「字幕が声より3分の1秒ほど遅れています」というコメントを残した視聴者は、いまだかつて存在しません。誰も気づいていないからではありません。気づきが、言葉になる手前の層で起きているからです。読むことと聞くことは同時に届くはずのものです。字幕の行が、それを話した声よりひと拍遅れて現れるとき、あるいは次の行が早く飛び込んできて、前振りがまだ話されているうちにオチを読んでしまうとき、そのずれは観察ではなく感覚として記録されます。動画はどこか素人っぽく、どこか疲れる、どこか変に見える — そして視聴者はその理由を説明できません。字幕は、ほとんどの人の視聴方法の一部に静かになりました。公共の場では消音で、第二言語で、騒がしい台所で、あるいは単なる習慣で。つまり字幕のタイミングはもはやアクセシビリティ対応の気配りではありません。動画そのもののリズムの一部であり、リズムこそ、視聴者が名前を付けずに感じ取るものなのです。
タイミングがたいてい少し狂っている理由は、それがたいてい推測だからです。字幕を作る標準的な方法は文字起こしです。ソフトウェアが完成した音声を聞き、どんな言葉が話されたらしいかを割り出し、次に各単語がいつ始まりいつ終わったらしいかを割り出します。どちらの工程も推論であり、後者は聞こえよりずっと難しい。話し言葉は整った小包では届きません。互いに溶け合い、語尾は消え入り、隣の単語と子音を分け合います。息継ぎが区切りとして読まれることもあれば、背景の物音が区切りをにじませることもあり、なまりやくぐもった音節は、単語がどこで始まったかについての機械の見立てをずらします。言葉そのものはたいてい正しく出てきます。タイムスタンプは「もっともらしく」出てきますが、それは正しいこととは別物です。各行はおおよそあるべき場所に着地します。ただし前後に1秒の何分の一かの誤差付きで、しかも行ごとに誤差が違う。動画全体で平均すれば問題なく見えます。行ごとに見れば、まさにその揺らぎこそが、あの名付けようのない「何か変」という感覚を生むのです。
しかし、文字起こしという方法が何を前提にしているかに目を向けてください。音声こそ唯一の真実の源であり、テキストはそこから再構築されねばならない、という前提です。テレプロンプターで撮影したのなら、この前提は逆立ちしています。テキストはテイクの前から存在していました。あなたが書いたのですから。何が話されたかを推測する必要はどこにもありません。そして、もうひとつ目立たない帰結があります。Talk2Camera では音声フォローが有効なあいだ、台本はあなたの実際の声を追いかけてスクロールします。つまりアプリは、台本のどこにあなたが到達したかを、その瞬間ごとに知っているのです。字幕のタイミングは、この知識からほとんどただで転がり出てきます。各行は、読んでいる最中に台本のどこへ実際に到達したかから — あとで波形から再構築するのではなく、起きているその場で記録された読みそのものから — 時間を割り当てられます。音声フォローなしで録られたテイクでは、アプリは代わりにタイミングを推定し、そのことを率直に伝えます。推定は、推定と明記されているかぎり誠実なものです。
この仕組みを包む実務の部分は、意図的に地味です。動画が仕上がったら、Talk2Camera は字幕を映像に焼き込みます — テキストが画の一部でなければならないプラットフォームやフィード向けに。あるいは、視聴者が切り替えられる別トラックとしての字幕を好むプラットフォーム向けに、.srt ファイルを書き出します。スタイルの設定はテキストの見た目を受け持ち、行ごとのタイミングはいつ現れるかを受け持ちます。そしてすべての行はエディタで調整可能なままです。ここに誠実な但し書きの住所があります。推定された行がずれていたら、あるいは自慢の間合いの上に字幕をもうひと呼吸だけ残したかったら、動かせばいい。「自動だから」という主張の裏に施錠されたものは何もありません。自動化は得意な九割何分かを引き受け、最後のわずかな調整はあなたのものです。それが人間とタイミングエンジンとの正しい分業です。
このすべてを容赦のないものに変える字幕スタイルがひとつあり、それはいままさに至るところで見かけるものです。行全体が表示され、話される瞬間に単語がひとつずつ光る、単語ごとのハイライトです。Talk2Camera はこれをスタイルのひとつとして備えており、なぜこれが賭け金を釣り上げるのかは理解しておく価値があります。ふつうの字幕行は寛容です。行全体に対して何分の一秒か早い遅いは、揺らぎにすぎません。しかし間違った単語を光らせるハイライトは揺らぎではありません。毎秒2回、視聴者の目が駐まっているまさにその場所で、目に見えて間違っているのです。カラオケは、跳ねるボールがどこにあるべきかを全員に正確に教え込みました。推測されたタイミングこそ、多くの動画でこのスタイルがぎこちなく感じられる理由であり、台本の中で実際にいた場所から取ったタイミングこそ、このスタイルをそもそも成立させるものです。報酬は、どのスタイルでも同じで、目に見えません。字幕のタイミングを褒める人は誰もいないでしょう。人々はただ長く見て、より多くを理解し、小さくしつこい引っかかりの不在こそが機能だったとは最後まで気づかない — 欠けたときにだけ気づかれる、最良の種類の機能だったとは。