Making Videos Accessible: Captions, Audio Description, and More — ai-mp4.com

私は、動画のアクセシビリティに関する包括的なガイドとしてこの専門的なブログ記事を書くつもりです。

私は、動画のアクセシビリティについての考え方を変えたメールを今でも覚えています。それは、私のオンラインコースを数週間にわたってフォローしようとしていた耳の不自由な大学院生のサラからのものでした。「あなたが教えているとき、あなたの情熱が見えますが、あなたが何を言っているのか全く分かりません」と彼女は書いていました。そのメッセージは、7年前に送られ、私のカジュアルなコンテンツクリエイターからアクセシビリティの提唱者、そして最終的には大手ストリーミングプラットフォームのシニアアクセシビリティコンサルタントという現在の役割への旅を始めさせました。そこで私は200社以上の企業が彼らの動画コンテンツを数百万のユーザーにアクセシブルにする手助けをしました。

統計は厳しいものです：世界保健機関によると、世界中で15億人以上が何らかの形の聴覚障害を抱え、約2億8500万人が視覚障害を持っています。それでも、2023年にWebAIMが実施した研究によると、人気のプラットフォームの動画のうち正確なキャプションが含まれているものはわずか31％であり、音声説明を提供しているのは5％未満です。私たちは大規模なオーディエンスを置き去りにしています — 倫理的に間違っているだけでなく、ビジネス上の重大なミスでもあります。アクセシビリティを優先する企業は、視聴者のエンゲージメントが平均28％増加し、コンテンツの完了率が35％向上することを見ています。

ai-mp4.comでは、プロフェッショナルグレードのアクセシビリティツールをすべての人に提供することでこれらの数字を変えようと取り組んでいます。しかし、技術だけでは不十分です。なぜ、どのように、コンプライアントなコンテンツと本当にアクセシブルなコンテンツを分けるニュアンスを理解する必要があります。この記事は、コンテンツ制作者、法務チーム、そして最も重要なことに、障害のあるユーザー自身との1年間の経験から引き出したものです。

アクセシビリティの風景を理解する：単なるコンプライアンスを超えて

ほとんどの人が動画のアクセシビリティについて考えると、すぐに法律要件に飛びつきます — 米国障害者法、セクション508、または欧州アクセシビリティ法。そして、はい、コンプライアンスは重要です。私は、企業がアクセシブルでない動画コンテンツに対して50万ドルを超える罰金を科された3件の主要な訴訟について相談しました。しかし、法的最低限にのみ焦点を当てることは、全体像を見逃すことになりかねません。

真のアクセシビリティはユニバーサルデザインに関するもので、すべての能力を持つ人々に適したコンテンツを作成することです。私は大手大学に勤めていたとき、1,200人の学生を対象とした興味深い研究を行いました。障害のない学生の71％が、騒がしいカフェや深夜の勉強会、または英語が母国語でないときにキャプションを定期的に使用していることが分かりました。キャプションは単なる配慮ではなく、全員の体験を向上させる機能でした。

ビジネス上の理由も同様に説得力があります。Netflixが2014年から2018年の間にアクセシビリティ機能に多大な投資をしたとき、彼らは8900万人のユーザーを増加させました。この成長のすべてがアクセシビリティに直接帰属するわけではありませんが、彼らの内部調査では、より良いアクセシビリティ機能を持つ市場の方が23％高い保持率を示しました。アクセシブルなコンテンツは単により良いコンテンツです。

しかし、ほとんどの人が理解していないのは、アクセシビリティはバイナリではないということです。完全にアクセシブルでないものからゴールドスタンダードなアクセシブルなものまでのスペクトルがあり、ほとんどのコンテンツはその中間にあります。自動生成されたキャプションは無いよりはましかもしれませんが、十分ではありません。私は数千の自動キャプション動画をレビューしてきましたが、平均精度率は70〜80％程度です — これはまあまあに聞こえますが、実際には4語または5語ごとに1つが間違っていることを意味します。技術系コンテンツ、医療情報、または専門用語を含むものの場合、その精度は50％以下に落ちます。

