での 1 行の目標です。縦型動画なら下げます。 |
| 1行の目安文字数(その他の言語) | 50 | 24〜80 | アルファベット圏の言語向けです。半角単位で数えるため、日本語の数字の約 2 倍になります。 |
| 揺らぎの幅 | 35% | 0〜100% | よい切れ目に着地するために、目安をどこまで超えてよいかを決めます。0% は厳密です。 |
| 字幕の最長の目安 | 5.0 秒 | 2.0〜10.0 秒 | この時間を超えると評価が下がります。短くすると、短い字幕が増えます。 |
| 読点で区切る | オン | オン/オフ | 読点、セミコロン、コロンを、切ってよい位置とみなします。列挙が細かく割れるときはオフにします。 |
AI 分割は、どう動くのか
役割分担のある 2 段階の作業だと考えてください。意味を読むのはモデルが得意で、時刻の計算はソルバー(計算部分)が得意です。VoxStudio は、それぞれの得意なところだけを任せます。
4 つのステップ
- 1. 必要なら句読点を整える — 認識エンジンによっては、句読点がほとんどついていないテキストを返します。その場合は、まずモデルが句読点を補い、明らかな誤りを直します。すでに句読点のあるエンジンでは、この手順は省かれます。
- 2. 区切りを提案する — モデルは、前後の文脈を少し付けて、テキストを複数のまとまりに分けて読みます。同じ言葉を行に分けて返し、名前のように離したくないまとまりを指定することもあります。言葉の変更、翻訳、要約は許されません。
- 3. 提案を検査する — アプリが、テキストが変わっていないこと、長すぎる行がないこと、空でないことを確かめます。失敗した場合はもう一度モデルに頼み、それでもだめなら、そのまとまりだけローカルのルールに戻します。ほかのまとまりには影響しません。
- 4. 時刻で最終的な切れ目を決める — ローカルのソルバーが、単語ごとの時刻を使って切れ目の候補を採点します。間が空けば加点、長すぎる字幕や短すぎる字幕は減点で、長さの設定が目標になります。モデルの区切りは出発点で、最終的な切れ目はソルバーが決めます。各単語の時刻は、モデルではなく認識エンジンのものです。
この分担のおかげで、モデルが作り出した時刻に字幕が動くことはなく、モデルの文字数の数え方で時刻が変わることもありません。モデルが使えなくても、ローカル分割が時刻付きの字幕を一式作ります。
直し方:症状から設定を探す
切れ目がおかしいときに変えるところ
| 見えること | まず試すこと |
|---|---|
| 1行が画面に収まらないほど長い | 1行の目安文字数を下げて、もう一度実行します。 |
| 短い断片ばかりになる | 1行の目安文字数を上げるか、揺らぎの幅を下げて、長さが目標に近くなるようにします。 |
| 1つの字幕が何秒も続く | 字幕の最長の目安を下げます。 |
| 読点で、まとめたい列挙が割れる | 「読点で区切る」をオフにします。 |
| ローカル分割で、語句の途中で切れる | まず時刻を確認してください。切れ目は単語の時刻に従うため、雑音や重なった発話で境界が動くことがあります。意味の重い長い話なら、BYOK で AI 分割を試してください。 |
| 日本語なのに句読点がほとんどない | エンジンによっては句読点を付けません。接続済みの AI モデルを使い、入力言語を日本語にしてください。 |
設定では足りないとき:字幕を手で切る
設定は全体の平均を目標に寄せるものなので、1 つの字幕だけが長い、好ましくない場所で切れている、ということは起こります。そのために全体をやり直す必要はありません。その字幕を、その場で切れます。作業している場所によって、2 つの方法があります。
方法 1:セッションの字幕タブで切る
セッションを開いて、字幕タブに切り替えます。長い字幕の文字をクリックして、新しい字幕を始めたい位置にカーソルを置きます。字幕の右端にはさみのボタンが表示されるので、押すとカーソルの位置で字幕が 2 つに分かれます。そのあと、前後を再生して、切れ目が自然か確かめてください。
方法 2:動画エディタの字幕トラックで切る
セッションをすでに動画エディタに取り込んでいるなら、タイムラインで作業します。ツールバーでカミソリ(はさみ)ツールを選び、切りたい字幕の上にポインターを動かすと、切ったあとの 2 つの文が、切れ目の緑の線とともにプレビューされます。クリックすると、そこで切れます。
書き出す前に、切れ目を確認する
短い見直し
- 気になる切れ目をすべて再生する — 切れ目の数秒前から再生して、音節が切れていないか、同じ言葉が繰り返されていないか、不自然な息つぎがないかを聞きます。
- 波形ではなく字幕を読む — 話す速さで、それぞれの字幕を声に出して読みます。息が続かない、文が壊れて聞こえる、というときは、切るか、つなげてください。
- 名前と数字を確認する — 区切りは綴りを変えません。聞き間違えた名前は間違ったままなので、ホットワードや AI による補正を使ってください。
- 設定を変えたら、やり直す — 長さの設定は、そのあとに作る字幕から反映されます。すでにある字幕が自動で更新されることはありません。
この記事で扱わないこと
この記事は、Mac アプリでの区切りを扱います。VoxStudio Cloud ではサーバー側で字幕が作られるため、上の方法の選択は Mac で処理するときの話です。配信先ごとに、字幕の長さや読む速さの基準は違うので、公開先の要件を確認してください。
よくある質問
字幕は 1 行に何文字くらいが読みやすいですか?
決まった唯一の数字はありません。日本語では 13〜16 文字前後が目安として挙げられることが多く、Netflix のガイドは横書きで全角 16 文字前後としています。VoxStudio の既定は 24 文字なので、縦型やスマホ向けなら 12〜16 文字程度まで下げることを検討し、配信先の基準を優先してください。
自動字幕が文の途中で改行されるのを直すには?
文字起こしのオプションで「字幕を区切る」をオンにします。API キーなしなら、句読点、読みやすい長さ、単語の時刻に基づくローカル分割です。BYOK と接続済みの字幕用モデルがあれば、意味に沿った区切りを AI が提案し、時刻は認識エンジンのものを使います。書き出す前に切れ目を再生して確かめてください。
ローカル分割と AI 分割の違いは何ですか?
ローカル分割は Mac の中で動き、API キーも AI クレジットも不要です。AI 分割は BYOK で設定したプロバイダーにテキストを送り、トークン分の料金がかかることがあります。どちらも認識した言葉をそのまま使い、時刻は単語の時刻から取ります。
VoxStudio にログインすると、AI 分割が使えますか?
いいえ。字幕の AI 分割には、BYOK と接続済みの字幕用プロバイダーが必要です。ログインで使えるホスト型 AI は、翻訳など別の処理で使われます。
分割のときに、AI が言葉を変えてしまうことはありますか?
分割は言葉を変えない仕組みで、モデルの答えにテキストの変更があれば、アプリが受け付けません。同音異義語や人名を直す AI による補正は別の設定で、初期設定ではオフです。補正でも時刻は変わりません。
設定を変えたのに、すでにある字幕が変わらないのはなぜですか?
長さの設定は、そのあとに作る字幕から反映されます。新しい長さにしたいときは、文字起こしの区切りをもう一度実行してください。
関連する Mac の機能
話の切れ目で字幕を区切る
VoxStudio for Mac の文字起こしのオプションで「字幕を区切る」をオンにして、書き出す前に切れ目を確認しましょう。 Mac 版をダウンロード · 料金と試用版(英語)
David — David works on the VoxStudio product team and spends most days inside the video editor, turning real customer workflows into faster ones.