画面に映る内容が抜け落ちた動画の書き起こし

コーヒー豆の店の淹れ方動画は、WCAGのレベルAAで求められることをすでに満たしています。字幕があり、プレーヤーのそばの「音声解説」ボタンで、音声解説がなく、画面の情報が伝わらない動画と同じように音声解説版に切り替えられます。プレーヤーの下には、閉じた details の中に「書き起こし」があります。店はこれを手早く、字幕ファイルから字幕一つにつき一段落で作りました。中身は「当店のハウスブレンドの淹れ方です。このくらい量ります。お湯は少し置きます。ゆっくり注いで、ここで止めます。［キッチンタイマーの音］」です。分量は映像の中にあります。はかりの数字が増えていく間に「豆15 g・お湯250 ml」のカードが、タイマーが減っていく間に「沸騰後、30秒冷ます」のカードが、最後に「3回に分けて注ぐ・3:00で止める」のカードが出ます。点字ディスプレイでページを読む盲ろうの人には、映像も、通常版と音声解説版のどちらの音声も届きません。届くのは書き起こしだけなので、書き起こしを開きます。そこには「このくらい」量るとしか書かれていません。

レベルAAAの達成基準1.2.8は、音声のある収録済みの動画すべてに、時間依存メディアの代替を求めます。時間依存メディアの代替とは、動画が話す内容と映す内容を順番どおりに伝える文書のことで、せりふ、意味のある音、場面、動作、画面の文字を含みます（達成方法G69）。字幕には聞こえる内容しか入らないため、字幕から作った書き起こしは音声の書き起こしにすぎません。W3Cはこうした書き起こしを「基本の書き起こし」と呼び、映像の情報を加えた「説明付きの書き起こし」でなければ、盲ろうの人には動画の内容を届けられないとしています。書き起こしと動画を照らし合わせる仕組みは、ブラウザーにはありません。この例では字幕が1.2.2を、音声解説版が1.2.5を満たすため、動画はレベルAAのメディアの基準を満たしていても、この基準は満たしません。

WCAGが対象から外す動画が一つあります。テキストのためのメディア代替、つまりページにすでにあるテキスト以上の情報を伝えず、そうはっきり示した動画です。その表示がないことは、失敗例F74に当たります。この例外を使い、はっきり示すのが、下の二つ目の修正方法です。

書き起こしは、検索したり、ざっと読んだり、翻訳したり、後で読み返したりするものでもあります。ページで「グラム」を検索する人や、翌朝に動画を再生し直さずにレシピを読み返す人も、同じ抜けに出会います。

10グループ中3グループに影響

• 全盲 （影響あり）
• 弱視 （影響あり）
• 色覚 （影響なし）
• ろう （影響あり）
• 難聴 （影響なし）
• 発話 （影響なし）
• 手の操作 （影響なし）
• 筋力・可動域 （影響なし）
• 認知 （影響なし）
• 光過敏 （影響なし）

• 視覚を使わない 盲ろうの人は、点字ディスプレイでページを読みます。映像も、ナレーションも、音声解説版も届かないため、残るのは書き起こしだけです。その書き起こしは「このくらい量ります」と言うだけで、分量がありません。
• 聴覚を使わない 視力も弱いろう者は、字幕と画面のカードを時間内に読み取れず、書き起こしを自分の文字サイズとペースで読みます。そこにあるのはナレーションの言葉だけで、分量は一つも書かれていません。
• 視覚が限られる 字幕や小さなカードを読めるほどは見えず、音声解説版を聞き取れるほどは聞こえない人は、書き起こしを拡大して読みます。何グラムの豆を使い、どれだけ待つのかは書かれていません。

axeの video-caption ルールは、<video> の中に字幕トラックがあるかを確かめ、この動画ではそれを見つけて合格にします。書き起こしと映像を比べるルールはありません。EaseWebの監査はすべての動画を手動確認の対象として挙げます。近くに書き起こしらしきものがあれば、映像の内容を含む場合に限りレベルAの1.2.3を満たすと示しますが、1.2.8には触れません。映像が何を加えているかは、動画を見た人にしか言えません。AIは、音声認識で言葉を、画像を理解するモデルで場面を書き出し、映像の内容を含む書き起こしの下書きを作れます。しかし「はかりで豆を量る」という下書きは正しく見えても、はかりが示す15 gが抜けているため、レシピを知っている人が動画と照らし合わせる必要があります。