CapCut縦動画で本当に読める字幕:1行あたりの文字数、CPS、キューごとの最短表示時間
チーム: AiToolsForAppsAI の支援を受けて執筆20 分で読めます要点
- AIはもう「何を言うか」では失敗しません。失敗するのは「どう区切るか」です。文字起こしは単語を正しく拾いますが、極端に長い行、0.5秒しかないキュー、顔にかかる3行のブロックが残ります。
- BBCのSubtitle Guidelines(バージョン1.2.5、2026年3月)は、縦向けの相当値を定めています。16:9で1行37文字にあたる量は、9:16では約25文字です。
- 読み取り速度:BBCは1分あたり160〜180語、1語あたり最低0.3秒を推奨しています。Netflixは、大人向けで最大20 CPS、子ども向けで17 CPSまで認めています。縦動画では12〜17 CPSが快適な範囲です。
- キューごとの長さ:Netflixは最低20フレーム(4/5秒)と最低2フレームの間隔を求めており、BBCは、間を空けるなら間隔は最低1秒とするよう求めています。
- 2025年6月28日から、欧州アクセシビリティ法が適用されています。スペインではLey 11/2023がこれを国内法化しており、字幕はもはやマーケティング上のおまけではありません。
縦動画を編集するなら、2026年は字幕付けの簡単な部分を与えてくれましたが、難しい部分はそのまま残しました。自動文字起こしはすでに優れていますが、区切りは今も職人技です。この記事では、放送局やプラットフォームが使う読みやすさのルールをまとめ、9:16形式に置き換え、編集ソフトに取り込む前に.srtを点検する方法を説明します。最後に、タイムラインに触れずに縦動画向けのSRT字幕を生成し、再分割するAiToolsForAppsのツール、aiCapCutの位置づけもご紹介します。

自動字幕は単語を正しく拾うが、区切りで失敗する
音声認識が解決するのは文字起こしです。区切り、つまり各キューがどこで始まりどこで終わるか、行をどこで折るか、画面にどれだけの時間残るかは編集上の判断であり、どのエンジンも代わりには決めてくれません。そのため、自動字幕は単語が100%正しくても、読みづらいままになることがあります。
縦向けで繰り返し現れる3つの失敗は次のとおりです。
- 行が長すぎる。 エンジンは文字ボックスの幅ではなく、音声の間で区切ります。9:16では、横向けなら余裕で収まった文が、はみ出すか、読めないほど小さな文字サイズに縮んでしまいます。
- キューが短すぎる。 単独の相づち(「うん」「はい」)が300ミリ秒のキューになり、点滅するだけで目を向ける間もありません。
- 3〜4行が積み重なる。 ブロックが上に伸び、視聴者が見る必要のあるもの、つまり話している人の口を、まさに覆ってしまいます。
BBCのガイドは、位置の項目ではっきりと述べています。縦動画では字幕を少し上げるのがよいが、下3分の1には収めておくこと。「顔は画面の上半分にあることが多く、字幕を最下部に置くと、文字を読むことと話している人を見ることの両方が難しくなる」からです。

縦向けでは1行に約25文字、37でも42でもない
BBCは正確な相当値を示しています。「16:9動画の幅の75%の領域での37文字に相当するのは、9:16動画の幅の90%の領域での25文字」。つまり、縦向けでは、放送の標準と比べて1行あたりの文字数がおよそ3分の1減ります。
出回っている数字の出どころは次のとおりです。
- 37文字はテレテキストの上限です。1行に使える40バイトのうち、少なくとも3バイトが制御コードに使われるため、使える位置は37になります。生理学ではなく、インフラの数字です。
- 1行42文字は、NetflixのEnglish Timed Text Style Guideの上限で、大画面とプロポーショナルフォントを想定したものです。
- 25文字は、BBC自身による、これらの上限の9:16への正直な置き換えです。
同じガイドは、忘れてはならないことも警告しています。長さを文字数カウンターだけで管理するのは、「各文字の幅やフォントを考慮しない粗い方法」です。MやWが並ぶ30文字の行は、IやLが並ぶ34文字の行よりも幅を取ります。カウンターは優れたガードレールですが、保証ではありません。結果は画面で確認してください。
実際には、SNS向けの縦動画では、1行の最大を28〜34文字に設定するとうまくいきます。カラオケ風の1行字幕を使うなら、18〜22文字まで下げます。
