エンハンストキャプション

はじめに

エンハンストキャプションは Brightcove AI スイートの一部で、オーディオキューと話者帰属の 2 つの機能を追加することで、既存のキャプション機能を強化します。

オーディオキューは、キャプションに非音声のサウンド表示（例：[music]、[applause]）を自動的に挿入します。

話者帰属は、キャプション内で誰が話しているかを識別してラベル付けします。

管理設定

話者帰属とオーディオキューのデフォルトは管理モジュールで設定します。

管理モジュールを開き、Captions and Audio を選択します。
General Caption Settings セクションで、Speaker diarization ドロップダウンからデフォルトの話者帰属モードを選択します。
- No diarization - 話者の切り替えを表示しません。
- Hyphen（デフォルト）- ハイフン（-）で話者の切り替えを示します。
- Speaker labels - [Speaker 1] などの汎用ラベルを追加します。
- Speaker names - [Sarah] などの検出された名前を追加します。
Only show speaker labels when the speaker changes トグルを使用して、話者ラベルと話者名を表示する場所を制御します。
- オン - 話者が切り替わったときにのみラベルを表示します（ハイフンと同じ動作）。
- オフ - すべてのキャプションブロックにラベルを表示します。
Include non-speech audio cues (e.g., [music], [laughter]) トグルを使用して、オーディオキューをオンまたはオフにします。
変更は自動的に保存されます。

Speaker diarization ドロップダウンで選択したモードは、アップロードプロセスからだけでなく、パイプラインの一部として（たとえば、メタデータやトランスクリプトを生成するときなど）キャプションが自動的に生成される場合のデフォルトとして使用されます。動画の動画の詳細ページまたは一括操作からキャプションを生成する場合は、特定のモードを選択してこのデフォルトを上書きできます。

デフォルトを選択する際は、必要となる編集レビューの量を考慮してください。Hyphen は群を抜いてレビューが最も少なくて済むモードです。Speaker labels と Speaker names は、話者分離が常に完全ではないため、ある程度のレビューが必要になる場合があります。システムが誤った話者を割り当てて誤ったラベルを付けることがあり、特に話者が多い動画や話者が頻繁に重なる動画では顕著です。

オーディオキュー

有効にすると、オーディオキューは生成されたキャプションに自動的に含まれます。追加の操作は不要です。キャプションを生成または再生成すると、オーディオキューは自動的に表示されます。

オーディオキューの例：[music]、[applause]、[laughter]。

話者帰属

話者帰属は、誰が話しているかを示すラベルを追加します。デフォルトのモードは管理モジュールの Speaker diarization 設定で選択します。話者分離を有効にすると、次の 3 つのモードがあります。

ハイフン（デフォルト）

話者の切り替えを示すためにハイフン（-）が使用されます。

汎用名

形式：[Speaker 1]、[Speaker 2] など。デフォルトでは、これらのラベルはすべての話者切り替えまたはキャプションブロックの前に表示されます。Only show speaker labels when the speaker changes 設定がオンの場合は、話者が切り替わったときにのみ表示されます。

実際の名前

形式：[Sarah]、[Dylan] など。システムはオーディオまたは動画のコンテキストから話者名を検出して自動的に割り当てます。名前を検出できない場合は、汎用名形式（例：[Speaker 1]）にフォールバックします。汎用名と同様に、Only show speaker labels when the speaker changes がオンの場合を除き、ラベルはすべてのキャプションブロックに表示されます。

話者帰属モード
モード	形式	表示タイミング	名前の決定方法
話者分離なし	該当なし	表示されない	該当なし
ハイフン（デフォルト）	`-`	同じキャプションブロック内で話者が変わる場合のみ	該当なし
汎用名	`[Speaker 1]`、`[Speaker 2]`	すべてのキャプションブロック、または Only show speaker labels when the speaker changes がオンの場合は話者の切り替え時のみ	自動採番
実際の名前	`[Sarah]`、`[Dylan]`	すべてのキャプションブロック、または Only show speaker labels when the speaker changes がオンの場合は話者の切り替え時のみ	コンテキストから AI 検出。検出できない場合は汎用にフォールバック

動画単位の生成

動画の詳細ページから 1 本の動画について、オーディオキューおよび/または話者帰属付きのキャプションを生成します。

メディアモジュールで動画を開き、言語セクションを探します。
対象言語のキャプションを生成し、話者帰属スタイルを選択します。管理でオーディオキューおよび/または話者帰属が有効な場合、生成されたキャプションに適用されます。
処理が完了すると、キャプションには選択したスタイルに応じてオーディオキューと話者帰属が含まれます。必要に応じて確認して公開します。

一括生成

メディアモジュールから複数の動画をまとめてエンハンストキャプション付きのキャプションを生成します。

メディアモジュールで、処理する動画を選択します。
...メニューをクリックし、キャプションとオーディオを選択します。
ダイアログでキャプションと話者帰属のオプションを設定し、対象言語を選択して生成をクリックし、処理を開始します。
処理が完了すると、キャプションは各動画の動画の詳細ページの言語セクションに表示されます。必要に応じて確認して公開します。

キャプションの編集

オーディオキューと話者帰属を含むキャプションは、キャプションエディタで編集できます。現在、話者名を変更するには、1 行ずつ編集する必要があります。

トラックを編集するには、言語セクションでトラック横の Edit text track 鉛筆アイコンをクリックします。
テキストエディタで直接変更を加え、下書きを保存します。
オーディオキューまたは話者名の角括弧は削除しないでください。システムはこれらの括弧で異なるキャプション要素の種類を区別しています。削除すると機能が正常に動作しなくなります。

API アクセス

エンハンストキャプションは、Dynamic Ingest API でオートキャプションをリクエストする際に利用できます。リクエスト形式、認証、標準のリクエストボディフィールドについては、Requesting Auto Captions を参照してください。

以下の表は、エンハンストキャプション（話者帰属とオーディオキュー）用の追加リクエストボディフィールドを示しています。

エンハンストキャプションの追加フィールド
Field	Type	Required	Description
`diarization_mode`	string	no	生成されたキャプションで話者帰属をどのように表示するかを指定します。指定可能な値： `hyphen` — ハイフン（`-`）で話者の切り替えを示します。同じキャプションブロック内で話者が切り替わった場合にのみ表示されます。 `speaker_labels` — `[Speaker 1]`、`[Speaker 2]` などの汎用ラベルが、話者の切り替えまたはキャプションブロックの前に表示されます。 `speaker_names` — オーディオまたは動画コンテキストから実際の話者名（例：`[Sarah]`、`[Dylan]`）の検出を試みます。検出できない場合は汎用形式（例：`[Speaker 1]`）にフォールバックします。
`enable_audio_tags`	boolean	no	`true` の場合、`[music]`、`[applause]`、`[laughter]` などの非音声の音声インジケータ（オーディオキュー）が生成されたキャプションに挿入されます。

よくある質問

エンハンストキャプションを有効にするにはどうすればよいですか？
管理モジュールで Speaker diarization モードを選択するか、Include non-speech audio cues をオンにします。
既存のキャプションでエンハンストキャプションを使えますか？
エンハンストキャプションは新規に生成されたキャプションに適用されます。既存のキャプションに機能を適用するには、再生成する必要があります。
AI が話者名を検出できない場合はどうなりますか？
汎用形式（例：[Speaker 1]）にフォールバックします。
生成後に話者名を編集できますか？
はい。ただし現在は 1 行ずつ変更する必要があります。今後の UI 更新で一括の名前変更が可能になる予定です。