音声翻訳：
完全ガイド

音声翻訳とは何ですか？

音声翻訳とは、ある言語で録音された発話を、別の言語で利用できる形に変換するプロセスです。ソースとなるのは、MP3のインタビュー、WAVのナレーション、ボイスメモ、ポッドキャストのエピソード、研修コースのナレーション、動画のサウンドトラックなどです。出力は3つの形式をとります。翻訳されたテキスト（文字起こし）、元の発話にタイミングを合わせた翻訳字幕、または翻訳先の言語による新しい音声トラックです。

音声が他のあらゆるファイル形式と異なるのは、人または何らかの仕組みが文字起こしをするまで、扱えるテキストが存在しないという点です。文書翻訳ツールはDOCXを読み取れますが、録音は読み取れません。そのため、本格的な音声翻訳ワークフローはどれも同じ骨格を持っています。文字起こし、修正、翻訳を行い、その後エクスポートするという流れで、テキスト、字幕、または音声として出力します。SmartcatのAI音声翻訳ツールはまさにこの順序に従っており、一度修正した文字起こしが、すべての言語とすべての出力の唯一のソースになります。

混同されやすい4つの用語

文字起こしは、発話を同じ言語のテキストに変換します。音声翻訳は、そのテキストを別の言語に翻訳します。ナレーションは、翻訳先の言語による新しいナレーションを元の音声に重ねる（または差し替える）もので、通常は話者が画面に映らないナレーション付きコンテンツに使われます。吹き替えは、元の話者の声を、元の発話にタイミングを合わせた新しい声に置き換えるもので、仕上がりはその言語のネイティブ版のように再生されます。現在では、これらの各ステップをAIが処理します。音声認識が文字起こしを作成し、機械翻訳が訳文を作成し、合成音声が新しい音声トラックを作成します。

実際のところ、「音声を翻訳する」ことは、もはやスタジオから購入する単一のサービスではありません。自分で実行できるパイプラインであり、重要度に応じて必要な箇所に人間のレビュアーを加えることができます。実際の流れについては、動画の音声を自動で翻訳する方法をお読みください。

文字起こし、字幕、それとも音声：何を納品すべきか？

1回のアップロードで、さまざまな形式の成果物を受け取れます。最適な形式は、音声がどこで使われ、視聴者がどのように利用するかによって異なります。SmartcatのMP3翻訳ツールでは、選択肢を次のようにまとめています。翻訳済みの文字起こし（言語ごとのタイムスタンプ付きドキュメント）、字幕（元の発話にタイミングを合わせたSRTまたはVTT）、AI音声トラック、またはエクスポート前に人間のレビュアーが確認したこれらのいずれかです。

多くのチームが見落としがちなのが、言語の列です。テキストと字幕はSmartcatの280以上の言語のいずれにも対応していますが、合成音声の対応範囲はそれより狭くなります。SmartcatのAI吹き替えページによると、ElevenLabsを活用したナレーションのロケールは35です。翻訳先のロケールにAI音声がない場合は、代わりに翻訳済みの字幕や文字起こしをエクスポートするか、その言語を人間の声優に割り当ててください。

字幕と音声は二者択一ではありません。Smartcatのいくつかのワークフローでは、両方を同時に納品できます。AI音声吹き替えおよび字幕翻訳のページでは、単一言語の動画をアップロードし、1つのワークフローで同期されたナレーションと埋め込み字幕を受け取る方法を説明しています。翻訳済みのWebVTTファイルがすでにあり、それを動画に焼き込みたい場合は、VTT to MP4コンバーターが字幕ファイルを翻訳してMP4に埋め込みます。

Smartcatにおける音声翻訳の仕組み

かつて音声翻訳といえば、翻訳会社にファイルを送り、文字起こし担当者を待ち、さらに翻訳者を待つことを意味していました。Smartcatでは1つのプロジェクトで完結します。ファイルはそのままアップロードされ、文字起こし、修正、翻訳、音声、レビューのすべてのステップが同じ場所で行われます。

製品内では、音声ファイルはドキュメントと同じプロジェクトフローで処理されます。ファイルをアップロードするとAI翻訳が実行され、CATエディターで結果を確認します。ヘルプセンターの記事Smartcatで音声ファイルを翻訳するでは、各画面を順を追って説明しています。自動文字起こしのための動画・音声ファイルの直接アップロードは、2023年からSmartcatで利用可能です。最初の発表内容と対応形式の一覧については、動画・音声ファイルをSmartcatに直接アップロードするをご覧ください。

