動画を他の言語に。話す人それぞれが、自分の声のままで。
動画をアップロードするだけ。Dub が字幕を作って翻訳し、画面に映る一人ひとりに新しい言語での声を与えます。話し始めるタイミングも元のままです。
ステータス: このエンジンは現在、一般向け吹き替えサービスで本番稼働しています。これをもとにした国際版 API の Castix Dub は開発中です。
字幕を数分で
言語ごとに適切な長さと読む速さで、正確な字幕を。
話者ごとに別の声
Dub が誰が話しているかを聞き分け、一人ひとりに合った声を割り当てます。
どのセリフもタイミングどおり
各セリフは元のセリフと同じ時点で始まるので、40 分目も 1 分目と同じようにぴったりです。
本人の声も、同意があれば
オプションで話者本人の声を残せます。録音による本人の許可がある場合のみです。
こんな方に: 放送局、配信サービス、講座制作者、複数の国に向けて動画を届ける企業。
お使いの言語で聞いてみる
元のクリップと、このページの言語に吹き替えたもの。出力は無編集です。
デモの音声は Microsoft Edge の無料読み上げ音声です（再販ライセンスなし）。本番ではライセンス済みの音声を使います。翻訳はレビュー工程で人が書いたものです。音楽はこのデモ用に生成しました。
3 つの購入方法
レンタル
お選びいただいたリージョンで当社が運用します。月額制で、サポート付きです。
自社サーバーで運用
年間ライセンスで、自社の施設やクラウドに導入できます。動画が社内ネットワークの外に出ることはありません。
ソースコードを所有
ドキュメント付きの全ソースコードを買い取り、開発したエンジニアから直接引き継ぎを受けられます。
技術的な詳細
エンジニアの方へ：何をどこまで行うのか、どう作られているのか、実測した数値、そして他社との比較。
主な機能
文字起こし、字幕、翻訳、吹き替えを行い、話者ごとに声を割り当て、元のタイミングに配置します。音声クローンは記録された同意がある場合に限ります。
文字起こし
単語ごとのタイミング付きで音声をテキスト化。字幕、検索、コンプライアンスにそのまま使えます。
字幕
SRT、WebVTT、ASS、または映像への焼き付け。1 行 42 文字、2 行まで、毎秒 17 文字のルールに沿って作成します。
翻訳
音声化の前に字幕や台本を翻訳。アラビア語など右から左に書く言語にも対応します。
話者の識別
何人が話しているか、誰が何を言ったかを判別し、性別と声の高さから一人ひとりに声を選びます。
タイミング固定の吹き替え
各セリフを元の絶対時刻に配置します。話す速さは最大 1.35× まで速めるのみで、遅くはしません。収まらない箇所はレポートします。
クリーンな仕上げ
セリフの下では元の音声を下げ、ミックスは 2 パスでラウドネスを正規化。映像ストリームは再エンコードせずにそのままコピーします。
同意に基づく声のクローン
オプションで、録音による同意を得たうえで話者本人の声をクローンできます。クローンはジョブ完了後に削除します。
ロードマップ：リップシンク、用語集、吹き替えの声の追加。文字起こしの精度は、Common Voice での測定が終わるたびに言語ごとに公開します。
仕組み
文字起こし
音声がタイミング付きテキストになります。
話者の特定
声をクラスタリングし、各話者に担当の声を割り当てます。
翻訳
セリフを翻訳し、タイミングと照合します。
音声化
各セリフを音声化し、元の時刻に配置します。
仕上げ
ダッキング、ラウドネス、多重化を行い、字幕を書き出します。
数値と測定方法
このサイトの数値はすべて再現可能なテストに基づいています。目標値の場合はその旨を明記しています。
測定方法Common Voice 17 テストセット、50 クリップ、CPU ベースラインモデル。その他の言語は測定中です。
測定方法12 文、合成音声の往復テスト。クリーンな音声での最良値であり、雑音の多い録音での性能を約束するものではありません。
測定方法セリフの下に音楽が流れる実際の音声を、背景音を除去したうえで判定。
測定方法2 パスのラウドネス正規化、出力で測定。
仕様
