CapCutの字幕がずれる時の直し方|全体ずれ・だんだんずれる原因を実測【2026年10月】

- 字幕のずれには「全体が同じだけずれる」と「だんだんずれる」の2種類があり、原因も直し方も違います
- CapCutでは、SRTの字幕は再生ヘッドの位置から並びます。全体が同じだけずれるときは、まずこれを疑います
- 「1秒に何文字」と決めて台本から字幕を作ると、テストでは最後に4.7秒ずれました。音声の無音の場所をffmpegで調べて区切ると、ずれはなくなりました
台本からSRT(字幕のファイル)を作って、CapCutにまとめて読み込むと、字幕入れはすぐ終わります。
ところが、再生してみると字幕と声がずれていることがあります。私も、YouTubeの動画を編集していて何度もありました。
そこで今回は、テスト用のナレーションを作って、なぜずれるのか、どうすれば合うのかを数字で確かめました。
・全体が同じだけずれる → 字幕を入れた位置の問題。CapCutは再生ヘッドの位置から字幕を並べます
・だんだんずれる → 字幕の時間を台本の文字数から決めたのが原因。実際の音声の「無音」の場所で区切ると合いました
まず見分ける:ずれ方は2種類
ずれ方によって、原因がまったく違います。
| ずれ方 | よくある原因 | 直し方 |
|---|---|---|
| 最初から最後まで、同じだけずれている | 字幕を入れた位置がずれている | 字幕全体を、同じ秒数だけ動かす |
| 最初は合っているのに、後ろほどずれる | 字幕の時間を、台本の文字数から決めている | 実際の音声に合わせて、時間を作り直す |
動画の最初と最後で、ずれている秒数を見比べてみてください。同じなら前者、後ろのほうが大きいなら後者です。
原因① 全体が同じだけずれる:CapCutは再生ヘッドの位置から並べる
CapCut(デスクトップ版 9.5.0)でSRTを読み込んだとき、字幕は再生ヘッドがある位置を始まりにして並びました(2026年10月3日に確認)。
つまり、再生ヘッドが動画の3秒目にあるまま読み込むと、全部の字幕が3秒遅れて入ります。
すでにずれたSRTを、ファイルごとずらす方法
字幕ファイルのほうを、まとめて後ろにずらすこともできます。無料のffmpegで、次のように実行しました。
ffmpeg -itsoffset 1.5 -i jimaku.srt -c copy jimaku-ato.srt
1.5 の部分が、ずらす秒数です。実際に、すべての字幕の時間がちょうど1.5秒ずつ後ろにずれました。
00:00:00,000 --> 00:00:04,610 (元)
00:00:01,500 --> 00:00:06,110 (ずらしたあと)
-itsoffset -0.5 のようにマイナスを付けて前にずらそうとしたところ、最初の字幕が0秒のファイルでは、どの字幕も1つも動きませんでした。最初の字幕が1.5秒から始まるファイルでは、ちゃんと0.5秒前にずれました。
ffmpegの入れ方は、BGMの音量をそろえた記事に書いています。
原因② だんだんずれる:台本の文字数から時間を決めている
こちらが本題です。
台本から字幕を作るとき、「1秒に何文字読む」と決めて、文字数から時間を計算することがあります。私もそうしていました。
これがどれくらいずれるのか、確かめました。
試し方
- Windowsに最初から入っている読み上げ音声(Haruka)で、6行・169文字のナレーションを作った(長さは約33秒)
- ffmpegで、実際の音声の無音の場所を調べ、各行が本当に終わる時間を出した
- 「1秒に6文字」で計算した字幕の時間と比べた
結果:後ろほど、ずれが大きくなった
| 行 | 実際に読み終わる時間 | 「1秒6文字」で計算 | ずれ |
|---|---|---|---|
| 1行目 | 4.6秒 | 4.0秒 | -0.6秒 |
| 2行目 | 11.3秒 | 10.5秒 | -0.8秒 |
| 3行目 | 16.1秒 | 14.2秒 | -1.9秒 |