音声翻訳の料金体系

音声の料金は録音時間ではなく、文字起こしの単語数に基づいて計算されます。音声翻訳ツールとMP3翻訳ツールのページに記載されているとおり、文字起こしの原文1単語につき1 Smartwordが消費されるため、ナレーションの少ない60分のウォークスルー動画は、原稿のある10分の広告よりも安くなる場合があります。AI吹き替えは計算方法が異なり、原文1単語につき10 Smartwordsが消費されるため、吹き替え版の予算は同じ原稿をテキスト翻訳する場合のおよそ10倍を見込んでください。新規アカウントでは、クレジットカード不要で、15,000 Smartwords付きの15日間無料トライアルですべての機能をお試しいただけます。最新のプランは料金ページでご確認ください。

文字起こし：品質を左右するステップ

音声翻訳はすべて音声のテキスト化から始まり、その後のすべての工程の品質の上限は文字起こしによって決まります。音声認識が製品名を一度でも聞き間違えると、その誤りはすべての対象言語に忠実に翻訳され、すべてのAI音声で読み上げられてしまいます。だからこそSmartcatでは、翻訳の後ではなく前に、人の目で文字起こしを確認します。

SmartcatのMP3翻訳ツールのページによると、翻訳を始める前から録音を台無しにしてしまう要因は3つあります。ノイズが多い、またはこもった音声（BGM、風の音、強い圧縮）、楽器の伴奏付きで歌われるボーカル、そして複数の話者が同時に話している状態です。ビットレートやエンコード形式は関係なく、重要なのは録音の品質です。話者が1人のクリアな音声が最も正確に文字起こしされます。

文字起こしから翻訳テキストへ

翻訳された文字起こしは、最も過小評価されている成果物です。会議、リサーチインタビュー、顧客との通話、コンプライアンス記録などで実際に必要とされるのは、言語ごとに整ったタイムスタンプ付きのドキュメントです。音声テキスト翻訳ツールのページでは、その流れが説明されています。言語を選んでアップロードすると、メディアエージェントが音声を文字起こしし、その文字起こしが翻訳されます。翻訳はエディターで修正でき、必要に応じて各分野の専門家やプロの校閲者に依頼することもできます。

人による文字起こしが必要な場合

録音によっては、人による逐語的な文字起こしが必要なものもあります。法的な証言録取、訛りの強いリサーチインタビュー、音声認識の精度が低い言語の音声などです。Smartcatのマーケットプレイスには、音声や動画向けの多言語文字起こしサービスを提供するリンギストが登録されており、作成された文字起こしは、通常の「AI＋レビュー」の翻訳ワークフローに回すことができます。

ブラウザから音声を翻訳する

チームがブラウザで作業している場合は、音声翻訳拡張機能のページをご覧ください。Smartcatが音声を自動で文字起こしし、テキストを翻訳して、字幕やナレーション原稿として使える形に整える仕組みが説明されています。

ナレーション翻訳

ナレーション翻訳では、元のナレーションを対象言語の新しい音声に置き換えるか、その上に重ねます。ナレーターが画面に映らない、あるいは主役ではないコンテンツに適しています。たとえば、解説動画、製品のウォークスルー、eラーニングモジュール、プレゼンテーション、社内コミュニケーションなどです。従来は言語ごとに声優を手配する必要がありましたが、AI音声を使えば、翻訳された原稿からナレーションが生成され、元の音声のタイミングに合わせられます。

ナレーションと吹き替えの違い

この2つの用語は意味が重なっており、多くのベンダーが同じ意味で使っています。実務上の区別としては、ナレーションは語り（1つの声がストーリーを伝える）であり、吹き替えは画面上の各話者の声をセリフごとに置き換えるものと考えると便利です。Smartcatではどちらも同じ編集可能な文字起こしから作成されるため、どちらを選ぶかは主に、話者の人数と、新しい音声を元のタイミングにどこまで厳密に合わせる必要があるかによって決まります。AI音声翻訳ツールのページでは、ナレーションの流れが紹介されています。アップロード、AIによる文字起こしと翻訳、音声の選択、確認とダウンロード — そして、メディアエージェントはあなたの編集内容から学習します。