キャプション：動画アクセシビリティの基礎

キャプションから始めましょう。なぜなら、キャプションは最も一般的なアクセシビリティ機能であり、ほとんどの人が誤解しているからです。私は数百時間をキャプションファイルのレビューに費やしてきましたが、適切なキャプションと優れたキャプションの違いは非常に大きいということが言えます。

「アクセシビリティは、最後に追加する機能ではなく、すべての人、特に障害のあるユーザーのためにコンテンツをより良くする基本的なデザイン原則です。」

最初に、用語を明確にしましょう。クローズドキャプション（オンオフが可能なもの）には、対話だけでなく、音響効果、音楽の合図、話者の識別も含まれます。それに対して、字幕は通常、話された対話のみを含み、視聴者が他の音響要素を聞こえると仮定します。アクセシビリティの目的では、クローズドキャプションが必要です。

質の高いキャプションには三つの要素が必要です：正確性、同期、完全性です。正確性とは、言葉を正しく取得することを意味し、正確にということです。95％の正確率は印象的に聞こえるかもしれませんが、1,500語の10分間のビデオでは、75の誤りがあることになります。99％以上の正確性を目指すことをお勧めします。通常は、AI生成キャプションであっても人間のレビューが必要です。

同期も同様に重要です。キャプションは音声の100ミリ秒内に表示されるべきであり、快適に読めるように適切な時間画面に留まる必要があります。一般的なルールとして、キャプションは最低1秒、最大6秒間表示されるべきであり、読む速度は1分間に160語を超えてはなりません。私は、キャプションがあまりにも早く表示されて、熟練者でさえ追いつけない動画や、音声に対して遅れすぎて無用になるものを多く見てきました。

完全性とは、すべてを含むことを意味します：対話、音響効果、音楽、話者の識別です。誰かがドアをノックしたとき、キャプションは「[ノック]」と言うべきです。ドラマティックな音楽が盛り上がるときは「[緊張感のある音楽]」または「[感動的な音楽]」と記載します。複数の人が話す場合は、誰が話しているかを特定します。これらの詳細は、何が言われているかだけでなく、シーンの完全なコンテキストと感情的トーンを理解しようとする耳の不自由な視聴者にとって非常に重要です。

ai-mp4.comでは、自動で90％を実現するAIツールを開発しましたが、その最後の10％ — 人間のレビューと洗練が、適切なものと優れたものを隔てます。私は常にクライアントに言います：人間のレビューのために予算を立ててください。質にこだわるなら、選択肢ではありません。

音声説明：言葉で絵を描く

キャプションが動画アクセシビリティの基礎であるなら、音声説明はしばしば見落とされがちな二つ目の柱です。音声説明は、視覚に障害のある視聴者のために視覚的要素をナレーションしますが、ここで私は最も混乱が多く、実装における大きなギャップを見ています。

トレーニングセッションで使用するシナリオがあります：重要なドキュメンタリーのシーンを想像してみてください。そこで、主題の表情が自信満々から不安なものに変わる瞬間があります。視覚がある視聴者はその変化をすぐにキャッチし、その重要性を理解します。視覚障害のある視聴者は対話を聞きますが、視覚的なストーリーテリングを見逃します。そこで音声説明が必要になります：「彼女は紙をちら見し、微笑みが消え、眉がひそめられる。」

良い音声説明はアートです。あなたは対話と音の自然なポーズの間で作業し、編集したり解釈したりせずに起こっていることを説明します。「彼女は心配そうに見える」とは言ってはいけません — それは解釈です。「彼女の微笑みが消え、眉がひそめられる」と言うべきです — それは説明です。視聴者は自分自身で結論を引き出します。

私は、短いポーズに驚くべき量の情報を詰め込むプロの音声説明者と仕事をしてきました。重要なのは優先順位です：ストーリーを理解するために不可欠な視覚情報は何ですか？料理ビデオでは、加えられる材料、示される料理技術、そして料理の最終的な外観を説明する必要があります。背景のすべての器具やシェフのエプロンの色を説明する必要はありません。内容に関連していない限り。

技術的要件も重要です。音声説明は、メインの音声と音量が一致するクリアで中立的な声で録音されるべきです。また、視聴者が有効にできる別の音声トラックとして提供されるべきであり、組み込むのではなく、単独で視聴可能であるべきです。