リアルタイム翻訳字幕とは、ライブ音声から生成され、話者がまだ話している最中に翻訳されるキャプションです。 画面には数秒だけ表示され、その後消えます。これは、SRTやWebVTTのような字幕ファイルとは正反対です。後者は完成済みの成果物であり、すでに存在する録画に合わせてタイムコード付きのキューを並べたものです。
この2つは常に同じ製品として扱われがちで、そのせいでこの話題に関する助言の多くが役に立ちません。リアルタイム翻訳字幕を検索すると、たいてい返ってくるのは字幕編集ツールです。アップロード済みの動画ファイル、文字起こしの工程、そして午後の20分を求めるツールです。優れたソフトウェアですが、問題が違います。今まさに進行中のビデオ通話に、誰もファイルをアップロードしたりはしません。
このガイドでは、ライブ生成字幕が実際には何なのか、何ができないのか、他のインターネット記事が見落としている唯一のシナリオ、そしてそれをブラウザタブで数分以内に動かす方法を解説します。理論を飛ばしたいなら、MirrorCaptionをブラウザで開き、タブを指定してください。
要点
- リアルタイム翻訳字幕はファイルを生成しません。 キューを合わせる完成済みの録画がないため、SRTとしてダウンロードするものはありません。得られるのは流れ続けるテキストで、後から文字起こしを書き出せます。
- 重要なのはタブ音声のキャプチャです。 ブラウザは標準のgetDisplayMedia APIを通じて、あるタブの音声を別のページに渡せます。これが、制御していないストリームに字幕を付けられる理由です。
- 十分に対応されていないのは主催者ではなく参加者です。 ライブ配信、ウェビナー、放送を見ている場合、プラットフォーム標準のキャプション機能はすべて、誰かがそれを有効にすることに依存しています。
- プラットフォーム内蔵の翻訳は実在しますが、条件付きです。 Zoom Translated Captions、Microsoft Teams live translated captions、Google Meet translated captions はいずれも存在しますが、ホストのプラン階層と管理者設定に依存します。
- MirrorCaptionはブラウザタブから60以上の選択可能な言語を動かせます。1時間の無料お試しと、99 euro onceのPremium tierには200時間のホスト型文字起こしクレジットが含まれます。
リアルタイム翻訳字幕とは実際には何か
従来の意味での字幕は、時間付きの成果物です。W3C WebVTT仕様では、キューをメディアファイルのタイムラインに対して表現される開始時刻と終了時刻に結び付いたテキストとして定義しています。その定義は、メディアが完成していることを前提にしています。まだ起きていないタイムラインにキューを結び付けることはできません。
したがって、「リアルタイム字幕」は厳密には矛盾した表現です。人々がそれを検索するときに意味しているのは、今聞いている内容と一致する、自分の言語で画面に出るテキストです。これは文書ではなく、ライブのパイプラインです。音声が流れ込み、文字起こしエンジンが文脈の追加に応じて自己修正する途中の単語を出力し、翻訳層がそれを対象言語に書き換え、その結果が声の少し後ろを追うように画面へ描画されます。
この違いは、単なる言葉遊びではありません。何を求められるか、何を求められないかを決めるからです。
リアルタイム字幕と、混同されがちな3つのもの
| リアルタイム翻訳字幕 | 字幕ファイル（SRT / WebVTT） | ライブキャプション（同一言語） | 吹き替え / ボイスオーバー | |
|---|---|---|---|---|
| 存在するタイミング | 音声が再生されている間 | 録画が終わった後 | 音声が再生されている間 | 録画が終わった後 |
| 得られるもの | 別言語の流れるテキスト | ダウンロード可能なタイムコード付きファイル | 話されている言語の流れるテキスト | 置き換え用の音声トラック |
| 言語変更 | はい、それが目的です | はい、ファイルごとに | いいえ | はい |
| 配布可能か | 配布するファイルはありません | はい、それが存在意義です | いいえ | はい |
| 最適な用途 | 起きていることをその場で理解する | アクセシブルな動画を公開する | ライブ音声中のアクセシビリティ | ローカライズ済みの完成メディア |
3列目が最も混同されやすいものですが、ここで蒸し返すつもりはありません。ライブキャプションと文字起こしの違いに関するガイドで、その用語はすでに正しく整理しています。