プレゼンテーションのナレーション

ナレーション付きのスライド資料は見落とされがちです。PowerPointの音声翻訳のページでは、プレゼンテーション内の音声を翻訳し、多言語のナレーションと文字起こしを生成する方法を紹介しています。対応する言語ペアには、スペイン語、フランス語、ドイツ語、中国語、日本語から英語への翻訳などがあります。

eラーニングのナレーション

ナレーション翻訳が真価を発揮するのは研修です。コースは長く、頻繁に更新され、多くの地域に同時に展開されるからです。Smartcatのeラーニングのナレーションのページでは、原稿からナレーションを生成し、エディターで話す速さ、強調、発音を調整して、その音声を280以上の言語にローカライズする方法を説明しています。マーケットプレイスからプロの校閲者に依頼することもできます。SCORMパッケージ、オーサリングツール、LMSでの配信など、コース全体のワークフローについては、eラーニング＆SCORM翻訳ガイドをご覧ください。

AI吹き替え：仕組みと使いどころ

AI吹き替えは、録音の話し声を別の言語の合成音声に置き換えるものです。Smartcatでは、吹き替えは音声から直接ではなく、編集可能な文字起こしから生成されます。名前を修正したり文を書き換えたりすれば、音声はまさにそのとおりに話します。字幕を1行編集すると、その行だけが再生成されるため — 動画全体を作り直す必要はありません。話し声は背景音声から分離されるため、BGMや効果音は消えることなく、新しい音声の下でそのまま残ります。

これはSmartcatのAI吹き替えのページで説明されている流れで、スクリーンショット付きの詳しい手順はヘルプ記事動画に多言語AI吹き替えを追加で確認できます。同じ機能をさまざまな角度から紹介しているページもあります。AI音声吹き替え（文字起こし、翻訳、音声生成、音声同期を1つのワークフローで実現。L&D、研修、マーケティング動画向け）、マーケティングキャンペーン、研修プログラム、製品発表向けの手頃な価格の多言語吹き替え、そして1回のアップロードから、AIナレーションと焼き込み字幕付きの複数言語版を作成できるAI動画音声翻訳です。

AI吹き替えが向いている場面 — そして向いていない場面

AI吹き替えが最も効果を発揮するのは、研修、製品、マーケティングの動画です。つまり、演技よりもわかりやすさが重視される、原稿があり情報量の多いコンテンツです。Smartcat自身のAI吹き替えのページでも、その限界が率直に説明されています。

• 合成音声は読み上げるだけで、演技はしません。感情表現やコメディの要素がある素材には、字幕または人間の声優を使用してください。
• 合わせるのはタイミングであり、口の動きではありません。リップシンクは口の動きではなくタイミングに合わせて行われるため、話者の顔のクローズアップは吹き替えにとって最も不利で、字幕にとっては最も有利な場面です。
• 画面上のテキストは吹き替えされません。映像に埋め込まれたタイトル、テロップ、グラフィックは、元の動画ファイルで変更する必要があります。
• ノイズはその後のすべての工程の品質を下げます。だからこそ、編集可能な文字起こしのステップが重要なのです。

吹き替え動画が公開に至らないよくある4つの理由のうち3つ — 名前の発音間違い、長い翻訳文を急いで読み上げる音声、消えてしまうBGM — には、それぞれエディターに対処する機能があります。発音ルールの設定、キューのタイミング調整、背景音声の分離です。

字幕ファイルからの吹き替え

動画ではなく既存のSRTファイルから始める場合は、吹き替え動画メーカーのページをご覧ください。AIと校閲者のチェックによって字幕ファイルを翻訳し、SRTをダウンロードするか動画に組み込む方法が説明されています。

ツールの選定とリスク管理

AI吹き替え市場は急速に変化しています。Smartcatのブログでは、エンタープライズチーム向けのベストAI吹き替えツール10選で各ツールを比較し、対応言語、音声品質とボイスクローン、翻訳精度と編集のしやすさ、人によるレビューのワークフロー、エンタープライズレベルのセキュリティを評価しています。音声そのものの忠実度やリップシンクされたトーキングヘッドでは専用の音声・アバターツールが優れている一方、用語管理、レビューの振り分け、再現性のある多言語出力では翻訳プラットフォームが優れていることも率直に述べています。機密保持、アクセス制御、データの取り扱い、人による品質チェックといったガバナンス面については、ビジネス動画にAI吹き替えを使っても安全か？をお読みください。

