動画の画面内の文字を翻訳するには?仕組みと向き不向き

工場の映像の画面内の文字を枠で囲んで翻訳前に確かめる編集画面

この記事でわかること

  • 画面内の文字が吹き替えや字幕では訳されない理由
  • 映像から文字を読み取って訳す仕組み(OCR)
  • うまく読み取れる映像・読み取りにくい映像
  • 画面内の文字を減らす・訳しやすくする作り方
  • 読み取った文字を確かめて直す流れと費用の決まり方

まず読む: 動画を翻訳する方法は?字幕・吹き替え・ナレーションの違いと進め方

動画の画面内の文字は、どうすれば翻訳できる?

動画の画面内の文字とは、スライドの見出し、資料の表、画面に出す注意書きなど、映像そのものに書かれている文字のことです。これらは、==話し声を訳す吹き替えや字幕だけでは訳されません==。字幕は話し声を文字にして訳したもので、話し手が読み上げていない画面の文字は、そもそも訳す対象に入っていないからです。

画面内の文字を訳すには、大きく分けて2つの方法があります。

  • 元のファイルを訳して作り直す:スライドや資料の元のファイルを訳し、訳したもので動画を撮り直す・作り直す
  • 映像から文字を読み取って訳す:映像に映った文字をAIで読み取り(OCR)、訳した文字を画面に重ねて表示する

元のファイルが手元にあり、本数が少ないなら、1つ目がいちばん確実です。元のファイルが残っていない動画や、本数が多い動画では、2つ目の方法が役に立ちます。この記事では、主に2つ目の仕組みと向き不向きを説明します。動画の翻訳の方法の全体は、動画を翻訳する方法にまとめています。

画面内の文字を読み取る仕組みは?

映像から文字を読み取る技術は、OCR(光学文字認識)と呼ばれます。画像の中から文字がある場所を見つけ、その文字が何かを読み取る技術です。

たとえば大手のクラウドサービスの画像認識の説明では、テキストの検出機能は、任意の画像からテキストを検出して抽出するとしています[1]。写真に道路名や交通標識が写っていれば、文字列全体、個々の単語、それぞれの位置を示す枠が結果に含まれると説明しています[1]。また、文字がぎっしり書かれた文書向けには、文書に合わせて結果を整える別の検出方法も用意されています[1]。

動画の画面内の文字を訳す流れは、次のようになります。

段階すること間違いが起きやすい所
① 場面を切り出す動画から、文字が映っている場面の画像を取り出す文字がすぐ消える・動く場面を取りこぼす
② 文字を読み取る画像の中の文字の場所と中身を読み取る(OCR)小さい文字・飾り文字・背景と色が近い文字
③ 翻訳する読み取った文字を、見る人の言語に訳す見出しだけの短い言葉は、前後が無く訳しにくい
④ 画面に重ねる訳した文字を、元の文字の位置に合わせて表示する訳が長くなり、元の枠に収まりにくい

①の読み取りで間違えると、③の訳も④の表示も間違えたまま進みます。この「前の段階の間違いが後ろに残る」性質は、声の吹き替えと同じです。声の吹き替えの段階は、AI吹き替えの仕組みで説明しています。

どれくらい正しく読み取れる?向いている映像・向かない映像は?

読み取りの正確さは、映像の作り方で大きく変わります。文字がはっきり大きく、しばらく止まって表示される映像ほど読み取りやすく、文字が動く・小さい・背景に溶け込む映像ほど苦手です。

koevo の画面内の文字を訳す機能(AIテキスト抽出)では、映像に映っている文字をAIが読み取り、視聴者の言語に訳して表示します[3]。対象は、スライドや資料など画面に表示された文字で、風景や写真の中に写り込んだ文字は抽出されません[3]。資料やスライドのように、文字がしばらく止まって表示される映像がおすすめで[3]、文字が動いたり、すばやく切り替わったりする映像(アニメーションの多いスライドなど)は、うまく読み取れないことがあります[3]。

向いている映像向かない・工夫が要る映像
スライドを映して説明する研修アニメーションで文字が動くスライド
資料・手順書を画面に映すマニュアル文字が一瞬で切り替わるテロップ
画面操作の手順を映す動画看板・ラベルなど、写真や現場に写り込んだ文字
文字が大きく、背景との差がはっきりした画面細い飾り文字や、背景と色が近い文字