| 言語 | 文字起こしは 38 言語。吹き替えの声は英語、アラビア語、トルコ語、ペルシア語、ドイツ語、フランス語、スペイン語、ロシア語、中国語 |
|---|---|
| 字幕形式 | SRT、WebVTT、TTML (IMSC1)、SCC、JSON、焼き付け |
| 行のルール | 言語ごとに Netflix Timed Text Style Guides に準拠（例：英語は 42 文字、毎秒 20 文字） |
| タイミング | 絶対位置に配置。圧縮のみで最大 1.35×。はみ出しはレポート |
| ミックス | セリフ間は 0.3、発話中は 0.05 にダッキング、150 ms フェード。2 パスで −16 LUFS にラウドネス正規化 |
| ジョブの上限 | 1 ジョブあたり吹き替えは最大 20 分、文字起こしは最大 2 時間 |
| 声のクローン | オプトイン、録音による同意、話者の音声 10 s 以上、使用後に削除 |
| リップシンク | ロードマップ |
他社との比較
| 機能 | Castix Dub | ElevenLabs | Rask.ai | HeyGen | Deepdub | Dubverse | Speechify |
|---|---|---|---|---|---|---|---|
| 文字起こし | あり | あり | あり | あり | あり | あり | 未確認 |
| 言語別エラー率の公開 | あり | なし | 未確認 | 未確認 | 一部 | 未確認 | 未確認 |
| SRT、VTT、ASS、焼き付け | あり | 未確認 | 一部 | 一部 | 未確認 | 一部 | 未確認 |
| 複数話者の吹き替え | あり | あり | あり | あり | あり | 未確認 | 未確認 |
| タイミング固定の配置 | あり | 一部 | 未確認 | 未確認 | 一部 | 未確認 | 未確認 |
| 同意を条件とする音声クローン | あり | 一部 | 一部 | 一部 | 一部 | 一部 | 一部 |
| リップシンク | ロードマップ | 未確認 | 一部 | あり | 一部 | 未確認 | 未確認 |
| オンプレミス | あり | なし | なし | なし | 未確認 | なし | なし |
競合情報は 2026 年 11 月 6 日に各社の公式ページで確認しました。リンクは調査ノートに記載しています。「未確認」は確認できなかったことを意味します。
ライセンスと価格モデル
価格は利用量と導入形態によって異なります。2 営業日以内にお見積もりします。
分単位・工程単位
文字起こし · 字幕 · 翻訳 · 吹き替え必要な工程の分だけお支払いください。
分数パック
月額利用量が安定しているチーム向け。
タイトル単位パッケージ
エピソードまたは長編放送納品向けの固定価格。審査を含みます。
プライベート導入
年間、GPU ノード単位音声をパブリッククラウドに送れない放送局や機関向け。
導入検討時によくある質問
文字起こしの精度は？
当社の CPU ベースラインモデルで、Common Voice の英語 50 クリップにおける単語誤り率は 12.9% です。本番用エンジンではさらに良くなります。各言語の結果は、テストが完了するたびに方法とあわせて公開します。
吹き替えがずれることは？
各セリフは元の開始時刻に配置され、引き伸ばすことはありません。1.35× でも収まらないセリフはジョブレポートに表示されるので、編集者が短くできます。
何人の話者に対応できますか？
話者の人数を検出し、一人ひとりに声を割り当てます。話者数を指定した場合、実際の録音 72 本でのラベル付け精度は 91% でした。
司会者の声をクローンできますか？
司会者本人の録音による同意がある場合に限ります。クローンはそのジョブにのみ使用し、終了後に削除します。
書き出せる字幕形式は？
SRT、WebVTT、TTML、SCC、JSON、または映像への焼き付けです。
リップシンクはありますか？
まだありません。ロードマップにあり、測定するまでは対応をうたいません。
非公開の環境で運用できますか？
はい。プライベート導入ライセンスで、自社の GPU サーバー上で運用できます。