SNSでの実用上の上限は2行。BBCは縦向けで3行まで認めている
ここには知っておくべき実際の食い違いがあります。BBCのガイドの3.3節は、横長または正方形の動画(16:9、4:3、1:1)では最大2行、縦向けの動画(9:16)では最大3行を推奨しています。縦のフレームのほうが高いことを活かすためです。しかしソーシャル動画では、3行目はほぼ必ず高くつきます。
理由は、SNSの9:16では、使える高さがファイルの高さではないことです。アプリのインターフェース、説明文、サイドのボタン、下部のバーがフレームの一部を占め、字幕ブロックは上、つまり顔のほうへ伸びます。BBC自身もこの許可に条件を付けています。追加の行は「画像の重要な情報が隠れないと確信できる場合」に使えるとし、累積字幕の項目では、口やその他の重要な視覚要素を覆ってしまうなら使わないよう強調しています。
実務上の結論は、上限を2行にし、3行目は常用する手段ではなく、正当な理由のある例外として扱うことです。30文字の2行に収まらないなら、問題は行数ではなく、そのキューを2つのキューに分けるべきだということです。
行の折り方について、BBCは論理的な位置、できれば句読点で区切るよう求めています。やむを得ない場合でも、冠詞と名詞、前置詞とその句、接続詞とそれが導く文、代名詞と動詞、複合動詞の各部分を離さないようにします。単語を途中で割るのは、読みやすさに対してできる最悪のことです。
縦向けの読み取り速度は12〜17 CPSが快適な範囲
読み取り速度は、1秒あたりの文字数(CPS)で測ります。キューの文字数をその表示時間で割ります。45文字のキューが2秒続くなら22.5 CPSで、映像も見ながら全部を読むには速すぎます。
公表されている基準は次のとおりです。
| 基準 | 速度 | 文書と日付 |
|---|---|---|
| BBC | 1分あたり160〜180語。1語あたり最低約0.3秒(4語の字幕で1.2秒) | Subtitle Guidelines v1.2.5、2026年3月 |
| Netflix(大人向け) | 最大20 CPS | English Timed Text Style Guide |
| Netflix(子ども向け) | 最大17 CPS | English Timed Text Style Guide |
これらの上限は、画面の前に座って映画に集中している人を想定しています。縦動画は、立ったまま、移動しながら、画面を腕の長さに置き、フィードの他のコンテンツと競いながら見られます。そのため、9:16で賢明なのは、Netflixの上限よりもはっきり低く抑えることです。12〜17 CPS、出発点は15、視聴者層が広い場合や専門用語が多い場合は12です。
このパラメーターの働きには注意してください。CPSは音声を長くするものではなく、1つのキューにどれだけのテキストを入れられるかを決めます。17から12に下げても動画が遅くなるわけではなく、より早く区切ることになり、キューの数が増えます。
各キューには、最短、最長、そして適切な間隔が必要
字幕が読めるか点滅するかは、3つの時間パラメーターで決まります。キューごとの最短の長さ、最長の長さ、そして連続するキューの間隔です。最もよく引用される2つの基準は一致しませんが、その違いには理由があります。

| パラメーター | BBC(Subtitle Guidelines v1.2.5、2026年3月) | Netflix(Subtitle Timing Guidelines) | 縦向けの出発値 |
|---|---|---|---|
| キューごとの最短の長さ | 1語あたり約0.3秒(4語で1.2秒) | 20フレーム、つまり4/5秒 | 0.8〜1秒 |
| キューごとの最長の長さ | 数値の上限は定めず、読み返されてしまうため、発話の終わりを過ぎて画面に残らないよう求める | 上限は定めず、延々と続かないよう「適切な判断」を求める | 4〜6秒 |
| キュー間の間隔 | 間を空けるなら最低1秒、できれば1.5秒 | 最低2フレーム。3〜11フレームの間隔は2に詰める。2フレーム、または0.5秒以上のいずれか | 連続するキューの間は0.05〜0.1秒 |
| 音声に対する開始 | 発話の開始に合わせる | 音声の最初のフレーム、またはその1〜2フレーム以内 | 音声の最初のフレーム |