AI音声、音声の選択、ボイスクローン

吹き替えの品質は、翻訳と同じくらい音声にも左右されます。完璧な原稿でも、アクセントの合わない音声で読み上げられれば、現地の聞き手には外国語のように聞こえてしまいます。SmartcatのAI音声はElevenLabsを基盤としており、音声の選択は字幕エディターで行います。

適切な音声の選び方

2026年2月、Smartcatはよりスマートな音声選択と複数話者のコントロールを導入しました。AI音声レコメンデーションシステムは、対象言語と同じ母語をもとに作成された音声に加え、他の母語で学習されていてもプロジェクトに適した「最適化」された代替音声を表示します。ヘルプ記事AI吹き替えで推奨音声を使用するでは、それらをプレビューして適用する方法を説明しており、最近使用した音声はワークスペース全体で共有されるため、チーム内で一貫性を保てることにも触れています。

音声の選択は、2024年に女性と男性の音声バリエーションが発表されて以来、AI吹き替えの機能の一部となっています — Smartcat、女性と男性の音声バリエーションでAI吹き替えを強化をご覧ください。このアップデートでは、エディターで両方の言語版を並べてプレビューできる機能も導入されました。

複数の話者

インタビュー、パネルディスカッション、ポッドキャストには複数の声が登場します。手動の複数話者サポートを使えば、同じファイル内の異なる話者に異なるAI音声を割り当てられるため、2人の会話が1人のナレーターの声で返ってくることはありません。

発音のコントロール

ブランド名、略語、専門用語は、合成音声がつまずきやすいポイントです。AIナレーションの発音コントロールを使うと、表示される字幕テキストを変えずに、音訳によって単語の読み方を音声に指示でき、そのルールをプロジェクトの用語集を通じて再利用できます。

ボイスクローンはどうか？

ボイスクローンは、特定の人物（通常は元の話者）のように聞こえる合成音声を作成するもので、吹き替え版でもその人らしさを保つことができます。AI動画・音声翻訳など、Smartcatの一部のページでは、AI吹き替えと並んでボイスクローンについても説明しています。現在の製品では、ヘルプセンターに記載されているとおり、ボイスクローンのリクエストはセルフサービスではなくSmartcatサポートが手動で対応しているため、クローン音声やカスタムのブランドボイスが必要な場合はアカウントチームにご相談ください。誰かの声をクローンする前には、必ず本人から書面による明示的な同意を得て、クローン音声を使用できる範囲について合意してください。

ポッドキャストと長尺音声の翻訳

ポッドキャストは長く、会話形式で、複数の話者が登場します — どんな翻訳ワークフローにとっても最も難しい組み合わせです。その一方で、ポッドキャストは構成が繰り返されるという利点もあります。同じホスト、同じ番組名、同じスポンサー読み上げです。そのため、用語集と翻訳メモリを活用した文字起こし中心のワークフローに最適です。

ポッドキャストを翻訳する3つの方法

• 番組説明と文字起こしの翻訳。最も低コストで、検索対策にも有効な方法です。翻訳した文字起こしをエピソードと並べて公開します。280以上の言語のいずれにも対応しています。
• 動画ポッドキャスト向けの字幕。エピソードを動画として公開している場合は、元の話し声にタイミングを合わせたSRTまたはVTTをエクスポートし、YouTubeやソーシャルメディア用のクリップに使用できます。
• 吹き替え音声のエピソード。翻訳された文字起こしが合成音声になるため、エピソードはドキュメントではなく音声として配信されます — SmartcatのMP3翻訳ツールのページで述べられているとおりです。35のAI音声ロケールで利用できます。

エピソード1本でもフォルダ全体でも、ドロップするだけです。1つのプロジェクト、1つの用語集、1つの翻訳メモリによって、すべてのファイルで繰り返し登場する名前が統一され、料金はエピソードの分数ではなく文字起こしの単語数に基づいて支払います。最も要望の多い言語ペアはスペイン語↔英語です。スペイン語から英語への音声翻訳ツールは、録音されたインタビューやポッドキャストから長編動画まで対応しており、テキストドキュメント、時間同期された字幕、吹き替え音声ファイルとして出力できます。

