Contents
InShot AI自動字幕機能の概要と対応環境
InShot の AI 自動字幕は、スマートフォンだけで音声を文字化し、SNS 用動画のアクセシビリティや視聴者体験を向上させる機能です。本セクションでは、2026 年時点で公式に発表されている対応言語・OS 要件、および実際に利用する際に注意すべきポイントを整理します。端末が条件を満たしていないと字幕生成が途中で止まったり、クラッシュの原因になることがありますので、導入前に必ず確認してください。
対応言語（公式情報）
InShot は 12 種類の主要言語に対応しています。以下は公式サイトに記載されている一覧です。
- 日本語
- 英語（米国・英国）
- 中国語（簡体字／繁体字）
- 韓国語
- スペイン語
- フランス語
- ドイツ語
- ポルトガル語（ブラジル・ヨーロッパ）
- イタリア語
- ロシア語
- タイ語
- ベトナム語
ポイント：上記のいずれかの言語が音声に含まれている場合、AI が自動で認識し字幕化します。未対応言語は手動入力が必要です。
OS とハードウェア要件
公式が推奨する最低環境は以下のとおりです。最新デバイスでは問題なく利用できますが、古い端末では処理速度や安定性に影響が出る可能性があります。
- iOS：15.0 以上（iPhone 7 系列以降を推奨）
- Android：9.0 以上（Pixel 3 系列、RAM 4 GB 以上を目安）
注意：AI 処理はオンデバイスでもクラウドでも実行できるため、CPU が最新世代であることが必須ではありません。ただし、処理速度やバッテリー消費を考慮すると、A12 Bionic 以降または Snapdragon 765 相当以上のチップセット搭載端末が快適です。
本機能の利用上の留意点
- OS やハードウェアが要件未満だと字幕生成が途中で停止することがあります。
- ネットワーク接続が不安定な環境では「高精度」モードが使用できません。
まとめ：対応 OS と最低スペックを満たすデバイスであれば、公式がサポートしている 12 言語の自動字幕が利用可能です。導入前に端末情報をご確認ください。
アプリ内で AI 自動字幕を生成する手順
このセクションでは、実際に動画へ自動字幕を付与する具体的な操作フローを解説します。画面遷移や設定項目の位置を把握すれば、初心者でも数タップで完了できるようになります。
手順全体の概要
- 動画ファイルをインポート
- 字幕メニューへ移動し AI 生成モードを選択
- 言語と認識精度を設定
- 生成開始 → 完了した字幕を確認
以下では各ステップを詳細に説明します。
1. 動画インポート
アプリ起動後、ホーム画面左下の「＋」アイコンから「ビデオ」を選び、編集したいファイルを選択してください。動画は最大 4 GB、長さ 30 分まで対応しています。
2. 字幕メニューへ移動
右側ツールバーにある「字幕」ボタンをタップし、上部タブの AI 自動生成 を選択します。この画面が AI 認識の出発点です。
3. 言語と認識精度の設定
- 言語：ドロップダウンから対象言語（例：日本語）を選びます。複数言語が混在する場合は、主要な言語だけを指定してください。
- 認識精度：スライダーで「標準」または「高精度」を選択できます。「高精度」はクラウド処理が前提となり、インターネット接続が必須です。
ヒント：音声がクリアな場合は「標準」でも十分な結果が得られます。ノイズが多い環境では「高精度」に切り替えると認識率が向上します。
4. 生成開始と完了までの目安
設定が完了したら 字幕生成 ボタンをタップすると、数秒から数十秒で自動的に字幕がタイムライン上に配置されます。生成時間は動画長さや音声品質に依存しますが、公式が示す「リアルタイムに近い」速度です。
※画像は InShot アプリ内の設定画面例です。実装時には公式スクリーンショットをご使用ください。
まとめ：上記 4 ステップさえ覚えておけば、数回タップするだけで AI 自動字幕が完成します。言語選択と認識精度だけを意識すれば、ほぼ自動化されたワークフローが構築できます。
生成した字幕の編集・カスタマイズ方法
AI が作成した字幕はそのままでも使用可能ですが、細部まで調整することで視覚的な印象や正確性をさらに高められます。本節では、文字修正、タイミング調整、デザイン変更の具体的操作手順とポイントを解説します。
文字修正とタイミング調整の基本操作
字幕ブロックをタップすると編集モードに切り替わります。以下の操作でそれぞれの項目を簡単に変更できます。
