VTT を ASS に変換

行き先がもうウェブページではなくなったからです。縦型の SNS 動画、ミュートで見られる想定の宣伝動画、画面内の文字を差し替える必要がある翻訳版。どれも track 要素とスタイルシートでは対応できません。動画そのものの一部になる字幕、つまり見た目がファイルに書き込まれる形式が必要です。

WebVTT は配信には向いていても組版の作業には向きません。ASS は見た目そのものを扱うために作られた形式で、この変換はそこへの入り口です。

移るのはすべてのキューの本文、改行、開始と終了の時刻です。これが字幕の実質であり、それぞれ 1 つのスタイルの下で 1 行の対話として完全に届きます。

止まるのはキューの位置指定、話者として解釈されていた voice タグ、STYLE ブロック、NOTE コメント、キューの識別子です。これらは WebVTT を書いた人が意図的に入れたものなので、このページは変換を「無損失」とは呼びません。

WebVTT のタイミング行は終了時刻のあとに行番号、位置、サイズを持てますが、解析器は終了時刻までを読み、それ以降を破棄します。意図的に画面上部に置いたキャプションも、他のすべてと同じくアラインメント 2 の中央下に現れます

ASS はこの点で WebVTT よりはるかに優れていて、標準の 9 位置を示す数値グリッドや、任意の座標に配置・移動・回転できる上書きタグまで持ちます。それでも情報は開始・終了・本文だけの中間表現を通る時点で失われます。変換前に WebVTT の中の `line` の語を検索し、意図的に動かされたキューの時刻を控えておく価値があります。

WebVTT は角括弧の話者タグをキュー先頭に付けますが、ASS は行をスタイル名に、必要なら名前欄にも割り当てます。仕組みがまったく違うので対応関係はなく、本文はそのまま複写されるためタグは画面に文字として描かれます。

正しい対応は、それをスタイルにすることです。話者ごとに色の異なるスタイルを定義し、行を割り当ててタグを削除してください。

生成されるスタイルは Arial、サイズ 48、白、2 ピクセルの黒縁取り、影なし、アラインメント 2、余白 10 です。ヘッダーは ScriptType v4.00+、WrapStyle 0、ScaledBorderAndShadow yes を設定します。

SNS 向けにはフォントと縁取りから直してください。2 ピクセルの縁取りは暗い場面では読めても明るい場面では消えます。背景ボックスか太い縁取りが、日中に携帯で見る字幕を読みやすくします。

WebVTT の見た目の多くはファイルの外、ページの CSS にあります。ASS はスタイルを名前で定義し、行ごとに参照し、1 語だけ上書きもできます。ファイル自体が見た目を持つので、どのプレイヤーでも同じ結果になり、画に焼き込む作業にも向きます。

どちらのモデルも機械的に変換できず、それが何も引き継がれない正直な理由です。

WebVTT は小数点以下 3 桁、ASS は 2 桁を書くので、変換時に切り捨てられます。00:00:01.238 は 0:00:01.23 になります。誤差は最大 9 ミリ秒で、常に早まる方向です。

24fps の 5 分の 1 フレームなので、通常は目にも見えません。例外はカラオケのタイミングで、それは変換ではなく ASS 上で直接作成されるものです。

ASS の対話行にはテキストの前に 10 個のフィールドがあります。この変換が埋めるのは時刻とスタイル名（常に Default）だけで、レイヤーは 0、残りは空欄です。

その空欄が組版の出発点です。レイヤーは重なったときの前後関係を、余白の上書きはスタイルに触れずに 1 行だけ動かすのに使え、名前欄は誰の台詞かを記録する自由記入欄として Aegisub に列で表示されます。

この 2 つのファイルは異なる問いに答えるので、どちらか一方を原本にして両方を保持するのは合理的です。VTT はアクセシブルで検索可能なウェブページに、ASS は見た目そのものが伝えたい版に属します。

修正がどちらで多く起きるかで原本を決めてください。言葉の修正が多いなら VTT を原本にして ASS を作り直し、デザインの修正が多いなら ASS を保ち、ウェブ向けにプレーンな字幕を書き出してください。