| 音声に対する終了 | 発話セグメントの終わりにおおよそ合わせる | 理想的には音声の終了後、少なくとも0.5秒 | 発話の終わり+短い余白 |
間隔の一見した矛盾は、細則を読めば理解できます。Netflixが規定するのは、連続するキューの技術的な間隔です。目が切り替わりに気づくのに十分で、画面がちらつかない2フレーム。そして、神経質な印象を生む中間の間隔(3〜11フレーム)を明確に禁止しています。BBCが規定するのは編集上の間隔です。発話に本当の間があり、画面をきれいにしておくと決めるなら、その間は少なくとも1秒続く必要があります。「それより短いものは、非常にぎこちない効果を生む」からです。
.srtに置き換えると、連続するキューの間には、小さく一定の間隔(50〜100ミリ秒程度)を空けてください。目に見える無音を置くなら、本当に長くしてください。
BBCはよく忘れられるルールをもう1つ加えています。長さの一貫性を保つこと。ある長さの字幕に3秒を与えたなら、同じような長さの次の字幕に4秒を与えてはいけません。不規則さは速さ以上に疲れさせます。
9:16では字幕は下3分の1に置く。最下部ではない
位置は読みやすさのもう1つの要因で、縦向けでは、テレビの標準とは異なります。BBCのガイドは、9:16では、ブロックを下端より少し上げ、画面の下3分の1に収めることを推奨しています。最下部ではインターフェースに隠れ、高すぎると顔を覆ってしまいます。

サイズも違います。BBCは文字の行の高さを、16:9、4:3、1:1では動画の高さの7〜8%、9:16では3.9〜4.5%と定めています。理にかなっています。縦向けではフレームの高さが比率としてはるかに大きいため、より低い割合でも同程度の文字サイズになります。
実務上の影響は2つあります。
- 左右と下の余白を残す。 BBCのオンラインガイドは、9:16では幅の最大90%を使うとしています。残りの10%は、端に対するクッションです。
- 各SNSが覆う領域を確認する。 各アプリのサイドのボタン、説明文、ナビゲーションバーは、フレームの異なる部分に食い込みます。プレビューで完璧に読めても、フィードでは半分隠れることがあります。
取り込む前に.srtを点検し、再分割する方法
.srtはプレーンテキストなので、編集ソフトに触れる前に監査できます。うまくいく確認の順序は、まずファイルの有効性、次に各キューの読みやすさ、最後にスタイルです。
正しく作られたキューは、次のような形をしています。
12
00:00:21,480 --> 00:00:24,120
AIが決めてくれないのは、
どこで文を区切るかです。
形式の確認(取り込みが失敗する原因):
- 1から始まり、飛びのない連番。
- ミリ秒の区切りはコンマで、ピリオドではない:
00:00:21,480。ピリオドはWebVTTのもので、SRTのものではありません。 - 改行コード(CRLF)が統一されていて、キューの間に空行が1行ある。
- 時刻が厳密に増加し、重なりがない:あるキューの終了が、次のキューの開始より後になってはいけません。
読みやすさの確認(読むことを妨げる原因):
- 1行あたりの最大文字数を超えるキューがない。
- 2行を超えるキューがない。
- CPSの上限を超えるキューがない:
文字数 ÷ (終了 − 開始)。 - 最短の長さを下回るキューも、最長の長さを超えるキューもない。
- 連続するキューの間隔が、小さく一定である。
- 行の折り返しが論理的な位置で、冠詞と名詞を離したり、単語を割ったりしていない。
編集上の確認(良い字幕を分けるもの):
- 各キューが、できれば1つの文、または意味の完結した1つの単位になっている。
- 収まらないときは、逐語的に書き起こすのではなく編集する:言いよどみ、繰り返し、言い直しは削除。
- 固有名詞、数字、専門用語を確認する。まさに音声認識が間違えやすい箇所です。
実務上のコツは、手で書き直すのではなく、再分割することです。文字起こしの単語ごとのタイムスタンプを残しておけば、最大文字数やCPSを変えてファイルを再生成するのは数秒で済みます。キューごとに直せば、午後がまるごと潰れます。
2026年11月のCapCutのAIで変わること(と変わらないこと)
最新の動きは、この主張を覆すのではなく、むしろ補強します。AIは文字起こしを自動化しましたが、判断は自動化していません。2026年11月11日に、Android版CapCutのバージョン20.1.0が公開され、CapCut自身の最新のAPKバージョンのページは、「音声を正確な字幕に自動で書き起こす」AI音声テキスト変換ツールを紹介しています。
