字幕を追加

字幕を追加（Add Captions）ノードは、動画に字幕を入れます。動画内の音声を文字起こしするか、接続された文字起こしを受け取り、その言葉を映像に焼き込みます。シンプルな静的字幕のほか、音声に合わせて単語ごとに動く 5 種類のアニメーションスタイルから選べます。フォント、縁取り、位置、1 行あたりの単語数も調整できます。

使いどころ

• 人物が話す動画やナレーション動画に、字幕を付けたいとき。
• TikTok、Reels、Shorts 向けに、単語ごとに動くアニメーション字幕を付けたいとき。
• 音声のあるあらゆる動画に、アクセシビリティのための字幕を付けたいとき。
• ミュージックビデオに、カラオケ風の歌詞を表示したいとき。

クイックスタート

入力

出力の動画は、字幕が焼き込まれた動画です。

設定

フォント

フォントの一覧には、24 種類のフォントがあります。

Rubik、Heebo、Cairo、Tajawal は、ヘブライ語とアラビア語に対応しています。ヘブライ語とアラビア語の字幕は、右から左に表示されます。方向は字幕の大部分を占める言語に従うため、ヘブライ語のクリップの冒頭にラテン文字のブランド名があっても、行の向きは反転しません。

字幕のスタイル

5 つのアニメーションスタイルは、アプリではキネティックスタイルと呼ばれています。

ルック

ルックは、複数の見た目の選択をひとまとめにしたものです。1 つの設定を選ぶだけで、読みやすい字幕になります。

• コントロールは、ルックの個々の要素を上書きします。縁取り（TikTok）で発話中の単語の色だけを変えた場合、フォント、大文字、縁取りはそのまま保たれます。
• 発話中の単語の色が表示されるのは、3 つのスタイルです。1 単語ずつ強調するのは、TikTok 風ワード、カラオケ、単語ハイライトだけです。字幕（静的）とワードポップは、ルックのフォント、縁取り、大文字・小文字を 1 色で使います。
• フォントサイズの見え方は、ルックのフォントによって変わります。Montserrat Black の大文字は、大文字と小文字が混在する Inter より、1 文字あたり約 30% 幅が広くなります。そのため、同じフォントサイズでも、縁取り（TikTok）では 1 行に入る単語が少なくなります。クリーン、Bebas Neue、Anton、Oswald などの幅の狭いフォント、または小さいサイズを選んでください。
• 縁取りは、テキストに合わせて太くなります。ルックが縁取りを描く場合、その太さはフォントサイズの 10% を丸めた値で、最小 2 ピクセルです。その半分は文字の外側にあるため、見える縁の太さはフォントサイズの約 5% です。たとえば、サイズ 64 では 6 ピクセル、サイズ 32 では 3 ピクセルの縁取りになります。独自の太さにするには縁取りの太さを設定し、縁取りをなくすには 0 を設定します。

字幕を行にまとめる仕組み

単語ハイライト、カラオケ、バウンスと、文字起こしを使う字幕（静的）は、字幕を 1 行ずつ表示します。1 単語ずつ表示するのでも、文字起こし全体を 1 つのブロックで表示するのでもありません。

• 1 行には、選んだフォントサイズとフォントで、フレームの幅の約 85% に収まるだけの単語が入ります。
• 行は、文の終わり（.、!、?、… で判断）や、2 つの単語のあいだに 0.5 秒以上の間があるところで、早めに終わります。
• 1 行に収まらない長いフレーズは、バランスの取れた複数の行に分割されるため、最後の単語だけが 1 行に取り残されることはありません。たとえば、最後に STUDIO. だけが残るのではなく、OK SO I BUILT / A WORLD IN / NODARO STUDIO. のように分割されます。
• 行は最後の単語の後、最長 1.5 秒間画面に残り、次の行が始まった瞬間に次の行に置き換わります。行内の間や、行と行のあいだの短い間によって、何も表示されないフレームができることはありません。1.5 秒を超える無音があると、字幕は消えます。
• 行の中では、ハイライト、塗りつぶし、バウンスといったエフェクトが、単語から単語へと移ります。発話が途切れている間は、最後に話された単語がアクティブなままです。静的字幕の行には、単語ごとのエフェクトはありません。

