Apple、字幕のない動画に字幕を自動生成する機能を発表

Appleは2026年5月19日、Apple Intelligence(Appleが自社製品に組み込むAI機能群の総称)を活用したアクセシビリティ機能群をプレビュー発表した。

その一つが「生成字幕」と呼べる機能で、キャプションや字幕が付いていない動画に対し、話し言葉の書き起こしを自動的に表示する。

対象になるのは、iPhoneで撮影した動画、友人や家族から受け取った動画、オンラインでストリーミング視聴する動画だという。

字幕はオンデバイス音声認識(音声データを外部のサーバーに送らず、端末の中だけで文字に変換する処理方式)によって生成され、iPhone、iPad、Mac、Apple TV、Apple Vision Proで自動的に表示される。表示のされ方は、動画再生メニューまたは設定アプリでカスタマイズできる。Appleはこの機能を含む一連のアップデートを2026年後半に提供する予定としているが、具体的な提供日は明らかにしていない。

普段、字幕付きの動画に慣れている人ほど見落としやすいが、Appleは今回の発表で、ろう・難聴者向けのキャプション対応は普及が進んでいる一方、個人が撮った動画や友人・家族から共有された動画には話し言葉の字幕がほとんど付いていない現状があると説明している。スマートフォンで撮って送るだけの動画には、字幕を付ける工程が挟まれない。今回の機能はその抜け落ちていた領域を埋める設計だとわかる。

この「端末の中だけで処理する」という設計は、対象がプライベートな個人動画である点と噛み合う。友人や家族から届いた動画の音声をクラウドの外部サーバーへ送らずに済むぶん、手元を離れにくい設計になっているといえる。

この設計思想を離れて、機能そのものの用途を考えると、もう一つ見えてくる論点がある。生成字幕は、今まさに再生している動画に書き起こしを重ねて表示する視聴補助であり、出力は話し言葉をそのまま文字にしたものにとどまる。発表文の中でも、字幕テキストを保存したり別の形式で書き出したりする使い方には触れられていない。

一方で、会議やヒアリングの記録は「見ている最中に理解を助ける」だけでは足りず、あとから内容を検索したり、決定事項だけを拾い直したりする作業が必要になる。動画に字幕を重ねる仕組みと、録音を後から要約に変える仕組みは、同じ「音声を文字にする」技術を使っていても目的が違う。後から中身を思い出すために記録を残したい場面では、メモリスのようなAIボイスメモの領分になる。録音を渡すと、AIが文字起こしと要約を行い、数分後に内容が届く。

Appleの生成字幕は視聴中の理解を助ける機能であり、会議やアイデアの記録を後から扱いやすい形に変える機能とは役割が異なる。両者を混同せず、動画を見る場面と、記録を残して後で使う場面とで、使う道具を分けて考えるのが実務上は妥当だろう。

Apple Newsroom: Apple unveils new accessibility features and updates with Apple Intelligence