社内向けポッドキャストと学習用ポッドキャスト

L&Dの分野では、音声中心の学習が広がっています。Smartcatのeラーニングのナレーションのページでは、eラーニング用ポッドキャストの作成と翻訳について説明しています — 原稿を書き、ナレーションを生成し、BGMを追加してから、ナレーション翻訳で多言語版を作成します。

音声翻訳のユースケース

多くの組織が音声を翻訳する理由は、いくつかの決まったものに分けられます。それぞれに適した成果物は異なります。

研修とオンボーディング

ナレーション付きのコース、オンボーディングモジュール、コンプライアンス研修は、ナレーションの典型的な用途です。AIナレーションを使えば、L&Dチームは地域ごとに順番に展開するのではなく、すべての言語を同時に公開できます。2024年にSmartcatがAI吹き替えをリリースした際も、研修動画やマーケティング動画を制作するチームを対象としていました — Smartcat AI吹き替えのご紹介をご覧ください。

マーケティングと製品コンテンツ

製品デモ、解説動画、キャンペーン素材には、どの市場でもブランドに合った声が必要です。大半の言語にはAI吹き替えを使い、主要市場には人によるレビューを組み合わせましょう。ブログのAI吹き替えのリリース記事では、マーケティングチームがローカライズしたキャンペーンにAI吹き替えをどう活用しているかを紹介しています。

会議、インタビュー、リサーチ

録音された会議、ユーザーインタビュー、リサーチ通話の場合、通常は発話者ラベル付きの翻訳済み文字起こしが最適な成果物です。議事録として保管したり、レポートに引用したり、コンプライアンス記録として保存したりできます。

顧客やパートナーからのボイスメッセージ

サポートチームや営業チームには、自分たちが話せない言語のボイスメモや留守番電話メッセージが届きます。ボイスメッセージ翻訳ツールは、ボイスメッセージを数秒で文字起こし・翻訳し、その結果を対訳形式のエディターに表示します。留守番電話翻訳ツールは、同じ音声認識とAI翻訳を、顧客からのフィードバックやパートナーからのメッセージなどの留守番電話音声に適用します。

ライブの発話、通話、イベント

発話をリアルタイムで翻訳することは、録音を翻訳することとは別の課題です。Smartcatでは、アプリケーション、プラットフォーム、ライブイベントにおける音声から音声への翻訳向けのリアルタイム音声翻訳APIと、会議、通話、メッセージ向けのリアルタイム音声翻訳のページを紹介しています。重要度の高いライブイベントでは、今でも人間の通訳者が標準です。マーケットプレイスには、国際会議、ミーティング、その他のイベント向けの通訳サービスが掲載されています。

AI vs. 人間による音声翻訳

最適な組み合わせは、対象者、リスク、予算によって異なります。ほとんどのチームは文字起こし、翻訳、音声生成にAIを使用し、レビューのために人間を加えます。演技力が重要な場合は、音声そのものを人間が担当します。

人間の専門知識が加わるポイントは3つあります。文字起こし担当者は原文を逐語的に書き起こした文字起こしを作成でき、翻訳者やレビュアーは翻訳先の台本を確認でき、必要に応じて声優が最終トラックを収録できます。この3つはすべてSmartcatマーケットプレイスで利用できます：文字起こしサービス、プロの音声翻訳者（言語ペアで絞り込み可能）、ライブセッション向けの通訳者です。レビュアーによる修正は翻訳メモリに蓄積されるため、次の録音はより良い状態から始められます。

音声翻訳ツールとリソース

音声、ボイス、吹き替えに関するSmartcatのすべてのページを、目的別にまとめています。

音声ファイルを翻訳する

ボイスオーバーとAI吹き替え

ボイスメッセージ、ライブ音声、API

研修、プレゼンテーション、人によるサービス

音声とAI吹き替えのガイド、ニュース＆製品アップデート

SmartcatにおけるAI吹き替えと音声翻訳の詳細な記事と、最初の発表から現在の音声コントロールまでの歩み。

Smartcat 製品ドキュメント

Smartcatで音声を翻訳し、AIナレーションを制作するためのステップバイステップガイド。字幕のエクスポートを含む動画ワークフロー全体については、動画翻訳ガイドで説明しています。

関連ガイド

音声単体で扱われることはまれです。以下のガイドでは、音声が通常含まれるコンテンツの種類を取り上げています。