行を使わない 2 つのスタイルも、同じルールに従います。

• ワードポップは、次の単語が始まるまで各単語を画面に表示します。ただし、表示は単語の終わりから最長 1.5 秒までです。
• TikTok 風ワードのページは、文の終わりや 0.5 秒以上の間をまたぐことがありません。各ページは次のページが始まるまで表示されます。ただし、表示は最後の単語から最長 1.5 秒までです。

1 行あたりの最大単語数

1 行あたりの最大単語数は、1 行、または TikTok 風ワードの 1 ページに入る単語の数を制限します。この設定は、上記のルールに加えて働きます。行は引き続き、フレームの幅の 85%、文の終わり、間のところで終わります。上限によって行が短くなることはあっても、長くなることはありません。短くインパクトのある字幕には 1 または 2 を使い、幅いっぱいに表示するには空欄のままにします。

たとえば、上限がない場合、単語ハイライトは OK SO I BUILT、A WORLD IN、NODARO STUDIO. の各行を表示します。1 行あたりの最大単語数を 2 にすると、OK SO、I BUILT、A WORLD のように表示し、各行は次の行が始まるまで画面に残ります。単語数が奇数のフレーズは、1 単語だけの行で終わります。

上限が数えるのは、字幕のエントリーではなく単語です。上限より多くの単語を含むフレーズ単位の字幕は、短い部分に分割されます。その表示時間は、テキストの長さに応じて各部分に配分されます。

アニメーション

アニメーションは、アニメーションスタイルの単語ごとの動きを切り替えます。オフにすると動きは止まりますが、行のまとまり、行の表示の保持、発話中の単語の色はそのまま残ります。

色の変化もない完全に静的な字幕にするには、発話中の単語の色も色と同じ値に設定します。

位置

どの位置でも、字幕ブロックは、フレームの端に最も近い辺を基準に固定されます。そのため、折り返して行が増えた字幕は内側に向かって広がり、見切れることはありません。配置はどのスタイルでも同じです。

縦位置が指定するのは、端ではなく中心です。85% の場合、ブロックの中心が高さの 85% の位置にあり、ブロックの下端はそれより低い位置まで下がります。高さ 1920 ピクセルのフレームでは、83.5% で中心が約 1,603 ピクセルの位置になります。65% 前後の値にすると、顔の下、かつアプリ下部のボタンの上に収まります。

単語の取得元

エディターでは、字幕を追加ノードは次の 2 つの方法のいずれかで単語を取得します。

• 動画を文字起こしします。文字起こし入力に何も接続されていない場合、ノードは Incredibly Fast Whisper で動画の音声を文字起こしします。音声がはっきり聞き取れることを確認してください。
• 接続された文字起こしを読み取ります。文字起こしまたは EDL 適用の文字起こし出力を、文字起こし入力に接続します。EDL 適用はカットに合わせてすべての単語を移動するので、字幕は再編集された動画に合ったままになります。クロスフェードをまたぐ場合でも、ずれは約 80 ミリ秒以内です。

文字起こしには単語のタイミングが必要

接続する文字起こしには、各単語のタイミングが含まれている必要があります。単語を含まない文字起こしは、クレジットが確保される前に拒否されます。

文字起こしノードの Whisper エンジンが返すのは、単語のタイミングではなくフレーズです。Whisper を使う文字起こしノードが、直接または EDL 適用を経由してこのノードにつながっていると、何かが実行されたり課金されたりする前に、ワークフローが停止します。メッセージには、その文字起こしノードの名前が表示されます。その文字起こしノードを、Incredibly Fast Whisper や ElevenLabs STT など、単語のタイミングを返すエンジンに切り替えてください。同じチェックは、サブワークフロー内のつながりにも適用されます。サブワークフローの境界をまたぐつながりだけは、文字起こしが実行された後に、このノードで拒否されます。

