音声・動画のWCAG準拠

WCAG 2.2が音声と動画に求める要件

WCAGは、音声のみのコンテンツには文字起こし、動画には同期したキャプション、そして音声だけでは伝わらない映像には音声解説を求めています。

WCAG（Web Content Accessibility Guidelines）は、World Wide Web Consortium（W3C）が公開しているデジタルアクセシビリティの国際標準です。現行版のWCAG 2.2は、2023年10月にW3C勧告となりました。

WCAGは、検証可能な達成基準を3つの適合レベルで定めています。A（最低限のレベル）、AA（多くの法律や方針が目標とするレベル）、AAA（より高度なレベル）です。各バージョンは前のバージョンを土台にしているため、WCAG 2.2に適合するコンテンツはWCAG 2.1と2.0にも適合します。

音声と動画は、ガイドライン1.2「時間依存メディア」に該当します。その達成基準はWCAG 2.0から2.2まで変わっていないため、法律や契約がどのバージョンを引用していても、メディアに関する要件は同じです。以下では、W3Cの仕様に基づいて各達成基準の要件を説明します。

レベルA：適合をうたうための最低条件

1.2.1 音声のみ及び映像のみ（収録済）。 ポッドキャストのエピソードなど、収録済みの音声のみのコンテンツには、同等の情報を伝えるテキストの文字起こしが必要です。無音の製品デモなど、収録済みの映像のみのコンテンツには、テキストによる代替か、画面上の出来事を説明する音声トラックのどちらかが必要です。

1.2.2 キャプション（収録済）。 音声を含む収録済みの動画には、すべて同期したキャプションが必要です。プレーヤーの横に置いた文字起こしでは足りず、発話に合わせてタイミングを付け、セリフと意味のある音情報を伝えるキャプションでなければなりません。唯一の例外は、メディア自体がテキストの代替であり、その旨が明示されている場合です。

1.2.3 音声解説、又はメディアに対する代替（収録済）。 収録済みの動画には、音声解説トラックか、完全なメディアに対する代替のどちらかが必要です。後者は、セリフと重要な映像情報の両方を記した解説付き文字起こしのことです。レベルAでは、十分に詳しい解説付き文字起こしがあれば、それだけでこの達成基準を満たします。

レベルAA：多くの法律が求める水準

1.2.4 キャプション（ライブ）。 ウェビナーやライブ配信など、同期したメディアに含まれるライブ音声には、リアルタイムで作成するキャプションが必要です。通常はライブキャプションの担当者やCART事業者が対応します。

1.2.5 音声解説（収録済）。 レベルAAでは、映像コンテンツに対して文字起こしによる代替だけでは不十分になります。収録済みの動画には、セリフの合間に重要な映像情報をナレーションで伝える音声解説トラックが必要です。画面上で起きている意味のある出来事を音声がすでにすべて伝えている場合は、別のトラックは不要です。

レベルAAA：より高度なアクセシビリティ

レベルAAAでは、手話通訳（1.2.6）、セリフの合間が短くナレーションを入れられない場合の拡張音声解説（1.2.7）、収録済みのすべての同期したメディアに対する完全なメディア代替（1.2.8）、ライブの音声のみのコンテンツに対するリアルタイムのテキスト代替（1.2.9）が加わります。

サイト全体でAAAを目指す組織は多くありませんが、1.2.8は押さえておく価値があります。すべての動画に完全な解説付き文字起こしを添えて公開するのが理想的な形であり、AAAのメディア基準のなかで、自動化によって低コストで対応できるのはこの基準だけです。

WCAGを法的要件にする法律

WCAG自体は任意の技術標準です。法的な効力は、WCAGを参照する法律や規則から生じており、その数は増え続けています。

ADA：米国の企業と行政機関

米国障害者法（ADA）はウェブの普及以前に制定された法律ですが、米国司法省（DOJ）は以前から、デジタルコンテンツにも適用されるとの立場をとっています。2024年4月、DOJはADA Title IIに基づく規則を公表し、州・地方自治体のウェブコンテンツとモバイルアプリにWCAG 2.1 レベルAAへの適合を義務付けました。

2026年4月に公表された暫定最終規則により、適合期限は1年延長されました。人口5万人以上を管轄する公的機関は2027年4月26日まで、それより小規模な機関と特別区政府は2028年4月26日までが期限です（出典：ADA.gov）。公立大学、交通機関、市当局にとって、収録済み動画へのキャプション付与は解釈の問題ではなく、規則に明記された要件です。