この3つのうち、あなたはどの読者ですか？
このフレーズを検索ボックスに入力する人は、かなり異なる3タイプに分かれます。
- 参加者。 自分では制御できない音声を見ています。ライブ配信、会議の中継、ゲスト参加のウェビナーです。読み進めてください。この記事は主にあなた向けです。
- 会議参加者。 誰かが自分の分からない言語を話す通話に参加しています。こちらも読み進めてください。3章と4章はあなたのものです。
- 納品用の字幕ファイルが必要な人。 後で他の人が見る動画に付けるSRTが欲しいのです。リアルタイム系のツールは完全に別の棚であり、どれだけ工夫してもそれは変わりません。録画には専用の字幕編集ツールを使ってください。12段落目でそう言うより、あなたの午後を無駄にしないほうがいいのです。
誰も書かないケース: 音声を自分で制御できないとき
ここに空白があります。ライブ翻訳に関するほとんどすべての記事は、あなたが主催者であることを前提にしています。企業向けキャプションベンダーは、イベントチームに契約を売り込みたがります。プラットフォームのドキュメントは、会議の主催者に頼むよう案内します。字幕ブログは、録画が公開されるのを待てと言います。
しかし、それでは単に聞いているだけの人には何の役にも立ちません。そして、その人は珍しくありません。深圳からのハードウェア発表配信を見ているエンジニア、議会の会議を追っている政策アナリスト、ゲスト講義に出席している学生、聞くだけモードで決算説明会に参加している投資家です。
こうしたケースでは、放送内容を何か変更する権限はなく、運営者との関係もありません。あるのは、すでに音声をデコードしているブラウザだけです。それが強みです。getDisplayMedia APIを使えば、明示的な許可プロンプトを毎回出したうえで、あるページに別タブの音声へのアクセスを許可できます。音声はキャプチャされるまでの間、マシンのオーディオグラフから外に出ることはありません。つまり、あなたがすでに聞いているものに字幕を付けているのです。
Priya、ハードウェアアナリスト、日本語の製品発表配信を視聴中。 配信は公開されており、非公開キャプションは日本語のみで、メールできる主催者もいません。Priyaは1つのChromeタブで配信を開き、別のタブでMirrorCaptionを開き、共有プロンプトが出たら発表タブを選び、日本語から英語に設定します。
仕様数値は、発表者の少し後ろを追うように英語で表示されます。フレーズが妙に見えるときは、翻訳された単語をタップして元の日本語を確認できます。バッテリー化学名のような用語が、親切すぎる翻訳になることがあるからです。最後に、文字起こしはMarkdownに書き出され、そのままチームノートに入ります。
これは説明用のシナリオであり、顧客の体験談ではありません。
ここで、マーケティング文句が静かに嘘をつきがちな点について、正直な注意を2つ。まず、タブ音声キャプチャはデスクトップブラウザの機能です。ChromeとMicrosoft Edgeでは動作しますが、モバイルブラウザでは使えません。次に、会議にボットが参加しないことは技術的な事実であって、法的な許可ではありません。特定の通話を文字起こししてよいかは、管轄地域と勤務先の方針によって異なり、外部の何かを開始する前に、そこにはきちんとした答えが必要です。
仕組みを読むより、実際に見てみたいですか？ 1つのタブでライブ配信を開き、別のタブでMirrorCaptionを起動し、ブラウザに求められたらそのタブを選んでください。最初の1時間は無料で、クレジットカードは不要です。
ブラウザタブでリアルタイム翻訳字幕を使う方法
設定は、説明する時間のほうが実際にやる時間より長くかかるほど短いです。
- デスクトップ版ChromeまたはEdgeで音声ソースを開きます。 ブラウザ内のZoomやGoogle Meetの通話、YouTubeのライブ配信、ウェビナープレーヤー、ニュース放送など、タブで音が出るものなら何でも構いません。
- MirrorCaptionを2つ目のタブで開き、会議タブの音声キャプチャ向けに作られたMeetモードを選びます。
- ソース言語とターゲット言語を選びます。 60以上の選択可能な言語があり、組み合わせは双方向なので、北京語からドイツ語も英語からスペイン語と同じように有効です。
- ブラウザに求められたらタブ音声を許可します。 共有ピッカーが表示されるので、音声を再生しているタブを選び、音声トグルがオンになっていることを確認してください。このプロンプトはブラウザによって強制され、毎回のセッションで表示されます。