単語単位の字幕

文字起こしを接続し、アニメーションスタイルを選んでいる場合、単語単位の字幕によって、文字起こしの単語をどのように字幕にするかが決まります。

• オン（デフォルト）：1 単語につき 1 つの字幕を作ります。単語ごとに動くスタイルには、これが必要です。
• オフ：先に単語を行にまとめます。行は、話者の切り替わり、文の終わり、無音、または最大単語数で終わります。落ち着いた、1 行ずつの字幕にしたいときに使います。

1 行あたりの最大単語数は、どちらの場合にも適用されます。

文字起こしエンジン

エンジンによって、字幕を追加ノードの料金は変わりません。アニメーションスタイルには単語のタイミングが必要なため、Incredibly Fast Whisper か ElevenLabs STT が必要です。字幕（静的）に必要なのはフレーズのタイミングだけなので、どのエンジンでも使えます。

結果のフレームレート

アニメーション字幕のレンダリングでは、元の動画のフレームレートが維持されます。フレームレートは整数に丸められ（たとえば 23.976 は 24、29.97 は 30）、15〜60 fps の範囲に収められます。次の 3 つの場合は、代わりに 30 fps でレンダリングされます。

• 元の動画のフレームレートを読み取れない場合。
• 元の動画が可変フレームレートの場合。
• クリップが、レンダリングのフレーム数の上限である 108,000 フレームより長い場合。60 fps では、30 分より長いクリップが該当します。

プレーンな静的字幕では、常に元の動画のフレームレートが維持されます。

標準プリセット

字幕を追加ノードには、字幕スタイルフォルダーに 7 つのプリセットが用意されています。どのプリセットも、スタイル、位置、フォントサイズ、色を設定し、動画を文字起こしします。

プリセットの適用、保存、共有の方法は、プリセットを参照してください。

クレジット

字幕を追加ノードの料金は 2 種類です。

設定パネルにはテキスト入力欄がないため、エディターで設定したノードは常に音声または文字起こしに字幕を付け、1 回の実行ごとに 50 クレジットかかります。30 クレジットの字幕は、API、MCP、SDK、CLI から送信する固定テキストの字幕です。文字起こしエンジンとスタイル関連のコントロールによって、アニメーションスタイルの料金は変わりません。

ヒント

• 内容に合わせてスタイルを選ぶ：プロフェッショナルなコンテンツには字幕（静的）を、SNS には単語ハイライトや TikTok 風ワードを使います。
• プラットフォームのボタンに注意する：デフォルトの下の位置は、すでに TikTok や Reels のボタンを避けています。縦型の SNS 動画では、中央も適しています。
• 読みやすいテキストにする：暗い映像の上では、白いテキストが最も読みやすくなります。明るい映像には、色付きのテキストを使います。
• 先に単語を修正する：最も正確な字幕にするには、文字起こしで文字起こしし、テキストを修正してから、強制アライメント（Forced Alignment）でタイミングを合わせます。
• 字幕は最後に付ける：字幕を追加ノードは、動画オーバーレイ（Video Overlay）の後に配置します。そうすれば、ロゴやカードが字幕の下になります。

トラブルシューティング

ワークフローが実行前に停止し、文字起こしノードの名前が表示される：その文字起こしノードは Whisper エンジンを使っており、Whisper は単語のタイミングを返しません。Incredibly Fast Whisper か ElevenLabs STT に切り替えてください。

1 行に入る単語が思ったより少ない：縁取り（TikTok）ルックは幅の広いフォントを使います。クリーン、Bebas Neue などの幅の狭いフォント、または小さいフォントサイズを選んでください。

