MP4/MKVからの埋め込み字幕抽出: 字幕ストリームとハードコード字幕の違いについてのガイド

ソフト字幕はパッケージングされた字幕ストリームとも呼ばれ、動画コンテナ内に独立したバイナリデータトラックとして保存されます。フレームのピクセルに結合されていないため、個別に再エンコード、切り替え、抽出を行うことが可能です。

ハードコード字幕はフレームのピクセルにレンダリングされて動画フレームに焼き付けられ、画像ピクセルと完全に融合しており、分離可能な個別の字幕データトラックとして存在しません。

一般的な埋め込み字幕には上記の2種類が存在します。リマックスによる抽出が可能なのは、独立してパッケージングされたソフト字幕ストリームのみです。

オープンなマルチメディアコンテナであるMKVは、複数種類の複数字幕トラックをパッケージングすることをネイティブでサポートしています。埋め込み字幕を持つ動画の多くはMKV形式を使用しています。

MP4は標準のテキスト字幕保存形式としてmov_textを使用します。機器から生成された一部のMP4ファイルでは、非標準形式で字幕が保存されており、直接抽出できない場合があります。

本動画字幕抽出ツールはFFmpegの-c:s copyパラメータを使用して抽出を実行します。このパラメータでは字幕ストリームを再エンコードせず、元の字幕データを直接コピーしてターゲットファイルを生成します。

抽出プロセス全体ではパッケージングされた字幕データのみをコピーするため、動画全体をデコードして再エンコードする必要がありません。1GBの動画から字幕を抽出する場合でも数秒しかかかりません。

抽出プロセスでは元の動画ファイルを変更せず、過剰なプロセッサリソースを消費することもありません。ワークフローでは元の動画から字幕トラックのデータを読み取って新しいファイルを出力するのみです。

本動画字幕抽出ツールはハードコード字幕に対するOCR認識に対応していません。ハードコード字幕の認識には専用のAIモデルの学習と計算リソースが必要であり、独立したOCRサービスの区分に属するため、本ツールではこの機能を提供していません。

アップロードされた動画が分離可能な独立した字幕ストリームを含まない場合、ツールは明確なエラーメッセージを返し、現在の動画から抽出可能な字幕トラックが検出されなかったことをユーザーに通知します。

抽出後、ユーザーは一般的な字幕形式であるSRTまたはVTTのいずれかで出力することを自由に選択でき、さまざまな再生および編集の要求に対応可能です。どちらの形式もオープンな公開規格です。