長い動画をAIで翻訳・吹き替えする方法｜最大2.5時間の講義・講座・ポッドキャストに対応

いちばん見てもらいたい動画は、もう完成しているかもしれません。収録済みのワークショップ、講座の1回分、長いインタビュー、前シーズンのポッドキャスト。以前は、こうした動画をスペイン語、ドイツ語、日本語の視聴者に届けるには、エピソードごとに文字起こしと翻訳を行い、声優を手配し、音声編集に半日を費やす必要がありました。

ImageGPTの動画翻訳ツールには、まさにそのための長尺モードがあります。1分から2.5時間までの自分の動画をアップロードし、翻訳された台本を確認して声を選べば、元の言語と新しい言語の両方を収録したMP4をダウンロードできます。各工程を始める前に料金を確認できます。

仕上がりを見てみましょう

NASAのScientific Visualization StudioがLunar Reconnaissance Orbiterのデータを使って制作した、ナレーション付きの月面映像「Tour of the Moon」。その冒頭2分14秒を使いました。NASAの動画はパブリックドメインなので利用できます。動画をアップロードし、スペイン語とボイスオーバーモードを選択。ほかの設定はすべて初期値のままにしました。

AIは話者を1人と判定し、ナレーションを18行に分けて、単語ごとではなく文のつながりを踏まえて翻訳しました。「Orientale basin」は「la cuenca Oriental」になり、LRO、Diviner、LOLAという名前はそのままです。アップロードから動画の完成まで、わずか1分少々でした。

完成したMP4は元の映像を再エンコードせず、そのまま保持します。音声トラックは翻訳版（初期設定）とオリジナルの2つで、両言語の字幕も付いています。VLCなどのプレーヤーでは視聴者が切り替えられます。字幕はYouTubeや講座プラットフォーム向けにSRT、VTTファイルとしてもダウンロードできます。

翻訳できるもの

翻訳できるのは、自分が所有するか、利用権を持つコンテンツだけです。自作の動画やチャンネルのエピソード、講座、ウェビナー、インタビュー、ポッドキャスト、ライセンスを保有するドキュメンタリーが対象です。処理を始める前に、チェックボックスで権利があることを確認します。権利を持たない映画やテレビ番組は利用できません。

• 長さは1分～2.5時間、ファイルサイズは最大6 GBです。
• 対応するのは、映像コーデックがH.264、H.265、AV1、VP9のMP4、MOV、MKV、WEBMです。それ以外のファイルは、先に無料の動画変換ツールでMP4に変換してください。
• 英語、スペイン語、フレンチ、ドイツ語、イタリア語、ポルトガル語、ポーランド語、トルコ語、オランダ語、ウクライナ語、ロシア語、和彫り、韓国語、中国語、アラビア語、ヒンディー語、インドネシア語、ベトナム語の18言語間で、どの方向にも翻訳できます。
• 音声が明瞭なほど文字起こしの精度が上がります。声に大きな音楽が重なったり、複数人が同時に話したりすると、台本で修正する行が増えます。

手順

1. 動画翻訳ツールを開き、「映画・講義・エピソード — 最大2.5時間」に切り替えます。
2. プロジェクトを選びます。新規作成するか、次のレッスンやエピソードなら既存のものを選んでください。翻訳先の言語を選び、元の言語は「自動検出」のままにします。
3. 出力形式は「ボイスオーバー」「完全吹き替え」「字幕のみ」から選びます。ボイスオーバーの場合は、ナレーター1人、話者に合わせて使い分ける男性と女性の声、または登場人物ごとに声を割り当てる方法から選びます。
4. ファイルをアップロードするか、ファイルへのリンクを貼り付けます。大きなファイルは分割してアップロードされるため、接続が切れても同じファイルをもう一度選べば、止まったところから再開します。
5. 動画の権利を持っていることを確認し、「文字起こしして翻訳」を押します。料金はボタンに表示されます。
6. 話者一覧、用語集、台本を確認します。各行には元の音声と翻訳版の再生ボタンがあり、どの行でも編集できます。
7. 長い動画なら、まず「冒頭の…分を試す」を押しましょう。最初の行から最大2分先までの冒頭部分だけを音声化するので、残りの分を支払う前に声を確認できます。
8. 「動画全体を音声化」を押し、続いて「ビデオをダウンロード」を押します。必要なら「字幕」もダウンロードしてください。

処理はすべてサーバー上で行われます。タブを閉じても、戻れば残り時間を示す進行状況を確認できます。レンダリングを途中で止めた場合、まだ音声化していない部分のクレジットは返還されます。完成した動画は「マイ作品」にも保存されます。

ボイスオーバー、完全吹き替え、字幕のみの違い

完全吹き替えでは、Demucsで話し声を音楽や効果音から分離し、元の背景音に新しい音声を重ねます。登場人物ごとに、用意された声、登場人物に保存した声、または「動画の声」を使えます。「動画の声」は、その話者自身の声を複製して新しい言語を話させる機能です。複製できるのは自分の声か、同意を得た人の声だけです。別のチェックボックスで確認します。ウクライナ語、インドネシア語、ベトナム語ではまだ声の複製に対応していないため、用意された声を使用します。

講座全体やポッドキャストのシーズンを翻訳するには

シリーズの全エピソードを1つのプロジェクトにまとめましょう。プロジェクトには、声を割り当てた名前付きの話者を最大12人まで登録でき、それ以外の人は「その他の男性」「その他の女性」にまとめられます。名前や用語の用語集も記憶されます。次のエピソードではAIが声から再登場した話者を認識するため、共同司会者の声をレッスン1とレッスン10で統一できます。

最初のエピソードが終わったら、用語集を埋めておきましょう。たとえば料理講座で「fold in」が2通りに訳されたなら、希望する訳語とともに用語を登録して「再翻訳」を押します。やり直すのは翻訳だけで、手作業で編集した行はそのまま残ります。

料金の目安

支払いは工程ごとです。文字起こしと翻訳はアップロード直後、音声化は台本を確認した後に課金されます。料金は動画の長さと会話の量で決まり、各ボタンに正確な金額が表示されます。話し声の多い動画のおおよその目安は次のとおりです。

今回の約2分のNASA動画は、文字起こし込みで約20クレジットでした。音声化するのは発話のある行だけなので、長い無音部分や音楽だけの部分がある動画は安くなります。後から1行だけ直す場合はその行の料金だけを支払い、動画の再構築時も変更部分だけを再ミックスします。

5分未満の短いクリップは、同じツールの通常モードで処理します。このモードではリップシンクと焼き込み字幕も追加されます。ReelやShort向けに動きのある字幕を付けるなら、「自動字幕」を使ってください。