同じ日、México Tech Week 2026で、ByteDanceはOmni Agentを搭載したCapCut PCを発表しました。アイデアから制作の流れ全体を調整するデスクトップエージェントで、Video StudioとDesign Studioといったサブエージェントや、自然言語の指示をタイムライン上の複数レイヤーの編集に変換するEditPilotを備えています。2026年11月11日にLa Crónica de Hoyが掲載したイベントのレポートによるものです。発表自体、AIを「スケールのエンジン」、人間の判断を「戦略的なコントロール」と位置づけていました。
これは、この記事での役割分担そのものです。機械が単語とタイムスタンプを与えてくれます。最大文字数、行数、CPS、最短の長さ、間隔は、視聴者、言語、フレームによって変わるため、あなたが決めます。短く言えば、文字起こしはもう無料。区切りは今もあなたのものです。
字幕はもはや法的義務であり、単なるベストプラクティスではない
2025年6月28日から、指令(EU)2019/882、つまり欧州アクセシビリティ法が適用されています。消費者向けのデジタル製品とサービスに、アクセシビリティ要件を拡大するものです。スペインでは、BOEで公布された2023年5月8日のLey 11/2023がこれを国内法化しており、その義務は同じ日から執行可能です。零細企業は、遵守義務の対象外です。
適合を示すための技術的な参照枠は、調和規格EN 301 549で、「アクセシブル」を検証可能な要件に落とし込むものです。
これに加えて、何年も前から文書化されてきた、到達範囲に関する論拠があります。Verizon MediaとPublicis Mediaが、18〜54歳のアメリカの成人5,616人を対象に2019年4月に実施した調査を、2019年7月31日にForbesが紹介しました。69%が公共の場では音を消して動画を見ると答え、80%が字幕があれば動画を最後まで見る可能性が高くなると答えています。2019年の、米国のデータです。あなたの視聴者の測定値ではなく、規模感を示すものとして読むのが適切です。
結論は2つあります。読めない字幕は、迷惑なだけでなく、規則の精神にも反します。そして、読みやすさは宣言するものではなく、この記事のパラメーターで測るものです。
縦動画向けの公式な字幕規格は存在しない
現時点では、放送のガイドに匹敵する、9:16専用の字幕規格はありません。最も近いのは、BBCがバージョン1.2.5で行っている既存の標準の適応と、ローカライズ業界の取り組みです。
すでに2019年11月に、Belén Agulló GarcíaがNimdzi掲載の分析で、「縦動画の1行あたりの文字数の標準はまだない」と指摘し、BBCの上限から始めること、最大でも1〜2行にすること、画面が異なってもテキストが切れないようセーフゾーンを設けること、余裕がないときは逐語的に書き起こすのではなく、繰り返しや言いよどみを除いて編集することを提案しました。
7年後も、この診断は有効です。違いは、BBCが9:16の明確なガイド(サイズ、位置、行数)を取り入れたことです。それ以上のものがない間は、次の表にまとめた実践が妥当です。
| パラメーター | 9:16での実用値 | 根拠 |
|---|---|---|
| 1行あたりの文字数 | 28〜34(1行のみの場合は18〜22) | BBCの37→25文字の相当値を、SNSのフォントに合わせて調整 |
| 1キューあたりの行数 | 上限は2 | BBCは9:16で3行を認めているが、インターフェースと顔のため2に抑える |
| 読み取り速度 | 12〜17 CPS | Netflixの大人向け20 CPSを下回る |
| 最短の長さ | 0.8〜1秒 | BBCは1語あたり約0.3秒、Netflixは20フレーム |
| 最長の長さ | 4〜6秒 | BBCが警告する読み返しを避ける |
| キュー間の間隔 | 連続なら0.05〜0.1秒。本当の間なら1秒以上 | Netflixは2フレーム、BBCは間があるなら最低1秒 |
| 位置 | 下3分の1、下端より上げる | BBC、縦向けの位置の項目 |
| 行の高さ | 動画の高さの3.9〜4.5% | BBC、制作時のフォントサイズ |
よくある質問
縦動画の字幕は、1行あたり何文字にすべきですか?
