よくある質問
ライブ配信や動画をあなたの言語の字幕で観るために知っておきたいこと。何が開けるか、どんな端末が必要か、使い方、困ったときの対処法です。
仕組み
subany.videoとは?
ライブ配信や動画を、あなたの言語の自動字幕つきで見せるウェブサイトです。リンクを貼り、言語を選んで「観る」を押すだけ。無料で、登録もインストールも要りません。
音声認識と翻訳はどこで行われますか?
お使いのブラウザの中です。音声認識モデル(Whisper)が話し声を文字にし、翻訳エンジンがあなたの言語に訳します。翻訳には、使える場合はChromeの組み込み翻訳を、そうでなければ一度だけダウンロードする小型の翻訳モデルを使います。音声が端末の外に出ることはありません。
なぜ映像が数秒遅れるのですか?
話された瞬間に字幕を用意しておくためです。ライブでは映像と字幕がそろって実時間より約15秒遅れます。遅延は変更できます。遅延の変え方をご覧ください。
字幕は何語で表示できますか?
日本語、英語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、韓国語、ロシア語、中国語です。元の言語はトップページの言語選択で設定し、標準では自動で検出します(ベータ)。
本を翻訳したいときは?
subany.siteをお使いください。本や文書を開くと、原文を横に並べた翻訳で読めます。こちらもブラウザの中で動きます。
対応サービス
現在開けるものの一覧です。各サービスのページに、貼るリンクと制限をまとめています。
| サービス | ライブ | VOD | クリップ | ページ |
|---|---|---|---|---|
| Twitch | 対応 | 対応 | 対応 | Twitchの字幕 · TwitchのVODとクリップ |
| Kick | 対応 | 対応 | 対応 | Kickの字幕 · Kickのクリップ |
| CHZZK | 対応 | 対応 | 非対応 | CHZZKの字幕 |
| PeerTube | 対応 | 対応 | 非対応 | PeerTubeの字幕 |
| Picarto | 対応 | 非対応 | 非対応 | Picartoの字幕 |
| Owncast | 対応 | 非対応 | 非対応 | Owncastの字幕 |
| Rumble | 非対応 | 対応 | 非対応 | Rumbleの字幕 |
| Odysee | 非対応 | 対応 | 非対応 | Odyseeの字幕 |
| Wikimedia Commons | 非対応 | 対応 | 非対応 | Wikimedia Commonsの字幕 |
| ポッドキャスト(RSSまたは音声) | 非対応 | 対応 | 非対応 | ポッドキャストの字幕 |
| .m3u8 リンク(HTTPS) | 対応 | 非対応 | 非対応 | 配信・動画を翻訳 |
| パソコン内のファイル | 非対応 | 対応 | 非対応 | 動画ファイルに字幕 |
使いたいサービスが載っていない場合は?
今のところ表にあるものだけに対応しています。ほかのリンクを貼ると、トップページに対応サービスが表示されます。HTTPSで配信されているストリームの.m3u8アドレスがあれば、それで試せます。
非公開やサブスク限定のコンテンツは開けますか?
開けません。subany.videoはどのサービスにもログインしないため、公開されているものだけを開きます。
パソコンにある動画に字幕をつけられますか?
