字幕の追加 / 抽出

字幕が動画の中に存在する方法は厳密に 2 つあり、ワークフローの判断はすべて「どちらを持っているか」から始まります。ソフト字幕は映像ストリームの隣に格納されたテキストトラックです — フレームは無変更で、プレイヤーが再生時にテキストを描画します。ハード字幕はエンコード時にピクセルに描き込まれたもの — 文字は画像の一部になり、永久に残ります。ソフト字幕はオフにでき、言語を切り替えられ、スタイルを変更でき、テキストとして抽出できます。ハード字幕は動画を再生できるものであれば文字通り何でも同じように再生できますが、永久であることが代償です。片方は画像の隣のデータ、もう片方は画像そのものです。

ソフト埋め込みは字幕ファイルを映像・音声トラックの隣の追加トラックとしてコンテナに書き込みます — 映像ストリーム自体はバイト単位でコピーされます。数秒で完了し何も失わないのはこのためです：コンテナを変えるのと同じ「リマックス」操作です（コンテナの基礎はMP4 ページを参照）。要点は対応状況：コンテナが字幕トラックを受け入れること（MKV と MP4 は対応。デバイスによっては無視されることも）、プレイヤーが描画すること — スマート TV や標準のスマホプレイヤーは対応にむらがあることで有名で、ハード焼き込みが今も存在するまさにその理由です。

字幕の焼き込みは動画の全フレームをテキストを重ねて再描画し、結果を再圧縮します — 完全な再エンコードで、それに伴うすべて：エンコードと同じ時間がかかり、各フレームは 2 回目の圧縮世代を通ります。フォントは焼き込まれ（視聴者のマシンで「フォントがない」サプライズなし）、位置とスタイルは正確、再生互換性は完全です — 出力はただの普通の動画だからです。トレードは最終性：テキストは画像と不可分になり、誤字の再入力は元のソースからの再エンコードを意味します。

SRT（SubRip）は普遍的な最小形式：番号付きの行、開始→終了タイムスタンプ、プレーンテキスト。地球上のすべてのプレイヤーが読みます。VTT（WebVTT）はその Web ネイティブの兄弟 — 同じ発想で、ミリ秒の区切りが , の代わりに .、HTML5 の <track> 要素が使うスタイルと位置指定のフック付き。ASS（Advanced SubStation Alpha）は愛好家の形式：フォント、色、縁取り、回転、文字ごとのアニメーション — 装飾付きアニメ字幕の背後にある形式 — だからこそ MKV はトラックが必要とするフォントをファイル内に添付できるのです（MKV ページを参照）。ASS スタイルの焼き込みにはエンコード時にフォントが必要で、ソフト再生には再生時に必要です。

ソフト字幕トラックの抽出は、コンテナからテキストを取り出すことです — 完璧です。それが格納されていたものだから。ハード焼き込み動画から字幕を復元するのはコンピュータビジョンの問題です（各フレームへの OCR、テキスト領域の推測、文字の背後の背景の清掃）。きれいで静的なテキストにはそこそこ機能しますが、装飾フォント、動き、粒度ですぐに劣化します。後でテキストが必要なら、ソフト版を保持（または入手）してください。

• 「ファイルに付いてきた字幕は必ずオフにできる」ソフト字幕だけです。オフに切り替えられないなら、ピクセルに焼き込まれており、どのプレイヤーも取り除けません。
• 「字幕の埋め込みは動画を再エンコードする」ソフト埋め込みはリマックス — 瞬時で可逆。再エンコードするのはハード焼き込みだけです。
• 「字幕ファイルで動画がずっと大きくなる」ソフトトラックはテキストです：映画 1 本分の字幕ファイルでも数十〜数百キロバイトで、動画のメガバイトの丸め誤差の中に消えます。
• 「ハード焼き込みのほうが安全だから、常に焼き込むべきだ」再生互換性には安全ですが、後の編集・翻訳・アクセシビリティには永久に不利です。未知のデバイスへの配信なら焼き込み、テキストがデータであり続けるべきなら埋め込み。

関連ツール：3 形式間で字幕テキストを変換するのはSRT/VTT/ASS 変換、音声から字幕ファイルを生成するのは音声→字幕、マルチトラック字幕対応が最良のコンテナは動画 → MKV、リマックスの基礎は動画 → MP4。