字幕がフレームの端で見切れる：端に近い縦位置ではなく、位置の選択肢を使ってください。位置の選択肢はブロックの端を基準に固定するため、増えた行は内側に広がります。

API と MCP から使う

コードや AI アシスタントからは、エディターよりも多くのことができます。POST /v1/add-captions、add_captions MCP ツール、SDK の client.media.addCaptions(...)、CLI は、いずれも設定パネルと同じコントロールに加えて、次の項目を受け付けます。

• 独自のテキスト：字幕（静的）では、text は動画全体を通して 1 つの固定ブロックとして焼き込まれ、文字起こしで上書きされることはありません。テキスト内の改行は、強制的に新しい行を作ります。アニメーションスタイルでは、text はフォールバックにすぎません。文字起こしで単語が見つからなかったときに使われ、動画全体に均等に配分されます。
• 独自の単語タイミング：captions は字幕エントリーのリストで、各エントリーに text、startMs、endMs があります。アニメーションスタイルでは、1 単語につき 1 エントリーを指定します。
• 文字起こしエンジン：transcribe_provider で、incredibly-fast-whisper（デフォルト）、elevenlabs-stt、whisper のいずれかを選びます。Whisper を使い、ほかに単語の取得元がないアニメーションスタイルは、クレジットが確保される前に拒否されます。文字起こしをオフにするには、auto_transcribe を false に設定します。単語の取得元がまったくないリクエストは拒否されます。
• 時間範囲ごとに異なる処理：segments を使うと、同じ動画の時間範囲ごとに異なるスタイルとルックを、1 回の呼び出しで適用できます。セグメントごとの字幕を参照してください。

リクエストに複数の単語の取得元が含まれる場合、ノードは captions、文字起こしデータ、字幕（静的）での text、文字起こしの実行の順で、最初にあるものを使います。

フィールド名は、利用する手段によって異なります。REST のボディと SDK では maxWordsPerLine、MCP ツールでは max_words_per_line、CLI では --max-words-per-line を使います。

セグメントごとの字幕

各セグメントには、ミリ秒単位の開始と終了があります。セグメントはほかのセグメントと重なってはならず、独自のスタイルやルックのコントロールを設定できます。独自の単語を持たないセグメントは、共通の字幕または文字起こしのうち、そのセグメントの時間範囲に含まれる部分を使います。字幕の時間は、セグメントの開始からではなく、常に動画の開始から測ります。セグメントごとの字幕は常にアニメーション用のレンダリングを使うため、50 クレジットかかります。

たとえば、add_captions MCP ツールに次の引数を渡すと、最初の 3 秒間は縁取り付きの大きなフレーズを上部に表示し、その後は 1 単語ずつ下部に表示します。

{
  "video_url": "https://example.com/clip.mp4",
  "look": "outline",
  "segments": [
    { "start_ms": 0, "end_ms": 3000, "style": "subtitle", "position": "top", "font_size": 96, "text": "Same face, every shot. No re-prompting." },
    { "start_ms": 3000, "end_ms": 20000, "style": "word-pop", "position": "bottom", "font_size": 48 }
  ]
}

• 境界上の単語：1 つの単語は、その開始時点を含むセグメントに属するため、2 回表示されることはありません。境界をまたぐフレーズは境界で分割され、各部分はそれぞれのセグメントのスタイルで表示されます。250 ミリ秒より短い部分は削除されます。ただし、削除するとフレーズ全体が失われる場合は削除されません。
• セグメントが継承するもの：色、背景色、位置、縦位置、アニメーション、1 行あたりの最大単語数は、セグメントで設定されていない場合、トップレベルの値を使います。独自の位置を設定したセグメントは、トップレベルの縦位置を継承しません。フォント、太さ、縁取り、発話中の単語の色、大文字化などのルックのコントロールは、独自の look を持たないセグメントだけが継承します。ルックを指定したセグメントは、そのルックのプリセットから改めて始まります。