はい。MP4・MOVの動画と、MP3・WAV・M4A・AAC・OGG・Opus・FLACの音声に対応しています。ファイルはアップロードされません。詳しくは動画ファイルに字幕をつけるへ。
動作環境と性能
subany.videoの処理はすべてお使いのコンピューターの中で行われます。必要な端末、端末ごとの目安、1分でできる確認方法を、専門用語を避けて説明します。
ダウンロードされるものと容量
音声認識と翻訳はブラウザの中で行われます。そのためブラウザは「モデル」をダウンロードします。モデルとは、音声を理解したり翻訳したりするよう学習済みのプログラムのことです。ダウンロードは一度だけでブラウザに保存されるので、次回からはずっと早く始まります。容量の目安は、低レベルで約210MB、中レベルで約580MB、高レベルで約1.7GBです。翻訳の言語ペアごとに120〜230MB、サウンドラベルに16MBが加わります。
WebGPUとWASM:グラフィックスカードか、プロセッサだけか
WebGPUは、ブラウザがグラフィックスカードを計算に使えるようにする機能です。これらのモデルでは高速で、最も理解力の高い大きなモデルも使えます。WASMは予備のモードで、プロセッサだけを使います。速度は遅く、小さいモデルになりますが、ほとんどの端末で動きます。
最近のChrome、Edge、Brave、OperaにはWebGPUがあり、最近のSafariの一部にもあります。Firefoxはそのほうが快適に動くため、常に基本モード(WASM)で扱います。
自分で選ぶ必要はありません。動画を開くと、サイトがグラフィックスの簡単なテストを行い、自動で決めます。テストは30日ごと、またはグラフィックスが変わったときに再実行されます。WebGPUがない場合、グラフィックスが遅い場合、ブラウザが報告するメモリが8GB未満の場合は、WASMを使います。
端末に応じた3つのレベル
レベルはサイトが自動で選びます。変えたいときは ⚙ その他の設定 › 詳細設定 › 処理の品質 で指定できます。端末の例とRAMはあくまで目安で、1台ずつ測定したわけではありません。
| レベル | 端末の例 | 音声モデル | 品質と遅延 | 話者とサウンド | 10万語の書籍 |
|---|---|---|---|---|---|
| 低 | IntelのUHDまたはHDグラフィックス内蔵のノートPCやデスクトップ、またはWebGPUのない端末(Firefoxなど)。RAMは4〜8GB程度。 | whisper-base(約170MB)、プロセッサで処理(WASM)。 | 基本の品質:会話の流れは追えますが、誤りは多めです。遅延は15秒固定(10秒・20秒も選べます)。録画動画では開始前に30秒待ち、最初の字幕は最大60秒まで待ちます。 | 話者の分離はしません。サウンドラベル:⚙でオンにすれば使えます。 | 独自の翻訳で約97分以上、Chrome内蔵の翻訳なら約10分。 |
| 中 | 最近のノートPCで、新しめの内蔵グラフィックス(例:AMD Radeon)または控えめな専用カード、WebGPU対応。RAMは8〜16GB程度。 | whisper-small(約410MB)、グラフィックスカードで処理(WebGPU)。読み込み中の最初の字幕はwhisper-tinyが出します。 | ライブ視聴に十分な品質。測定:遅延15秒で字幕の98%が間に合いました。処理と競合しないよう動画は720pで取得します。録画動画では開始前に15秒待ちます。 | 話者を分離し、1人ずつ色を付けます(同時に3人まで)。サウンドラベル:対応。 | 独自の翻訳で約97分(プロセッサを使用)、Chrome内蔵の翻訳なら約10分。 |
| 高 | 最近の専用グラフィックスカードとWebGPUを備えたコンピューター。RAMは16GB以上。 | whisper-large-v3-turbo(約1.6GB)、グラフィックスカードで処理(WebGPU)。 | 最高の認識品質:最も大きいモデルです。タイミングはまだ測定していません。遅延は標準で15秒固定、録画動画では15秒待ちます。 | 話者を分離し、1人ずつ色を付けます。サウンドラベル:対応。 | 独自の翻訳で約97分(プロセッサを使用)、Chrome内蔵の翻訳なら約10分。 |
書籍について:翻訳はグラフィックスカードを使わないため、レベルによる時間の差はほとんどありません。最近のデスクトップ版Chromeの内蔵翻訳では毎分約9,900語、サイト独自の翻訳では毎分約1,000語です。16GB・16スレッドのPCで、英語からスペイン語へ、タブを表示したまま測定しました。性能の低い端末ではもっとかかります(未測定)。機械翻訳なので、内容の理解には使えますが、出版には向きません。
快適に使うためのヒント
初回は時間がかかります。モデルをダウンロードするためです(レベルにより約200MB〜1.7GB、翻訳ではさらに追加)。中レベルでのコールドスタートのテストでは、最初の字幕が出るまで45秒または52秒でした。おもに回線次第です。その後は保存されます。
ノートPCは、電源につないで風通しのよい場所で使うのがおすすめです。音声の処理はグラフィックスやプロセッサに大きな負荷がかかります。バッテリーでは消耗が早く、端末も熱くなります。
重いタブやプログラム(ゲーム、動画編集、動画を再生中の別のタブ)は閉じてください。グラフィックスとメモリを共有します。中レベルでは、Chromeはタブで1.6〜2.5GB、グラフィックス側で約2GBのメモリを使いました。
動作が重いときは、⚙ その他の設定 › 詳細設定 › 処理の品質(標準・バランス・最高・自動)で品質を下げてください。端末の負荷と発熱が減ります。字幕が遅れるときは、同じ項目で遅延を20秒にしてみてください。
高性能なグラフィックスカードは必要ですか?
