Mac にリアルタイム字幕を。
誰かに有効にしてもらわなくても。

本当にしんどいところ

字幕があることと、その字幕が使えることは別です。ここに挙げるのは、与えられる字幕がたいてい崩れる場所と、このアプリがそれぞれに対して何をするかです。Mac のクローズドキャプションを探していたなら、まさにこれです。しかも、すべてのアプリで一度に。そして、聴力検査は問題なしなのに騒がしい場所で言葉が聞き取れなくなるなら、専用のページがあります。

• もう流れてしまった一行。Google Meet は字幕の履歴をまったく残さず、Zoom も 3 分ほどしか保持しません。入力しようと視線を落としただけで、半分読んでいた文はもう取り戻せません。ここでは ⌥ を押し続けるとそれまでの字幕が設定した分だけさかのぼって戻ってきます。スクロールで辿れて、⌥F で検索できます。一行逃すことが、その会議の流れを見失うことにはなりません。
• 二人が同時に話すとき。発言の重なりは、どの字幕システムも苦しくなる場所で、そしてあなたが最も字幕を必要とする場所です。話し手が変わったら新しいボックスを開く設定は任意ですが、有効にする価値があります。聞くのではなく読む会話では、誰が何を言ったかを追うことが作業のほとんどだからです。
• 誰も字幕を付けなかった動画。クローズドキャプションや聴覚障害者向け字幕（SDH）は、誰かが作ったところにしか存在しません。社内ポータルの研修動画のほとんど、カンファレンスの録画のほとんど、同僚が送ってくる画面録画のほとんど、ポッドキャストのほとんどが、そこから漏れます。このアプリは音声そのものを聞き取るので、配信側が手をかけたかどうかは問題ではなくなります。
• 会議ではない通話。FaceTime、パソコンでの WhatsApp や Signal の通話、Mac からかけた電話番号、再生した留守番電話。どれにも押せる字幕ボタンはなく、頼めるホストもいません。電話が一週間のうちで気が重い時間であり続けるのは、ほとんどこれが理由です。
• 聞こえる人と一緒に何かを観るとき。部屋にいる他の誰も必要としていないのに映画の字幕を入れるのは、交渉になってしまいます。そもそも字幕トラックがないものも大量にあります。これはあなたの Mac の上にだけ、好きな大きさで表示されるので、全員の決めごとではなくなります。
• すでに Mac の音を受けている補聴器。Made for iPhone の補聴器やサウンドプロセッサは M1 以降の Mac と直接ペアリングできますが、音がきれいに届くことと、速くて重なり合う会話が聞き取れることは同じではありません。ストリーミングされた音の上に字幕を重ねるのはごく普通の使い方で、重複ではありません。聞き取るのはアプリ自身の音声ストリームであって出力先の機器ではないので、何で聴いているかは関係ありません。
• 午後 4 時の疲れ。話についていけるだけの集中を一日中続けることは、他の誰のカレンダーにも現れない形で消耗します。半分しか聞こえなかった単語を読むほうが、文脈から推測するより負担が小さく、その場の全員に三度目の聞き返しをするより、はるかに小さくてすみます。

まずは Mac に最初から入っている字幕機能を試す

macOS には Apple silicon の Mac すべてに、無料でライブキャプションが標準搭載されています。システム設定 ▸ アクセシビリティ ▸ ライブキャプション。本当によくできていて、お金はかかりません。それで足りるならそこで終わりで、それを確かめるために $19 を使う必要はありません。一週間使ってみることは、自分が字幕に何を求めているのかを知る一番速い方法でもあります。

他を探しに行く理由はたいてい三つのどれかです。必要な言語が Apple の一覧にない。字幕ウインドウが、その下に向けたクリックを受け取ってしまう。講義には遅くても正確なモデルを、通話には速いモデルを選びたい。その違いは比較ページに一行ずつ並べてあります。

14 日間、理由を問わず返金します。

何時間でも読めるように

一日じゅう頼りにする字幕は、一度目をやるだけの字幕とは読み方が違います。以下はどれも設定であって、誰かがあなたの代わりに決めたことではありません。正しい答えは、あなたがどれだけ聞こえていて、どれだけ読んでいるかで変わるからです。

• 作業の後ろに回りません。オーバーレイはあらゆるウインドウとアプリスイッチャーの上にあるので、メモを取る、資料を確認する、何かを調べるといったことが、そのあいだに話されている一文と引き換えになりません。会議についていきながら同時に何かを書き留めることこそが難しさのすべてで、手前に保ち続けなければならない字幕ウインドウは、それを解決しません。
• 視線がすでにある場所に置けます。クリックを奪わないのでそのまま突き抜けて作業できますし、ポインタの下では薄くなるので下にあるものを隠しません。大きさ、不透明度、薄くなる範囲、ボックスの位置は、すべて自分で決められます。Shift を押している間は濃さを保ったままドラッグできます。話している人の顔のすぐ下に置くのが多くの人の落ち着く先で、読唇と字幕が視線を奪い合わずに並走できるのはそのためです。
• 行のほうが待ってくれます。字幕は約 1.5 秒に 1 語あたり 0.1 秒を足しただけ残るので、長い行が文の途中で消えることはありません。⌥ を押し続ければ直近の数行が戻ってきて、スクロールできます。読む速さは人それぞれで、初期値はあくまで推測です。履歴は、その推測が外れたときのためにあります。
• 固有名詞と専門用語は苦手です。薬の名前、名字、チームが勝手に作った略語。これらはまさに文脈から推測できない語であり、まさに音声認識が間違える語です。遅くても正確なモデルを選べば助けにはなりますが、解決はしません。あとで気づくより、どの語を確かめるべきかを先に知っておくほうが役に立ちます。