なお、AIによる自動の読み取りは完全ではありません。とくに数字、記号、よく似た形の文字(「ロ」と「口」など)は取り違えやすい所です。読み取りのあとで人が確かめる流れを、最初から組み込んでおきます。

そもそも画面に文字を焼き付けない、という考え方

画面内の文字の扱いには、ウェブの文字の決まりも参考になります。ウェブのアクセシビリティの国際的な指針を作る W3C は、文字の画像ではなく、できるだけ文字そのものとして情報を示すべきだとしています[2]。文字の大きさ、色、行間などを自分に合わせて変えたい人がいるためです[2]。

動画でも同じ考え方が使えます。大事な注意書きを映像に焼き付けるだけでなく、話し声でも読み上げておけば、その内容は吹き替えや字幕で訳されます。画面の文字を「読み上げられる言葉」に寄せておくことが、多言語にしやすい動画を作るいちばんの近道です。

機械の操作を手元から撮るマニュアル動画の撮影の様子

画面内の文字を訳しやすくする作り方は?

これから動画を作るなら、撮る前・作る前に次の点を意識すると、画面内の文字を訳す手間が大きく減ります。

  • 大事な文字は話し声でも言う:スライドの見出しや注意書きは、話し手が読み上げます。読み上げた内容は字幕と吹き替えで訳されます
  • 文字は大きく、少なく:1枚のスライドに詰め込まず、見出しと要点だけにします。小さい文字は読み取りも、見る人の理解も難しくなります
  • 文字を動かさない:飛び込む・回るなどの動きは控え、文字をしばらく止めて見せます
  • 背景との差をはっきりさせる:白地に黒、濃い色に白など、文字と背景の明るさの差を大きくします
  • 文字の上に人や物を重ねない:指さしやポインターで文字の一部が隠れると、読み取りを間違えやすくなります

研修動画を多言語にする手順全体は、研修動画の多言語化の方法にまとめています。

三脚のスマートフォンとピンマイクで研修動画を撮影する現場

訳した文字が、元の枠に収まらないときは?

画面内の文字を訳すと、言語によって文字の長さが大きく変わります。日本語の短い見出しが、ほかの言語ではずっと長い文字の並びになることがあります。漢字は一文字に多くの意味を詰められるので、アルファベットなどで書く言語に訳すと、同じ内容でも横に長く伸びやすいのです。訳した文字を元の文字の位置に重ねるとき、枠からはみ出したり、文字が小さくなりすぎたりするのは、この長さの違いが原因です。

はみ出しを減らすには、次のような工夫が効きます。

  • 見出しは名詞で終える:「〜を確認してください」より「確認事項」のように短く書くと、訳しても伸びにくくなります
  • 1枚に載せる文字を減らす:枠いっぱいに書かれた文字は、訳すと必ずあふれます。余白を残して作ります
  • 訳を短く言いかえる:意味を変えない範囲で、訳した文を短くします。確かめるときに、長すぎる所だけを言いかえるのが効率的です
  • 大事な注意は別に字幕で出す:画面の文字に収めきれない注意は、話し声で読み上げて字幕と吹き替えに任せます

見出しだけの言葉は、訳を取り違えやすい

画面内の文字は、話し言葉と違って前後の文が無いことが多いのも難しい所です。たとえば「確認」「完了」「注意」のような一語だけの見出しは、どの場面の何の確認なのかが分からないまま訳されます。AIの翻訳は前後の文脈から意味を決めるので、文脈が無い一語は、思ったのと違う訳になりやすいのです。

確かめるときは、一語だけの見出しや表の項目名を重点的に見てください。社内で決まった訳し方がある言葉は、あらかじめ一覧にしておくと、確かめる人がすぐに気づけます。訳を人が確かめる意味については、AIの訳を人が確かめる理由に作り手の考えを書いています。

導入の流れと費用の目安は?