いいえ。WebGPUがない場合や控えめなグラフィックスの場合は、基本モード(WASM)で動きます。プロセッサだけを使い、小さいモデルで、話者の分離はしません。新しいグラフィックスなら、もっと快適です。
自分の端末がどのレベルか、どうすれば分かりますか?
「端末を確認する」を押してください。診断ページに、レベル、WebGPUとWASMのどちらで処理するか、どのモデルを使うかが表示されます。
モデルの容量はどのくらいですか?
低レベルで約210MB、中レベルで約580MB、高レベルで約1.7GBです。翻訳の言語ペアごとに120〜230MBが加わります。ブラウザに保存されます。
スマートフォンでも動きますか?
開くことはできますが、スマートフォン向けには作られていません。コンピューターと同じ基準が適用され、低レベルになることがあります。できればChrome、Edge、Brave、Operaを使ったコンピューターをおすすめします。
使い方
動画をあなたの言語の字幕つきで観る方法
- リンクを貼る. ライブや動画のアドレスをコピーして、トップページの入力欄に貼ります。パソコン内のファイルを開くこともできます。
- 言語を選ぶ. 言語選択で、元の言語は「自動検出」のままにするか指定し、字幕の言語を選びます。
- 「観る」を押す. 初回はモデルをダウンロードするため時間がかかります。2回目以降はずっと早く始まります。
- 好みに合わせる. Aaで文字の大きさを変えられます。⚙ その他の設定 には背景、原文、話者、音、遅延の設定があります。
字幕を.srtで保存するには?
VOD、クリップ、ポッドキャストのエピソード、パソコン内のファイルで使えます。⚙ その他の設定 を開き、字幕をダウンロード で.srtか.vtt を選ぶか、全文の書き起こしをコピーします。保存されるのは生成済みの部分なので、動画を先に進めてください。ライブでは保存できません。
言語の自動検出はどう動きますか?
「自動検出(ベータ)」では、最初の数文から元の言語を判定し、プレーヤーに「検出された言語:…」と表示します。間違っていたらその表示を押して正しい言語を選ぶか、⚙ その他の設定 › 元の言語 で変更してください。サービスが動画の言語を示している場合は、それを手がかりに使います。
話者ごとに色を分けるには?
⚙ その他の設定 › 話者 で「話者ごとに色分けする」をオンにします。話す人ごとに色が割り当てられて変わらず、名前もつけられます。WebGPUが必要です(中・高レベル)。中レベルでは同時に3人まで区別します。WebGPUがない場合、字幕は1色で表示されます。
音のラベルとは?
はっきりした話し声がないときに流れる音を、[音楽]や[拍手]と表示する機能です。⚙ その他の設定 › 音 でオンにします。初期設定はオフで、初回に約16MBのモデルをダウンロードします。笑い声などほかの音はまだ認識しません。
再生速度を変えられますか?
録画、クリップ、エピソード、ファイルでは、速度ボタンで0.5×から2×まで変えられます。ライブと、プレーヤーが対応していないTwitchのVODでは変えられません。
ライブの遅延を変えられますか?
はい。⚙ その他の設定 › 詳細設定 › 遅延 で10秒・15秒・20秒から選べます。短くすると、性能の低い端末では字幕が遅れることがあります。長くすると余裕が生まれます。録画では再生前に最初の字幕を準備します。待ちたくなければ「今すぐ始める」を押してください。
品質を変えるには?
⚙ その他の設定 › 詳細設定 に2つの設定があります。「処理の品質」は音声モデルを選びます(自動=端末に合わせて決定、標準、バランス、最高)。「映像の画質」は映像の解像度を選びます。各レベルの目安は動作環境と性能をご覧ください。
テレビで観られますか?