9:16では28〜34文字がうまくいきます。基準はBBCの相当値で、16:9での37文字は、幅90%の9:16では約25文字に対応します。大きな1行字幕を使う場合は、18〜22に下げてください。
字幕のCPSとは何で、適切な値はいくつですか?
CPSは、視聴者が読まなければならない1秒あたりの文字数で、キューの文字数をその長さで割ったものです。Netflixは大人向けコンテンツで最大20 CPS、子ども向けで17 CPSまで認めています。SNSの縦動画では、12〜17 CPSが快適な範囲で、出発点は15です。
字幕は最低どれくらいの長さが必要ですか?
Netflixは最低20フレーム、つまり4/5秒を求めています。BBCは語数で考え、1語あたり約0.3秒、4語の字幕で1.2秒です。縦向けでは、0.8〜1秒が賢明な最低ラインです。
縦動画の字幕を3行にしてもよいですか?
BBCは認めています。16:9、4:3、1:1では最大2行、9:16では最大3行を推奨しています。ただしソーシャル動画では、3行目は顔を覆ったりアプリのインターフェースとぶつかったりしがちなので、実用上の上限は2行です。
2つの字幕の間には、どれくらい間隔を空けるべきですか?
2つの異なるルールがあります。連続するキューについては、Netflixが最低2フレームを求め、3〜11フレームの中間的な間隔を禁止しています。実際には、一定の50〜100ミリ秒です。発話に本当の間があるなら、BBCは少なくとも1秒、できれば1.5秒を求めています。
なぜ.srtが編集ソフトに取り込めないのですか?
ほとんどの場合、ファイルの形式が原因です。ミリ秒の区切りがコンマではなくピリオド、連番に飛びがある、キューが重なっている、改行コードが統一されていない、といったものです。1からの連番、小数点の区切り(コンマ)、重なりのない増加する時刻、キューの間の空行を確認してください。
編集アプリの自動字幕で十分ですか?
単語については、たいていは十分です。区切りについては、そうではありません。音声認識は音声の間で区切り、文字ボックスの幅や読み取り速度では区切りません。効率的なのは、文字起こしはそのまま使い、ご自身のパラメーターで再分割することです。
字幕は法律で義務付けられていますか?
適用範囲に含まれるデジタル製品とサービスについては、2025年6月28日から、欧州アクセシビリティ法(指令(EU)2019/882)により、スペインではLey 11/2023により義務です。零細企業はこの義務の対象外です。適合の技術的な基準はEN 301 549規格です。
取り込んだ後ではなく、取り込む前にルールを決める
読まれる字幕とは、最高の言葉を持つ字幕ではなく、適切に区切られた字幕です。ファイルを生成する前に、最大文字数、2行、CPS、最短と最長の長さ、間隔といった値を決め、.srtをテキストではなくデータとして確認してください。
その部分を、AiToolsForAppsのaiCapCutがフォームにします。台本を貼り付けるか音声をアップロードし、区切りのパラメーターを選ぶと、検証済みの.srtと、その.vtt、.txtのバリエーションがそのまま取り込める形で手に入ります。縦向けのフォーマットに合わせたプリセットを備え、何も再生成せずに、同じ素材を別の値で再分割できるので、修正に費やす午後をまるごと節約できます。動画のレンダリングも、タイムラインへの操作も行いません。渡すのはファイルです。登録なしで、縦動画向けのSRT字幕と編集プランのツールをお試しいただけます。aiCapCutは独立したツールであり、CapCutやByteDanceとは提携していません。
ご自身のトリミングルール(1行あたりの文字数、CPS、最短表示時間、間隔)で.srtを生成し、検証済みの.srt、.vtt、.txtでダウンロードできます。始めるのに登録は不要です。
ご自身のトリミングルール(1行あたりの文字数、CPS、最短表示時間、間隔)で.srtを生成し、検証済みの.srt、.vtt、.txtでダウンロードできます。始めるのに登録は不要です。