- 読むだけです。 デスクトップでは原文と翻訳が並び、モバイルでは上下に並び、各話者は個別にラベル付けされます。
インストールもブラウザ拡張も不要で、会議に参加者として何かが入ることもありません。最後の点が、これと会議ボット系の違いです。Firefliesのようなツールは会議に招待されたアシスタントを必要としますが、それは参加者にはどうにもできないことです。
相手が聞きたいのであって、読みたいのではないとき
字幕は読むためのインターフェースです。翻訳が必要なのが自分だけなら、それで問題ありません。会話が双方向になった瞬間、そのままでは不十分になります。
それを扱うのがSpeak Translationsです。翻訳した自分の発話を対象言語で音声読み上げし、会話が止まらない程度にリアルタイムへ近い形で再生します。再生先は、ノートパソコンのスピーカー、QRコードでペアリングしたスマートフォン経由で音がスマホから出る形、あるいはMacクライアント上では、Zoom、Meet、Teamsが通常の入力デバイスとして認識する仮想マイクを通す形にできます。
Marco、調達担当、深圳のサプライヤーとの通話中。 Marcoはイタリア語を話し、サプライヤーは北京語を話して限定的な英語を読みます。Marcoは翻訳音声を仮想マイク経由で送るので、Zoom越しに相手が聞くのは北京語であり、Marcoは横で北京語からイタリア語への字幕を読みます。
役に立つのは速度ではなく、タイミングです。価格への異議が9分目に出ても、Marcoは同じ通話の10分目に反論できます。後から届く文字起こしは、その異議を完璧に記録できても、何も変えられません。
これは説明用のシナリオであり、顧客の体験談ではありません。
スマートフォンでは、Talkモードが対面版を担当します。これはプッシュ・トゥ・トークのボタンではなく、継続セッションです。1回開始すれば、2人が交互に話し、文字起こしと翻訳の文脈は各文ごとにリセットされず、やり取り全体を通して引き継がれます。
ライブ翻訳の品質に何を期待すべきか
ライブ翻訳は今や本当に優秀ですが、完璧ではありません。そうでないと書いているページは、何かを売っています。正直な姿はこうです。
途中結果は自分で修正されます。 ストリーミング文字起こしは、文が終わる前に単語を出し、その後、文法が確定するにつれて修正します。文の途中でテキストが目に見えて書き換わるのは、システムが正常に動いている証拠であって、不具合ではありません。だからこそ、タイミングの悪い瞬間に撮ったライブ字幕のスクリーンショットは、実際の体験よりずっと悪く見えるのです。
音質が他のすべてを左右します。 静かな部屋でのきれいなヘッドセットマイクと、3人が重なって話す反響のある会議室でのノートパソコンのスピーカーは、まったく別の問題です。明瞭な音声こそ、あなたが最もコントロールできる最大の要素です。
機械が今も苦手なのは慣用表現です。 日本のクライアントがちょっと難しいですと言ったとき、翻訳機は「it's a little difficult」と訳します。言語的には正しいですが、商談では丁寧な拒否です。翻訳が間違っているのではなく、読み方が違うのです。だからこそMirrorCaptionは原文を翻訳の横に表示し、翻訳された単語をタップすると元の表現を見られるようにしています。言語をまたいで交渉するなら、左の列にも目を配ってください。
明瞭な音声で、対応の良い言語なら高い精度を期待できますが、お金や法的な重みを持つものは必ず確認してください。これについては、リアルタイム翻訳の精度に関する解説でさらに詳しく扱っています。
プラットフォーム内蔵オプションで何ができるか
主要な会議プラットフォームは今や、何らかのライブ翻訳機能を備えています。多くのチームにとって、それが正解です。組織が1つのプラットフォーム内で完結していて、ホストに適切なライセンスがあるなら、既存機能を使うほうがツールを追加するより優れています。
- Zoom Translated Captions は、Zoom会議中に音声を別言語へ翻訳します。利用可否はアカウントのプラン階層と、ホストが機能を有効にしているかに依存します。
- Microsoft Teams live translated captions はTeams内で同等の機能を提供し、こちらもライセンスとテナントレベルの管理者設定により制限されます。
- Google Meet translated captions は、使用中のWorkspaceエディションに応じて、Meet内で一連の言語ペアをカバーします。
正確な言語一覧は各ベンダーの最新ドキュメントを確認してください。ブログ記事に印刷された数字は、すぐに古くなるからです。ただし、構造的な制限は変わりません。
