JSONからSRTへの変換ツール

JSONからSRTへの変換ツールとは？

OpenAI Whisper、AWS Transcribe、Google Cloud Speech-to-Text などの音声認識サービスは、完成した字幕ではなくJSONファイルを出力することがよくあります。JSONには時刻、単語、文、候補、話者情報が含まれる場合があります。このツールはその構造を読み取り、開始時刻・終了時刻・テキストを抽出して、標準的なSubRip形式のSRTファイルを生成します。

JSONをSRTに変換する仕組み

生のJSONは、そのままYouTubeにアップロードしたり、Adobe Premiere、DaVinci Resolve、Final Cut Proに安定して読み込ませたりすることはできません。まず「番号、開始時刻、終了時刻、表示テキスト」という字幕トラックの形に整える必要があります。このツールはその処理を自動で行います。

• JSONをアップロード: Whisper、AWS、Google、または類似の音声認識システムの文字起こしファイルを選択します。
• スキーマを判定: セグメント、単語配列、開始/終了時刻、テキストフィールド、任意の話者フィールドを探します。
• SRTを書き出し: 検出したセグメントを並べ替え、番号を振り、標準的な.srtファイルとして保存します。

例：JSON入力からSRT出力へ

単純なミニ変換ツールではなく、実際のAPI構造を具体的に示しています。自分のJSONが似た構造かどうか、そしてなぜ有効なSRTにできるのかを確認できます。

Whisper JSONをSRTへ

Whisperの出力には、多くの場合 segments 配列があります。各要素には通常 start、end、text があり、SRTブロックへ自然に変換できます。

{
  "segments": [
    { "start": 0.00, "end": 2.40, "text": "動画へようこそ。" },
    { "start": 2.40, "end": 5.10, "text": "今日はワークフローを紹介します。" }
  ]
}

1
00:00:00,000 --> 00:00:02,400
動画へようこそ。

2
00:00:02,400 --> 00:00:05,100
今日はワークフローを紹介します。

AWS Transcribe JSONをSRTへ

AWS Transcribeは、単語と句読点を results.items に分けて返すことがよくあります。このツールはそれらの単語データを読みやすい字幕ブロックにまとめ、話者ラベルがあれば保持できます。

{
  "results": {
    "items": [
      { "type": "pronunciation", "start_time": "0.00", "end_time": "0.55", "alternatives": [{ "content": "こんにちは" }], "speaker_label": "spk_0" },
      { "type": "pronunciation", "start_time": "0.56", "end_time": "1.10", "alternatives": [{ "content": "Maik" }], "speaker_label": "spk_0" },
      { "type": "punctuation", "alternatives": [{ "content": "。" }] }
    ]
  }
}

1
00:00:00,000 --> 00:00:01,100
spk_0: こんにちは Maik。

Google Speech-to-Text JSONをSRTへ

Google Speech-to-Textでは、単語が results[].alternatives[].words[] に入っていることが一般的です。開始時刻と終了時刻は 1.200s のように、s付きの秒数で表されることがあります。

{
  "results": [
    {
      "alternatives": [
        {
          "words": [
            { "startTime": "0s", "endTime": "0.700s", "word": "これは", "speakerTag": 1 },
            { "startTime": "0.700s", "endTime": "1.400s", "word": "動きます", "speakerTag": 1 }
          ]
        }
      ]
    }
  ]
}

1
00:00:00,000 --> 00:00:01,400
Speaker 1: これは動きます

対応フィールドと自動スキーマ検出

JSONは字幕フォーマットではなくデータ形式です。そのため、文字起こしサービスごとにフィールド名が異なります。この変換ツールはよく使われるキー名を確認し、Whisper、AWS、Googleの形式と完全に一致しない場合でも、入れ子配列を探索できます。

SRTファイルでの話者ラベル

多くの文字起こしサービスでは、話者情報が speaker、speaker_label、speakerTag などのフィールドで渡されます。「話者ラベルを含める」を有効にすると、その情報を字幕本文の先頭に書き込みます。

SRTには話者専用の技術的なフィールドがありません。そのため実務では、話者名をテキストの接頭辞として保存します。インタビュー、ポッドキャスト、会議、講義、サポート録画で便利です。

1
00:00:00,000 --> 00:00:02,200
Speaker 1: それでは始めましょう。

2
00:00:02,300 --> 00:00:04,800
Speaker 2: お招きいただきありがとうございます。

プロバイダー別の一般的なJSON構造

次の表は、このツールが明示的に認識する構造を示します。さらに、開始時刻・終了時刻・テキストを持つ汎用配列も自動検出します。

JSONデータは安全ですか？

はい。変換はJavaScriptによりブラウザ内でローカル実行されます。JSONファイルがサーバーにアップロードされることはありません。文字起こしには社内会議、顧客素材、未公開スクリプト、未公開動画が含まれることが多いため重要です。

JSON自動検出の限界

このツールが字幕セグメントを作成できるのは、JSON内に利用可能な時間情報がある場合だけです。開始時刻と終了時刻のないテキストだけのJSONは、SRTに必要なタイムスタンプがないため正確に変換できません。その場合はTXTからSRTへの変換ツールを使うか、Studioで後から同期してください。