映像から文字を読み取って訳すときは、次の流れで進めます。

  1. 画面内の文字の量を確かめる
    訳したい文字がどの場面にどれくらいあるかを見ます。少なければ、話し声で読み上げる形に作り直すほうが早いこともあります。
  2. 読み取りやすい映像か確かめる
    文字が止まって表示されているか、写真に写り込んだ文字が中心になっていないかを見ます。
  3. 読み取りと翻訳をかける
    OCR で読み取り、見る人の言語に訳して重ねます。
  4. 人が確かめて直す
    数字・記号・固有名詞を中心に、読み取りと訳を確かめます。koevo では、抽出した内容をエディターから手で直したり追加したりできます[3]。
  5. 見る人の端末で見てみる
    スマホの小さな画面でも、重ねた文字が読めるかを確かめます。

費用の決まり方はサービスごとに違います。koevo の AIテキスト抽出は、動画を登録するときに選ぶオプションで、料金は 1,480円 / 動画1本・定額です[3]。対象は30分以内の動画です[3]。

よくある質問

動画の字幕を付ければ、画面内の文字も訳されますか?

いいえ。字幕は話し声を文字にして訳したものなので、スライドや資料に書かれた文字は、話し声で読み上げていない限り訳されません。画面内の文字は、別に読み取って訳す必要があります。

写真に写っている看板の文字も訳せますか?

方式によって違います。koevo のAIテキスト抽出は、スライドや資料など画面に表示された文字が対象で、風景や写真の中に写り込んだ文字は抽出されません。

読み取りを間違えたらどうすればよいですか?

AIの自動の読み取りは完全ではないので、完成後に人が確かめて直す前提で使います。koevo では、抽出した内容をエディターから手で直したり追加したりできます。

元のスライドのファイルを渡したほうが確実ですか?

文字が確実に分かる元のファイルがあれば、それを訳して動画を作り直すのがいちばん確実です。元のファイルが無い動画や、数が多い動画では、映像から読み取る方法が役に立ちます。

動画の画面内の文字は、吹き替えや字幕だけでは訳されません。映像から文字を読み取る OCR で取り出し、訳して重ねる方法がありますが、文字が止まって表示されるスライドや資料が向いていて、動く文字や写真に写り込んだ文字は苦手です。大事な文字は話し声でも読み上げ、読み取った結果は人が確かめて直すことが大切です。

おわりに

動画の画面内の文字の翻訳について、いかがでしたか?画面の文字は吹き替えや字幕だけでは訳されず、OCR で読み取って重ねる方法を使うこと、止まった文字は得意で動く文字は苦手なので人の確認が前提だということでした。

ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。話している声の部分を、字幕や吹き替えで多言語にしたいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。

koevo のサービスページを見てみる

よくある質問

動画の字幕を付ければ、画面内の文字も訳されますか?

いいえ。字幕は話し声を文字にして訳したものなので、スライドや資料に書かれた文字は、話し声で読み上げていない限り訳されません。画面内の文字は、別に読み取って訳す必要があります。

写真に写っている看板の文字も訳せますか?

方式によって違います。koevo のAIテキスト抽出は、スライドや資料など画面に表示された文字が対象で、風景や写真の中に写り込んだ文字は抽出されません。

読み取りを間違えたらどうすればよいですか?

AIの自動の読み取りは完全ではないので、完成後に人が確かめて直す前提で使います。koevo では、抽出した内容をエディターから手で直したり追加したりできます。

元のスライドのファイルを渡したほうが確実ですか?

文字が確実に分かる元のファイルがあれば、それを訳して動画を作り直すのがいちばん確実です。元のファイルが無い動画や、数が多い動画では、映像から読み取る方法が役に立ちます。

参考文献

海外の資料 2自社の一次資料 1

この記事は 3 本の出典をもとに書いています。うち 3 本は、引用した文が出典のページにあることを確かめています(2026年11月20日)。

  1. Google Cloud「画像内のテキストを検出する(Cloud Vision API)」海外の資料
  2. W3C「Understanding Success Criterion 1.4.5: Images of Text」(WCAG 2.2)海外の資料
  3. koevo ヘルプ(使い方・料金)自社の一次資料

この記事を書いた人

動画の多言語化に毎日向き合っている koevo のチームが書いています。数字や制度は、元の資料へのリンクを付けています。