はい。ブラウザのメニューで「キャスト」を選び、「タブをキャスト」を選択します。画質は端末の性能によります。
よくあるトラブル
字幕が表示されない
次の順に確認してください。誰かが話しているか(音楽や無音では書き起こすものがありません)。元の言語が正しいか(「検出された言語:…」の表示を確認)。音声を読み取れなかったという案内が出ていないか。
初回は、モデルのダウンロードが終わるまで字幕は出ません。それでも直らなければ ⚙ その他の設定 › 診断 を開いてください。
読み込みが終わらない
初回は端末に応じて約200MB〜1.7GBのモデルをダウンロードし、進み具合が表示されます。回線が遅いと数分かかりますが、その後は保存されます。録画では再生前に最初の15〜30秒分の字幕を準備します。待ちたくなければ「今すぐ始める」を押してください。まったく進まない場合はページを再読み込みしてください。
コンテンツブロッカーを使っていて、何かが読み込まれない
コンテンツをブロックする拡張機能の中には、VOD用のTwitchプレーヤーやモデルのダウンロードを妨げるものがあります。subany.videoでは無効にして、ページを再読み込みしてください。
Firefoxだと性能が落ちるのはなぜ?
Firefoxは常に基本モードで動きます。プロセッサだけ(WASM)と小さいモデル(whisper-base)を使い、話者の区別はせず、組み込み翻訳もありません。動作はしますが、Chrome、Edge、Brave、Operaのほうが良い結果になります。
スマートフォンで使えますか?
開けますが、スマートフォン向けには作られていません。メモリが少ないかWebGPUがない場合は低レベルになり、動作に余裕がなくバッテリーも大きく消費します。iPhoneでは映像を全画面にできず、字幕はページ上に表示されます。できればパソコンをお使いください。
音声や動画を読み取れないと表示される
サービスやサーバーがブラウザからの読み取りを許可していないか、開けない形式です。一部のポッドキャスト、Odyseeのカタログの一部、ときどきTwitchのクリップで起こります。動画が続く場合は字幕なしになります。時間をおくか、別のリンクで試してください。
配信していないと表示される
そのチャンネルは今配信していません。チャンネルは配信中にしか開けません。過去の配信なら、サービスにVODがあればそのリンクを貼ってください。
アクセシビリティ
subany.videoは、より多くの人が動画の中の言葉を追えるようにしたいと考えています。今あるものと、まだないものを正直にまとめました。
今できることは?
読みやすさを重視した書体Atkinson Hyperlegibleと、各行の後ろの暗い背景。3段階の文字サイズ。話者ごとの色と名前。[音楽]と[拍手]のラベル。翻訳の下の原文表示。録画では、別に読める全文の書き起こし。プレーヤーはキーボードで操作でき(スペースかKで一時停止、Mで消音、Fで全画面、矢印キーで音量)、動きを減らす設定にも従います。
まだできないことは?
字幕は自動なので間違えます。笑い声、ドアの音、声の調子などほかの音は説明しません。スクリーンリーダーは字幕を表示と同時に読み上げません。話者ごとの色にはWebGPU対応のグラフィックスが必要です。ブラウザ拡張機能や手話はなく、ライブではすべてが約15秒遅れます。
耳の不自由な人に役立ちますか?
多くの人にとって役立ちます。字幕のない配信も追えるようになります。詳しくは聴覚障害のある人のための字幕をご覧ください。
プライバシーと料金
音声や動画はアップロードされますか?
いいえ。音声認識と翻訳はブラウザの中で行われます。パソコン内のファイルはディスクから読み込まれ、アップロードされません。
アカウントは必要ですか?
いいえ。subany.videoにも各サービスにも不要です。
ブラウザには何が保存されますか?
ダウンロードしたモデル、設定(文字サイズ、言語、遅延など)、最近開いたチャンネルです。ブラウザのサイトデータからすべて削除できます。
診断レポートには何が含まれますか?
端末とセッションに関する技術的な情報です。チャンネル、リンク、IPアドレス、キーは含まれず、あなたがコピーして共有しない限り端末の外には出ません。
料金はかかりますか?
かかりません。subany.videoは無料で、購読も登録も不要です。