Title IIIの対象となる民間企業、つまり小売店、銀行、ホテル、動画配信サービスなど公共施設のウェブサイトについては、まだ正式な技術基準がありません。それでも裁判所やDOJとの和解では一貫してWCAGが基準として示されており、デジタルアクセシビリティ訴訟は米国の裁判所で年間数千件にのぼります。そうした訴状で指摘される障壁のなかには、キャプションのない動画も含まれています。

Section 508：連邦機関とその取引先ベンダー

Rehabilitation Act（米国リハビリテーション法）のSection 508は、連邦機関に対し、情報通信技術をアクセシブルにすることを義務付けています。2018年に施行されたUS Access Boardの改訂508基準は、WCAG 2.0 レベルAAを参照により取り込んでいます（出典：access-board.gov）。これにはメディアに関する達成基準、つまり収録済み動画のキャプションとレベルAAの音声解説も含まれます。

Section 508は連邦政府に販売する請負業者やベンダーにも及ぶため、現在の調達ではアクセシビリティ適合報告書（VPATテンプレートに基づくACR）が求められるようになっています。研修動画や製品デモが連邦政府への販売に含まれる場合は、キャプションが必要です。

欧州アクセシビリティ法：執行はすでに開始

欧州アクセシビリティ法（Directive (EU) 2019/882）は2025年6月28日から適用されています。EC、銀行、視聴覚メディアサービス、電子書籍、交通サービスなど、EU域内で販売される幅広いデジタル製品・サービスが対象で、EU市場で販売するEU域外の企業にも適用されます。

要件は欧州整合規格EN 301 549に照らして評価されます。この規格は、時間依存メディアに関するものを含め、WCAGの達成基準を取り込んでいます。執行と罰則は加盟国ごとに定められるため、罰金は国によって異なります。対象サービスをEUの消費者に販売する米国企業も適用対象です。

放送と配信：FCC規則とCVAA

米国では、21世紀通信・映像アクセシビリティ法（CVAA）とFCC規則により、キャプション付きで米国のテレビで放送され、その後オンラインで配信される映像番組にはクローズドキャプションが義務付けられています。放送コンテンツをウェブで再公開する場合、キャプションの義務もそのまま引き継がれます。

このページは一般的な情報の提供を目的としたもので、法的助言ではありません。コンプライアンスに関する判断は、貴社の管轄地域と業界に詳しい弁護士にご相談ください。

文字起こしとキャプションで各要件を満たす方法

どの枠組みでも考え方は同じです。音声にはテキストによる代替、動画には同期したキャプション、意味のある映像には解説を用意します。

文字起こし

音声のみのコンテンツであれば、文字起こしだけで1.2.1を満たします。正確な文字起こしをエピソードと一緒に公開すれば、この達成基準はクリアです。セリフに加えて関連する映像情報も記した解説付き文字起こしは、レベルAの1.2.3とレベルAAAの1.2.8も満たします。Sonixの自動文字起こしは、クリアな録音であれば99%の精度で音声をテキストに変換し、公開前にエディタで映像の説明を書き加えることもできます。

キャプション

キャプションは1.2.2を満たします。この達成基準で鍵となるのは「同期」という言葉で、キャプションのテキストは音声とタイミングが合っていなければなりません。Sonixは単語単位のタイミングで自動字幕を生成し、YouTube、Vimeoをはじめ主要なプレーヤーや編集ソフトで使えるSRT、VTT、TTMLファイルを書き出せます。

分割やタイミング調整から、映像へのキャプションの焼き付けまで、制作ワークフロー全体については自動字幕・キャプションの総合ガイドと、ガイド「動画に字幕を配置する方法」をご覧ください。

SDH字幕

SDH字幕は、通常のキャプションに話者の識別、効果音、音楽の情報を加えたもので、ろう者や難聴の視聴者がサウンドトラック全体を追うために必要な情報を備えています。WCAGのキャプションの定義には発話以外の音情報も含まれるため、1.2.2を満たすうえではSDH形式で出力するほうが確実です。Sonixは話者を自動でラベル付けし、効果音などの情報はエディタで追加できます。形式、表記ルール、ワークフローについてはSDH字幕ガイドで詳しく解説しています。

