WebVTT とは?
WebVTT は、ウェブの音声や動画に関連付けられた時間指定キューを記述する W3C のテキスト形式です。.vtt ファイルには、字幕、キャプション、チャプターラベル、説明、配置情報、限定的なキュースタイルを含められます。
WebVTT の仕組み
WebVTT ファイルは、メディアタイプ text/vtt が付いた UTF-8 テキストです。文字列 WEBVTT で始まり、省略可能な領域ブロックとスタイルブロック、その後にキューブロックが続きます。各キューにはタイミング行とペイロードが含まれます。ペイロードは、トラックを利用するソフトウェアでの用途に応じて、キャプションや字幕のテキストとして描画されるか、チャプタータイトルやメタデータとして解釈されます。タイミング行のキュー設定で、文字の方向、行と位置、サイズ、配置、領域を制御します。キューテキストで使えるタグは少数に限られます。CSS は疑似要素 ::cue を通じてキューに適用され、この疑似要素では所定のプロパティのみが有効です。タイムスタンプは、ファイルに対応するメディアのタイムラインを基準に読み取られます。そのため、ある編集版に合わせてタイミングを設定したファイルは、メディアのトリミング、再生速度の引き上げ、差し替えに応じて再調整が必要です。
要点
- キューのタイミング行は、開始タイムスタンプ、文字列
-->、終了タイムスタンプで構成されます。各タイムスタンプはmm:ss.tttまたはhh:mm:ss.tttの形式で記述し、ミリ秒を表すちょうど三桁の数字の前にピリオドを置きます。パーサーがこの行を読み取れない場合、そのキューを破棄して次のブロックに進みます。したがって、タイミング行に不備があっても、除外されるのはその一つのキューだけで、ファイルの残りの処理は止まりません。 - HTML の
track要素では、ファイルのアドレスをsrc、役割をkind、言語をsrclangに指定します。kindを省略すると字幕がデフォルトになり、字幕ではsrclangが必須です。ページと異なるオリジンにあるファイルは、親のメディア要素にcrossorigin属性があり、レスポンスが CORS チェックを通過した場合にのみ読み込まれます。この属性がない場合、ブラウザーはリクエスト先をページ自体のオリジンに制限するため、トラックの読み込みに失敗します。 - WebVTT は SubRip の SRT 形式を基にしていますが、SRT ファイルは有効な WebVTT ファイルではありません。SRT には
WEBVTTシグネチャがなく、これがないと WebVTT パーサーは処理を中止します。また、SRT のタイミング行では通常、ミリ秒の前にカンマを使いますが、WebVTT ではピリオドが必要です。WebVTT から SRT への変換では、さらに多くの情報が失われます。SRT の基本的なキューは連番、タイミング行、テキストで構成され、キュー設定、領域、STYLEブロックを格納する場所は定義されていません。 - HTTP Live Streaming では、字幕を WebVTT セグメントとして配信します。RFC 8216 では、各セグメントに
X-TIMESTAMP-MAPヘッダーを含め、キューの時刻を他のレンディションの MPEG-2 タイムスタンプに対応付けることを推奨しています。このヘッダーがない場合、クライアントはキュー時刻 0 が MPEG-2 タイムスタンプ 0 に対応すると見なす必要があります。これが正しいのは、音声と動画のタイムスタンプも同じ時点から始まる場合だけです。
WebVTT が重要になる場面
HTML 動画プレーヤーは、キャプション、チャプター、時刻付きメタデータ用の WebVTT トラックを読み込めます。タイミング行を解析できないキューは除外され、許可された集合にない CSS プロパティは無視されます。そのため、ファイルを読み込めても、一部のキューが欠けたり、スタイルが適用されなかったりする場合があります。
Transloadit による WebVTT の活用支援
Transloadit の Robot /speech/transcribe は、パラメーター format が
webvtt の場合、文字起こし結果を WebVTT 字幕ファイルとして返します。Robot /video/subtitle は SRT と VTT の字幕ファイルを受け取り、動画に独立したストリームとして追加するか、映像に焼き込みます。
speaker_labels を有効にすると、json と
meta の出力にのみ話者ラベルが追加されます。Robot のドキュメントには、WebVTT 出力は変更されないと明記されています。