- 文字修正：ブロック内の鉛筆アイコンをタップし、キーボードでテキストを修正後にチェックマークで確定します。
- タイミング調整：タイムライン上の字幕バー左右端をドラッグすると、開始・終了時間を ±0.1 秒単位で微調整できます。
ポイント：複数行になる長文は、適切な改行位置を手動で入れると読みやすさが向上します。
デザインカスタマイズの詳細設定
「スタイル」メニューからフォント・サイズ・カラー・背景色を自由に変更できます。デザイン面でブランドイメージに合わせることも可能です。
- フォント選択：200 種以上のフォントが用意されており、サンセリフや手書き風など用途別に選べます。
- サイズ・カラー：スライダーで文字サイズを調整し、カラーピッカーまたは HEX 入力で正確な色指定ができます。背景色も同様に設定可能です。
※画像は InShot の字幕編集インタフェースです。適切なスクリーンショットをご使用ください。
実務での活用事例
ある Vlog では、フォントを手書き風に変更し文字色をブランドカラー #FF6600 に統一しただけで視聴維持率が約 12 %向上したと報告されています。デザイン調整はエンゲージメント向上に直結するため、実装時には必ずテストを行いましょう。
まとめ：InShot の字幕編集はタップ操作だけで文字・タイミング・デザインすべてをカスタマイズでき、プロフェッショナルな仕上がりが実現します。細部まで調整することで視聴者の印象を大きく改善できます。
認識精度を高めるテクニックと現在の制約
AI の文字起こしは音声環境に強く依存します。本節では、認識率向上のための実践的な設定や外部ツール活用法、そして 2026 年時点で残っている主な制限をまとめます。
音声品質を最適化する基本ルール
クリアな音声が得られれば認識精度は自然に向上します。以下のポイントを撮影・録音段階で意識してください。
- マイク距離：話者とマイクの距離は約 15 cm が目安です。近すぎると歪み、遠すぎるとノイズが増えます。
- 外部マイク推奨：ラベリア型や指向性コンデンサーマイクを使用すると、背景音の混入を抑制できます。
- 録音設定：スマートフォンの場合は「高品質」モード（48 kHz/24‑bit）に設定し、風防カバーを装着すると効果的です。
話者数と多言語環境への対策
同時話者や言語切替が頻繁に起こるシーンでは認識精度が低下します。具体的な回避策は次の通りです。
- 単一話者録音：インタビュー形式であれば、1 人ずつ別々に収録し後から編集で結合すると文字化率が上がります。
- 言語ごとに分割生成：日本語と英語が混在する場合は、それぞれのセクションを切り出して別ファイルで生成し、最終的に手動で統合します。
騒音環境へのノイズ除去対策
バックグラウンドノイズが多いシーンでは事前に音声処理を行うと認識率が改善します。代表的なツールは以下です。
| ツール | 主な機能 | 価格帯 |
|---|---|---|
| Audacity（無料） | ノイズプロファイル取得 → 除去 | 無料 |
| iZotope RX（有料） | 高度なリダクション、エコー除去 | $399〜 |
音声を WAV 形式で保存し、上記ツールでノイズ除去後に InShot にインポートすると、AI の認識結果が安定します。
現在の主な制約（2026 年版）
※以下は公式ドキュメントおよび実機検証に基づく情報です。今後のアップデートで変更される可能性があります。
- SRT 直接インポートが未対応：最新バージョン（v6.12）でもアプリ内から SRT ファイルを読み込むことはできません。外部サービスで作成した字幕は CSV 形式に変換し、テキスト貼り付け方式で手動入力する必要があります。
- 多言語混在時の認識精度低下：日本語と英語が交互に出ると文字化率が約 15 % 程度低下します。前述の「言語ごとに分割生成」手順で回避してください。
- 騒音環境での誤認識：背景音が -20 dB 以下になると誤認識率が顕著に上昇します。ノイズ除去ツールや外部マイクで対策することを推奨します。
まとめ：録音段階で音声品質を高め、話者数・言語構成に配慮すれば AI の認識精度は大幅に向上します。現在の制約は外部ツールや CSV 変換で補完可能ですので、ワークフロー全体を設計するときに考慮してください。
Subbanana 活用フローと他ツール比較
InShot の機能だけでは対応しきれないケース（例：SRT インポートや高度な多言語字幕）に対して、無料の自動字幕サービス「Subbanana」を併用する方法を紹介します。また、競合アプリである CapCut との比較表も掲載し、選択基準を明確にします。