音声解説

音声解説は、レベルAAでテキストだけでは完全に対応できない唯一の要件であり、Sonixは音声解説のナレーショントラックを生成しません。Sonixが提供するのは、隣接する2つの義務にいちばん早く対応する方法です。レベルAの1.2.3を満たす解説付き文字起こしと、正確な台本およびタイミング情報です。これらがあれば、声優や音声合成ツールを使った解説トラックの収録が大幅に速くなります。

WCAG 2.1または2.2のAAへの適合を目指していて、動画に映像だけで伝わる意味のある情報が含まれる場合は、キャプション作成のワークフローと並行して音声解説の制作も計画してください。

ライブキャプション

達成基準1.2.4は、ライブ配信とウェビナーに適用されます。このページで紹介しているSonixのワークフローは収録済みメディア向けのため、ライブイベントではリアルタイム字幕（CART）の事業者を手配するか、エンタープライズ向けSonixリアルタイム文字起こしについてお問い合わせください。そのうえで録画をSonixで処理すれば、オンデマンド版は正確に修正されたキャプションで1.2.2を満たせます。

コンプライアンスの鍵は精度と量

キャプションがWCAGの要件として認められるのは、音声を正確に伝えている場合だけです。しかも多くのチームは、人手によるキャプション作成の予算ではとても追いつかない量のメディアを抱えています。

確認されていない自動キャプションは、人名や専門用語、話者が重なる部分を誤認識しやすく、手動の監査で不合格になることがよくあります。人手によるキャプション作成なら精度の問題は解決しますが、コンテンツ1時間あたり$100以上かかることも多く、アーカイブ全体への対応は現実的ではありません。

以下のワークフローなら両方に対応できます。量は自動文字起こしでこなし、エディタでの人によるチェックで、監査で求められる精度を確保します。

アクセシブルなメディアが届く人々

コンプライアンスは最低ラインであって、目的そのものではありません。文字起こしとキャプションを必要とする人は、法律上の定義が示すよりもはるかに多くいます。

ろう者・難聴者

世界保健機関（WHO）の推計では、15億人を超える人が何らかの聴覚障害を抱えており、そのうち約4億3,000万人は日常生活に支障のある難聴です。2050年には25億人近くに達すると予測されています。こうした人々にとって、キャプションと文字起こしは便利な機能ではありません。それこそがコンテンツなのです。

母語が異なる視聴者

聞きながら文字を読むと、第二言語での理解が深まります。元の言語のキャプションに加えて視聴者の母語の字幕を用意すれば、1本の動画が世界で通用する資産になります。欧州アクセシビリティ法により、多言語対応は実務上の課題にもなっています。Sonixの文字起こし・字幕の翻訳は54以上の言語に対応しているため、ドイツ語の製品ページも日本語の研修ライブラリも、ひとつのワークフローでカバーできます。

音を出さずに視聴する人

2019年にVerizon MediaとPublicis Mediaが米国の消費者を対象に行った調査では、69%が公共の場では音を消して動画を視聴し、80%がキャプションがあれば動画を最後まで視聴する可能性が高まると回答しました。キャプションは、アクセシビリティだけでなく、視聴成果を高める機能でもあります。

検索エンジンとAIシステム

クローラーは音声を聞けません。文字起こしを公開すれば、メディアに含まれる製品名、質問、回答のすべてを、Googleや、ウェブの要約を担うことが増えているAIアシスタントが読み取れるようになります。その結果、文字起こしのあるページは、録音のなかで話されたロングテールのフレーズでも検索上位を狙えます。

コンプライアンスの期限を抱えるチームのために

Sonixは、スピードとコンプライアンス業務に欠かせない確認ツールを兼ね備えています。

具体的には、クリアな音声で99%の精度を実現する自動文字起こし、人によるチェックをすばやく行えるブラウザ上のエディタ、SRT・VTT・TTMLの書き出し、話者の自動ラベル付け、54以上の言語への翻訳、そして数百ファイル規模のアーカイブを片付ける一括アップロードです。大学、メディア企業、大手企業がSonixを使い、従来のキャプションサービスでは何か月もかかるキャプションの積み残しを解消しています。

セキュリティ審査にも対応しています。SonixはSOC 2 Type IIの認証を取得し、GDPRに準拠しているほか、HIPAA準拠のプランを提供し、ファイルをAES-256で暗号化しています。詳しくはセキュリティページをご覧ください。