YouTubeをリアルタイムで翻訳する方法
YouTubeの動画を日本語の音声で聞く方法。自動翻訳字幕と拡張機能の違い、1〜2秒の遅延の理由、字幕がない動画で使えない理由まで。
海外の講義やカンファレンス動画を、字幕を読まずに日本語で「聞く」。これがリアルタイム翻訳です。動画ファイルをアップロードして数十分待つ翻訳サービスとは仕組みも用途もまったく違います。この記事では、実際に何ができて何ができないのかを整理します。
2つの「動画翻訳」は別物です
| リアルタイム翻訳 | アップロード型の翻訳 | |
|---|---|---|
| 対象 | 再生中の動画 | 自分が持っている動画ファイル |
| 出力 | 再生しながら音声と字幕 | 翻訳済みの動画ファイル |
| 待ち時間 | 1〜2秒 | 数分〜数時間 |
| 他人の動画 | 使える | 使えない（ファイルが必要） |
| 料金 | 無料または定額 | 多くは分単位の従量課金 |
| 想定ユーザー | 視聴者 | 配信者・制作者 |
重要なのは3行目です。他人が公開した動画のファイルは手元になく、ダウンロードはYouTubeの利用規約に反します。つまり「観たい動画のほとんど」に対して使えるのはリアルタイム翻訳だけ、ということになります。
方法1：YouTubeの自動翻訳字幕（無料・インストール不要）
まずこれを試してください。10秒で終わります。
- 動画を再生し、プレーヤーの設定（歯車アイコン）を開く
- 字幕を選ぶ。ここが空欄なら、その動画には字幕トラックがありません
- 自動翻訳を選ぶ
- 日本語を選択
100以上の言語に対応していて費用はかかりません。ただし読むだけです。音声にはなりませんし、テキストを保存することもできません。
方法2：拡張機能によるリアルタイム音声翻訳
手元を動かしながら観る動画では、字幕は向きません。コードを追いながら、ホワイトボードを見ながら、手を動かしながら——そういう場面で音声翻訳が効きます。
仕組みは意外と単純で、限界もここから説明できます。
- 字幕トラックを読む。音声ではなく字幕です。ブラウザ上で音声認識をリアルタイムに行うのは重く、YouTubeがすでに文字起こしを用意しているためです
- セグメント単位で翻訳する。字幕は時刻付きの短いかたまりで届くので、動画全体を待たずに順次処理されます
- 音声を生成する。ニューラル音声合成が翻訳文を読み上げます
- 尺に合わせる。訳文の長さは原文と一致しないため、セグメントの開始と終了に収まるよう再生速度が微調整されます
- 元の音声を下げる。ミュートせず音量を下げるので、固有名詞や数字は元の声で確認できます
遅延について
「リアルタイム」といっても瞬時ではありません。この種のツールの遅延はおおむね1.5〜2秒です。字幕セグメントが確定するのを待ち、翻訳し、音声を生成する——その合計がこの数字になります。
聞く分にはほとんど気になりませんが、話者が画面に映っている場合は口の動きとずれます。
うまくいかない場合
制約はすべて「字幕トラックに依存している」という一点から来ています。
- 字幕がない動画は翻訳できません。YouTubeは多くの動画で字幕を自動生成しますが、音楽中心の動画、音質が悪い動画、対応外の言語では生成されません
- 字幕が間違っていると、間違ったまま訳されます。認識ミスが自信たっぷりの誤訳になるため、明らかな欠落より厄介です
- 早口だと音声が遅れます。訳文が原文より長くなる言語では、速度調整では追いつかなくなります
- ライブ配信では使えません。ライブ字幕は遅れて届くうえ、後から書き換えられます
- ショート動画は字幕がないことが多く、音声生成が終わる前にループします
なぜウェブサイトではなく拡張機能なのか
「URLを貼り付けたら翻訳されるサイト」がない理由は2つあります。
ひとつは、サイト側が動画ファイルを必要とすること。他人の動画を第三者のサーバーにダウンロードする行為は規約違反にあたり、そうしたサービスは長続きしません。
もうひとつは、拡張機能はすでに開いているページの中で動くという点です。プレーヤーが読み込んだ字幕を読み、プレーヤーが再生している映像に合わせて音声を流すだけなので、動画そのものはどこにも移動しません。その代わり、スマートフォンでは動きません。モバイル版のChromeとSafariは拡張機能に対応していないためです。
字幕と音声、どちらを選ぶか
音声翻訳が常に優れているわけではありません。
字幕が向くのは、正確さが必要な場面です。読み返せますし、話者の声と口調がそのまま残ります。語学学習では、置き換えられた音声より元の声のほうが役に立ちます。
音声が向くのは、目が塞がっている場面と長尺の動画です。1時間の講義を字幕で読み続けるのは単純に疲れます。
両方使う人は、講義やポッドキャストは音声、正確に引用したい内容は字幕、という使い分けに落ち着くことが多いようです。
よくある質問
YouTubeの自動吹き替えとは違うのですか。違います。YouTube側の自動吹き替えは全視聴者に対して動画に付与されるもので、対象も声も選べません。リアルタイム翻訳はブラウザ内で動き、字幕がある動画ならどれでも、好きな声で再生できます。
オフラインで使えますか。使えません。翻訳と音声生成はネットワーク経由で行われます。
動画が遅くなりませんか。セグメント内で再生速度が調整されるだけで、動画全体が遅くなることはありません。
元の音声は残せますか。残せますし、残すことをおすすめします。音量を下げておくと、訳しきれない固有名詞や数字を元の声で拾えます。
最初の一文だけ遅れるのはなぜですか。先読み生成がまだ効いていないためです。2つ目以降のセグメントは再生位置に到達する前に用意されます。
無料ですか。ツールによります。制限なしのもの、1日数本までのもの、自分でAPIキーを用意するものがあります。