| 4行目 | 21.0秒 | 18.0秒 | -3.0秒 |
| 5行目 | 27.7秒 | 23.7秒 | -4.0秒 |
| 6行目 | 32.9秒 | 28.2秒 | -4.7秒 |
最初は0.6秒だったずれが、最後には4.7秒になりました。字幕が声より先に、どんどん進んでしまっています。

理由は単純で、このナレーションは1秒に約5.1文字の速さだったからです。決めた速さが少し違うだけで、ずれが積み重なっていきます。
「全体の長さで割る」方法でも、途中は最大1秒ずれた
それなら、ナレーション全体の長さ(33秒)を文字数で割って配分すればどうか、とも試しました。
これだと最後はぴったり合いましたが、途中の2行目では約1秒ずれました。句読点の数や言葉によって、行ごとの読む速さが違うためです。
直し方:音声の「無音」の場所で区切る
いちばん確実だったのは、実際の音声の、声が止まっている場所を探して、そこを字幕の区切りにする方法でした。
1. 無音の場所を調べる
ffmpegで、次のように実行します。
ffmpeg -i narration.wav -af silencedetect=noise=-35dB:d=0.7 -f null -
noise=-35dB:これより小さい音を「無音」とみなすd=0.7:0.7秒以上続いた無音だけを探す
結果に、silence_start(無音が始まった時間=声が止まった時間)と silence_end(無音が終わった時間=次の声が始まった時間)が並びます。
2. その時間を、SRTに書き写す
- 字幕の終わり=
silence_startの時間 - 次の字幕の始まり=
silence_endの時間
この方法で作ったSRTを動画に焼き込み、6行それぞれを読んでいる途中で止めて確かめたところ、6行とも、声と同じ字幕が出ていました。
はまった落とし穴:無音の長さの決め方
ここで2つ、つまずきました。
落とし穴① 短くすると、読点(、)でも区切られる
最初、d=0.3(0.3秒以上の無音)で探したら、6行のナレーションなのに、18か所も見つかりました。
測ってみると、無音の長さはこうでした。
| 場所 | 無音の長さ |
|---|---|
| 読点(、)のあと | 0.42〜0.49秒 |
| 句点(。)のあと | 0.91〜1.10秒 |
読点のあとの「間」まで拾っていたのです。0.7秒にしたら、句点のところだけが残りました。
ちょうどいい長さは、読み上げの声や話し方によって変わります。一度 d=0.3 くらいで全部出してみて、読点と句点の間の長さを見て決めるのがおすすめです。
落とし穴② 1つの字幕に2つの文があると、間で切れる
0.7秒にしても、見つかった区切りは6行に対して7か所でした(最後の無音を含む)。
1行目が「こんにちは。今日は、字幕がずれる原因を調べます。」と、2つの文になっていたからです。「こんにちは。」のあとにも、句点の長い間が入っていました。
1つの字幕に2つの文を入れるときは、その間の区切りは使わずに飛ばす必要があります。台本と見比べながら書き写すと、まちがえにくいです。
まとめ
- 字幕のずれは、「全体が同じだけ」か「だんだん」かをまず見分ける
- 全体が同じだけ → CapCutは再生ヘッドの位置から字幕を並べる。読み込む前に0秒に合わせる。ffmpegの
-itsoffsetでファイルごとずらせる(ただし、0秒始まりのファイルは前にずらせなかった) - だんだん → 文字数から時間を決めたのが原因。テストでは最後に4.7秒ずれた
- 直すには、ffmpegの silencedetect で無音の場所を調べ、そこを字幕の区切りにする
- 無音の長さは、読点の間より長く、句点の間より短く。1つの字幕に2つの文があるときは、間の区切りを飛ばす
まだ分からないこと
- 今回のナレーションは、Windowsの読み上げ音声です。人の声や、BGMが入った音声では、無音がきれいに出ないかもしれません
- CapCutの自動字幕(音声から字幕を作る機能)とは比べていません