- 自社プラットフォーム内でしか動きません。 ライブ配信、ウェビナープレーヤー、ブラウザベースのラジオ放送、対面会話は、定義上対象外です。
- 他人のプランに依存します。 参加者として、ホストのライセンスに含まれていない機能をオンにすることはできません。
- キャプションは通常、一時的です。 書き出し可否はプランによって異なり、流れているテキストを保持できるとは限りません。
MirrorCaptionは、プラットフォームに統合するのではなくタブをキャプチャするため、この3つの制約の外側にあります。ツールに依存しないことが設計目標です。ホストが選んだ会議ツールをそのまま使ってください。代替案をきちんと比較したいなら、2026年版ベスト会議翻訳ツールのまとめで、競合が本当に強い点も含めて並べて比較しています。
よくある質問
見ているだけのライブ配信でも、リアルタイム翻訳字幕は使えますか？
はい。自分のマシン上のブラウザタブで配信が再生されるなら可能です。タブ音声キャプチャは、ブラウザがすでに再生している音を読み取り、ローカルで字幕化します。そのため、主催者が何かを有効にする必要はありません。主催者ではなく参加者であるときの標準的な方法です。
リアルタイム翻訳字幕をSRTファイルとしてダウンロードできますか？
タイムコード付きのSRTとしてはできません。リアルタイム字幕は音声が再生されている間に生成されるため、完成済みのメディアファイルに合わせるものがありません。MirrorCaptionは、流れている文字起こしと翻訳をMarkdownまたはプレーンテキストで書き出せます。配布用のSRTが必要なら、録画に対して字幕編集ツールを使ってください。
参加している会議を字幕化するのに、主催者の許可は必要ですか？
会議に何かが参加するわけではないので、承認すべきボットはありませんが、それは法的に問題ないという意味ではありません。録音と文字起こしのルールは国や雇用主によって異なります。特に外部との通話を字幕化する前に、現地法と会社の方針を確認してください。
リアルタイム翻訳は会話中に双方向で機能しますか？
はい。Talkモードは1つの継続セッションとして動作するため、2人はフレーズごとにやり直すのではなく、同じ会話の中で交互に話します。Speak Translationsは、翻訳した発話を必要に応じて音声で読み上げられるので、相手は読むだけでなく対象言語を聞くことができます。
リアルタイム翻訳字幕の料金はいくらですか？
MirrorCaptionは、すべてのアカウントに1回限りの1時間無料を提供し、クレジットカード不要、毎月のリセットもありません。年間プランは年額54.99 euroで、100時間のホスト型文字起こしクレジットが付きます。Premiumは99 euro onceで、200時間が含まれます。追加時間はVoice Packsから別売りです。
結論
リアルタイム翻訳字幕は文書ではなくライブのパイプラインであり、それを受け入れれば、このカテゴリ全体が腑に落ちます。ファイルは存在しないので、探すのはやめましょう。代わりにあるのは、今聞いている音声を、自分が実際に話せる言語で、録画を待たず、誰かの許可を得てスイッチを切り替える必要もなく読む方法です。
持ち帰るべきことは4つです。リアルタイム用ツールと字幕ファイル用ツールは別の問題を解決しており、混同すると時間の無駄になります。タブ音声キャプチャこそが、プラットフォーム機能では構造的に届かない参加者ケースを解き放ちます。Zoom、Teams、Meetの内蔵翻訳は、ホストがライセンスを持っている場合にそのプラットフォーム内でしか役立ちませんが、MirrorCaptionはより適した選択肢で、60以上の言語でそれらすべてをまたいで使えます。そしてライブ翻訳は明瞭な音声には強いものの、慣用表現はまだ取りこぼすため、重要な場面では翻訳と原文を並べて読むことが大切です。
Lena、リスボンのレンタル会社で、担当者と共通言語がない。 LenaはスマートフォンでTalkモードを開き、ポルトガル語からドイツ語に設定し、2人の間の机にスマホを置きます。1回のセッションで、ボタンを押し続ける必要はなく、翻訳が追いつく中で双方が交互に話します。
ライブ配信やサプライヤーとの通話と同じパイプラインです。違うのはマイクだけです。
これは説明用のシナリオであり、顧客の体験談ではありません。
あなたが参加者であれ、会議参加者であれ、まだ相手の言うことが分からない相手と机を挟んでいる人であれ、次の1時間は無料です。そして、これで問題が解決するかどうかを確かめるのに必要なのは、およそ90秒です。