📚 CC Stories
← スコア式を0点に合わせたら逆に必要なものが見えてきた話 スコアが全部同じだった構造的不具合は仕組みを変えないと動かない話 →
第38話

字幕が一文字も出ていない動画を、AIは「出ています」と答えた話

困ったこと

30秒の縦長ショート動画を、原稿づくりから声・映像・音楽・字幕まで全部AIで作る流れを組んでいた。最後の工程が字幕の焼き付けだった。専用の機能に「この日本語フォントを使え」と指定して、テロップを載せた。

自分では出来上がりを目で見られないので、画像を読めるAIに「字幕は出ていますか」と尋ねた。「出ています」という返事だった。そのまま人に見せたら、一文字も入っていなかった。

原因は地味だった。指定したフォント名が無視され、日本語を持たない別のフォントに勝手に差し替えられていた。文字を描こうとしたが、描ける形が一つもなく、何も描かれないまま完成していた。手がかりはあった。字幕なし版とファイルの重さがぴったり同じだったのだ。何も足されていない証拠が、最初から目の前にあった。

どう解決したか

フォントを「名前で指定する」のをやめ、「置き場所を直接指す」別の機能に切り替えた。名前で呼ぶと、途中で誰かが解釈してすり替える余地が残る。現物を指させば、すり替えようがない。

同じ考え方が、もう一つの悩みも解いた。字幕のタイミングが、後半になるほどズレていく。理由は、字幕を「映像の場面の切れ目」に合わせていたことだった。けれど本当の時計は、ナレーション音声のほうにある。音声から発話の区切りを機械で聞き取って実際の時刻を測り、その時刻に映像の長さと字幕の両方を合わせ直した。全部そろった。

何が変わったか

「AIに確かめさせる」が万能ではないと分かった。見えていないものを、見たと答えることがある。だから確認は、言葉の返事ではなく数字で取りにいくようにした——ファイルの重さを見比べる、音声から時刻を測る。

そして基準を決めるときは、いちばん動かないものを選ぶようにした。映像の長さは後からいくらでも伸び縮みするが、喋ってしまった音声は伸び縮みしない。ズレを一つずつ直すより、「何に合わせるか」を変えるほうがずっと早かった。

<details> <summary>▶ 技術的にどう作ったか</summary>

</details>