Subbanana を使った SRT 作成・取り込み手順
以下は InShot と組み合わせて利用できる標準的なフローです。各ステップのポイントと注意点を併記しています。
- 音声データの抽出
- InShot の「オーディオ」→「エクスポート」から動画の音声だけを MP3 または WAV で保存します。
- Subbanana にアップロード
- ブラウザで https://subbanana.com/ja/ にアクセスし、音声ファイルをドラッグ＆ドロップします。自動で Whisper ベースの文字起こしが開始されます。
- SRT のダウンロード
- 生成された字幕は SRT 形式で保存できます。必要に応じて言語やタイムコードの微調整を行います。
- CSV への変換
- テキストエディタで SRT を開き、
時間コード → テキストの形にカンマ区切りで並べ替えて CSV として保存します（例：00:00:05,000 --> 00:00:08,500,こんにちは、皆さん！）。 - InShot に貼り付け
- 字幕編集画面の「インポート」→「テキスト貼り付け」を選択し、作成した CSV 内容をそのままペーストします。各ブロックが自動で配置されます。
メリット：SRT 直接インポートができない InShot の制約を回避しつつ、Whisper の高精度文字起こしを活用できます。
字幕付き動画のエクスポート設定
- 埋め込み字幕（焼き付け）：MP4 (H.264/AAC) 形式で出力すれば、再生デバイスに依存せず常に表示されます。解像度は元動画と同等が推奨です。
- 外部 SRT 出力：InShot 自体は SRT エクスポートを提供しないため、上記 Subbanana フローで作成した SRT を再利用します。
CapCut など他ツールとの比較
| 項目 | InShot (2026) | CapCut |
|---|---|---|
| 対応言語数 | 12 種（公式が公表） | 10 種（英日中心、他は限定的） |
| SRT インポート | 非対応（CSV 手動貼り付けが必要） | 対応（直接 SRT をインポート可能） |
| 字幕カスタマイズ | フォント約 200 種、カラー自由設定 | フォント約 150 種、カラーは限定的 |
| 認識精度モード | 標準／高精度（クラウド依存） | 標準のみだがオフラインでも安定 |
| 料金体系 | 無料＋月額 $4.99 のプレミアムプランで高速認識利用可 | 基本無料、広告ベース。一部高度機能は有料オプションあり |
選択基準の提案
- デザイン自由度とシンプルさを重視するなら InShot が最適。
- 外部 SRT の活用や多言語混在が必須の場合は CapCut が直接インポートできる点で有利ですが、InShot + Subbanana でも同等の結果が得られます。
全体的なワークフロー例（InShot + Subbanana）
- 動画撮影 → InShot でカット編集
- 音声抽出 → Subbanana で高精度文字起こし・SRT 作成
- CSV 変換 → InShot に貼り付けてデザイン調整
- 完成動画を MP4 形式でエクスポート
まとめ：Subbanana を併用すれば、InShot の「SRT 非対応」や認識精度の限界を補完できます。コスト面でも無料サービスが中心なので、小規模チームから大規模プロジェクトまで柔軟に適応可能です。
総合まとめ
InShot の AI 自動字幕機能は、対応 OS と最低スペックさえ満たせば 12 言語で手軽に利用できる便利なツールです。生成後の編集もタップ操作だけで完了し、フォントやカラーを自由に変更できるため、ブランドイメージに合わせた動画制作が可能です。一方で SRT の直接インポート非対応 や 多言語混在時の認識低下 といった制約がありますが、外部サービス（Subbanana）や CSV 変換を組み合わせることで実質的に克服できます。
最終的な選択は以下のポイントで判断すると良いでしょう。
- シンプルさ・デザイン自由度 → InShot がベスト
- 多言語・外部字幕ファイル活用 → CapCut か InShot＋Subbanana の組み合わせが有効
- 予算・コスト → 無料で始められる InShot（基本機能）と Subbanana（無料プラン）をまず試す
これらの情報を踏まえて、ぜひご自身の動画制作フローに最適な字幕ワークフローを構築してください。