字幕と聞こえについての質問

その場で話している人にも字幕が付きますか？

はい、そう選べば。初期設定で聞き取るのは Mac が再生する音で、マイクは閉じたままです。「字幕にする音」でマイクを選べば、代わりに目の前の会話に字幕が付きます。Mac のマイクでも、サウンド設定で入力に選んだ機器でも。macOS がマイクの許可を求めるのは初めてのときだけで、それより前には求めません。「翻訳先」で言語を選び、「両方の言語を表示」をオンにすれば、二人が二つの言語で話し、それぞれが自分の言語で読めます。

要約筆記（CART）や人による文字通訳の代わりになりますか？

いいえ。音声認識なので間違えます。とくに固有名詞、専門用語、話のかぶり、強い訛りで間違えます。通院、法的な打ち合わせ、成績のつく授業など、間違いに代償がある場面では、専門の要約筆記者や通訳が合理的配慮であり、それを求める権利があります。これはそれ以外の時間のためのもの、つまり誰も用意してくれなかったはずの場面のためのものです。

ホストに頼んだり、使っていることを誰かに伝えたりする必要はありますか？

ありません。どこかのサービスと連携するのではなく、Mac が再生する音声に字幕を付けるので、会議に何かが参加することも、参加者一覧に何かが出ることもなく、ホストも管理者も講師も何かを有効にする必要はありません。誰にも通知は行きません。伝えるかどうかはソフトウェアではなくあなたが決めることです。

Mac の音はすでに補聴器に飛ばしています。それでも意味はありますか？

多くの場合あります。ストリーミングが解決するのは音の通り道であって、話の難しさではありません。早口の人、重なった声、聞き慣れない訛りは、耳に届いたあとも同じままです。ストリーミングした音の上に字幕を重ねるのはよくある組み合わせで、無駄ではありません。聞き取るのはアプリ自身の音声ストリームであって出力先の機器ではないので、何で聴いているかは関係なく、ペアリングも何も変わりません。

字幕も SDH もまったくない動画の場合は？

まさにそのための機能です。クローズドキャプションや SDH は誰かが作ったところにしか存在せず、社内研修動画のほとんど、カンファレンス録画のほとんど、同僚が録って送ってくるもののほとんどが対象外になります。このアプリは音声そのものに字幕を付けるので、そのファイルに字幕トラックが付いていたかどうかは関係ありません。

会議の字幕のように、遅れて出てきますか？

遅れは小さいですが、ゼロではありません。文が終わるのを待たず、単語が届くそばから連続して字幕にしていきますし、いちばん新しい単語はモデルが確信するまで淡く表示されるので、あとから読むのではなく、一緒に読んでいけます。それでも音声認識です。単語が発せられてから読めるようになるまでには多少の遅れがありますし、早口の人は常にどんな字幕よりも少し先を行きます。

字幕を大きく、読みやすくできますか？

できます。ボックスの大きさ、不透明度、保持する行数、置く位置はすべて設定項目で、設定ウインドウはモックアップではなく実際のオーバーレイ上でプレビューします。Shift を押している間は濃さを保ったまま好きな場所へドラッグでき、置いた場所は記憶されます。

FaceTime や電話の通話にも字幕は付きますか？

Mac 上のアプリを通して再生されるものならすべてです。FaceTime、パソコンでの WhatsApp や Signal の通話、あなたの Mac からかけた電話番号、再生した留守番電話が含まれます。読めるのは相手の発言で、自分の声は出ません。聞き取っているのがマイクではなく、Mac の再生する音だからです。これらは字幕ボタンもなく、頼めるホストもいない通話なので、最初に試される場面になることがよくあります。

誰が話しているかや、SDH のような音の表示はありますか？

話し手が変わったときに新しい字幕ボックスを開くことはできます。任意の設定で、通話では有効にする価値がありますが、話している人の名前までは表示しません。発話以外の音はまったく表示しません。音声認識の手前で音声検出が動いていて、音楽が作り話の歌詞になるのを防いでいるからです。その代償として、手に入るのは発話であって、ほかに何が鳴っていたかではありません。音の手がかりが大事な方にとっては、これが本物の SDH トラックとの正直な差です。

一行聞き逃したときはどうなりますか？

⌥ を押し続けると、それまでの字幕が設定した分だけさかのぼって戻ってきます。スクロールして辿ることも、⌥F を押して文字を打ち、目当ての一つを探すこともできます。意図的に短期的なつくりで、しばらく話が途切れればスタックは消えます。いま失った一文を拾うためのものです。音声が止まると、話されたことを文字起こしとして保存するかをアプリが尋ねてきます。保存しないかぎり、ディスクには何も書きません。

分単位や月額の費用はかかりますか？

かかりません。7 日間は無料で、その後は $19 の買い切り、字幕は無制限です。モデルがあなたの Mac で動き、動かすのに費用がかからないからです。利用時間の追加購入もサブスクリプションもありません。字幕が、たまに付けるものではなく、すべてについていくための手段であるときほど、これは効いてきます。

インターネット接続は必要ですか？

初回起動時にモデルを取得するために一度だけ必要です。そのあとは完全にオフラインで動作し、まだ行いうる通信は、断ることもできる日に一度の新しいバージョンの確認と、ライセンスキーを入力してからは月に一度のそのキーの確認だけです。あなたが聴いているものがどこかに送られることはありません。