テキスト字幕と画像字幕はどう違うか：PGS を MP4 にすると問題になるのはなぜか
字幕には根本の異なる二種類の作り方があります。テキスト字幕が保存しているのは行ごとの文字とそれが表示される時間で、プレーヤーはそれを受け取るとお使いのデバイスのフォントで描きます。画像字幕が保存しているのは描き上げ済みの画像の一枚一枚で（ブルーレイの PGS、DVD の字幕がこの種類にあたります）、プレーヤーはそれを画面に貼り付けるだけです。この違いが、MP4 に入れられるかどうかを決めます。MP4 の字幕トラックは文字を載せるのに適していて、画像字幕には対応する置き場所がないため、PGS を含むファイルを MP4 に変換する場合、この種類の字幕は元の形のままでは入りません。まず画像の中の文字を認識して初めてこのトラックに入れます。EncoX が取るのはこの道です。
「元ファイルには字幕があるのに、変換したら消えた」という状況には、ファイルそのものと無関係な理由もあります。ファイルが壊れたのでも、変換が失敗したのでもなく、手元のツールに画像を入れられるトラックがなかっただけ、というケースです。画像をまず文字として認識し、そのうえで字幕トラックを一本落とす作り（EncoX はこの方法を取っています）なら、空になるのではなくテキスト字幕が返ってきます。その代わり、認識を誤ることがあります。全体の判断順を先に見たい場合は、EncoX の変換後に字幕はどうなるをご覧ください。
1. テキスト字幕：保存するのは文字と時間
テキスト字幕は本質的にタイムライン付きのプレーンな文字です。持っているのは文字の内容と表示時刻だけで、文字サイズ、フォント、位置は再生する側がその場で決めます。利点はサイズが小さく、オン・オフができ、別のデバイスでレイアウトし直せることです。難点は、特殊なレイアウトに出会ったときにデバイスごと見え方が必ずしも一致しないことです。
SRT と ASS はこの種類にあたります。ローカルの素材でもっとも一般的なのがこの 2 つです。ASS は SRT よりレイアウト情報を多く伴うため、変換時にはその内容がより汎用的な形に処理され、レイアウトのパラメータをそのまま持ち込むのではありません。
テキスト字幕は「文字に時間を足したもの」で、どう表示されるかは再生する側が決めます。
2. 画像字幕：保存するのは画像の一枚一枚
画像字幕はディスクの製造段階で文字組み・縁取り・色付けまで済んでおり、最終的にファイルへ入るのは画像のフレームです。プレーヤーは文字を理解しなくてもよく、正しい時刻に対応する画像を重ねるだけでいいため、どのデバイスでも同じ見え方になります。その代償として、編集も文字サイズの変更もできず、テキスト中心のコンテナにはなかなか収まりません。
PGS はブルーレイでよく使われる画像字幕の形式で、同じ種類の作り方をするディスク字幕もこれと同じです。それらが MKV ファイルの中にあっても、コンテナに問題はありません。問題は、字幕そのものが画像であることです。
3. PGS は MP4 でなぜ問題になるのか
MP4 の字幕トラックはテキストで組まれており、一行の内容が一つの時間区間に対応します。画像字幕は画像の連なりなので、このトラックへ書き込む対応する保存方法がありません。理論上の道は三つしかありません。画像を別のトラック方式で一緒にファイルへ収める（この保存方式を受け入れられる組み合わせはごく限られています）、画像の中の文字をテキストとして認識し直す（結果が元のレイアウトと一致するはずがありません）、あるいは変換時に持たせないことです。
EncoX は二つ目の道を取ります。画像の中のセリフを文字として認識し、それをもとに字幕トラックを書き出すのです。そのため、画像字幕しかない素材でも字幕付きで出てきます。ただし、文字認識は間違えることがあり、元のレイアウトがそのまま戻るわけではありません。
画像字幕は、文字として認識されて初めて MP4 に入れます。トラックごと入らないのは、コンテナと字幕の種類が合わないためであり、変換の過程でミスが起きたのではありません。
4. 自分のファイルがどちらか確かめるには
ファイルのメディア情報にある字幕の欄を見てください。実用に立つ手がかりがいくつかあります。
- 種類が SRT、ASS のようなテキスト名の表記なら、通常はテキスト字幕です。PGS、VobSub、DVD のようなディスク名の表記なら、画像字幕です。
- 同じ MKV の中に字幕トラックが複数同時に含まれていることがあり、一本がテキスト、もう一本が画像というケースは珍しくありません。
- 言語タグが同じ二本の字幕でも、内容が同じだと限りません。一本は簡体字中国語、もう一本は繁体字中国語や別の言語の可能性があります。
音声トラックの判断順も同じです。コンテナとコーデックの違いで述べた「中身を見て拡張子を見ない」という考え方は、字幕にも当てはまります。
5. 3 つの提案
一つめは、変換前に字幕の種類を確かめることです。これが、成果物に字幕を期待できるかを決めます。二つめは、画像字幕しかない素材では、変換がまず文字を認識し、そのうえで字幕トラックを伴わせるということです。認識は間違えることがあるため、ご自身で一度目を通す価値があります。三つめは、拡張子を変えても字幕の種類は変わらないということです。画像の字幕は、名前を変えただけでテキスト字幕になるわけではありません。
6. EncoX が字幕に対して実際に行うこと
EncoX が実機サンプルで検証済みの字幕入力は SRT と ASS で、二言語および多言語のトラックを含みます。これらは変換後、テキスト字幕として出力の MP4 に残ります。ブルーレイで画像に圧縮された画像字幕（PGS）はスキャンされて文字に認識され、テキスト字幕トラックとして 1 本完成品に入れられます。認識を間違えることがあります。この一族は現時点ではブルーレイの PGS でのみ実機で動作を確認しており、DVD やセットトップボックスのたぐいは見本がないため検証済みとしては書いていません。
テキスト字幕は内容をそのまま保ちます。画像字幕は文字として認識されて初めてこのトラックに入れるため、この工程の境界は前もって伝えます。後から探してもらうことはありません。
よくある質問
元ファイルに字幕があったのに、変換後にないのはなぜですか？
たいていは画像字幕です。画像として保存されており、MP4 の字幕トラックはそのままでは載せられないため、この種の字幕はまず文字として認識される必要があります。テキスト字幕（SRT、ASS）は内容をそのまま保ちます。
画像字幕を再生に使える字幕にするにはどうすればいいですか？
ここで頼るのは認識のステップです。EncoX は画像の中の字幕の文言を文字として認識し、字幕トラックとして 1 本書き出します。結果が元のレイアウトと一致することはないので、自分で一度見直してください。見直したくないなら、テキスト字幕を伴う素材を用意するか、元ファイルのまま再生してください。
ASS 字幕はレイアウトも残りますか？
内容は残りますが、レイアウトのパラメータはそのまま持ち込まれません。ASS が SRT より多く持つフォントや位置などの情報は、出力ではより汎用的な形に処理されます。
字幕が複数あっても全部残りますか？
検証済みのサンプルでは、テキスト字幕の複数トラックは保持できます。二言語・多言語を含みます。同じファイルの中に画像字幕が混ざっている場合、それらのトラックは認識という道を取ります。
Axiom One LLC — EncoX