CapCut自動字幕の日本語精度は何%？2026年最新の使い方と修正術

CapCutの自動字幕（自動キャプション）は、日本語でも「ざっくり8割前後」は正しく文字起こしできる水準にあります。ただしこれは「静かな環境で、はっきり話した場合」の話です。固有名詞・専門用語・早口・BGMかぶりが入ると体感精度は一気に落ち、修正作業が編集時間の大半を占めることも珍しくありません。さらに2024〜2025年のアップデート以降、無料版の自動キャプションには回数制限がかかるようになり、「無料で無制限に使える」という古い情報のまま始めるとつまずきます。

この記事では、CapCut自動字幕の日本語精度の実態、スマホ・PC・Web版それぞれの操作手順、無料版とProの違い、精度を底上げする収録テクニック、修正を最速で終わらせるワークフロー、Vrew・Premiere Pro・YouTube自動字幕との比較、そして見落とされがちな商用利用規約のリスクまでを、顔出しなしYouTube副業の実践目線で解説します。「精度○%」というきれいな数字の一般論ではなく、実際に日本語ショート動画を量産する際に何が起きるか、を軸にまとめました。

CapCut自動字幕の日本語精度は実際どのくらいか【結論】

結論から言うと、CapCutの自動字幕の日本語認識精度は、公称・レビュー記事ベースでは「70〜90%程度」と幅を持って語られています。実際に使った体感でも、次のような条件分岐で考えるのが正確です。

• 好条件（静かな室内・単独ナレーション・普通の話速）: 8〜9割は正しく出る。修正は誤変換の置換と改行調整が中心
• 中条件（多少の生活音・やや早口・話し言葉多め）: 7割前後。文の切れ目がずれ始め、助詞の欠落や同音異義語の誤変換が増える
• 悪条件（BGMかぶり・複数人の会話・専門用語連発）: 5〜6割以下。ゼロから打ち直した方が速いケースもある

ここで大事な独自視点をひとつ。ネット上でよく見る「CapCutの字幕精度は95%」という類の数字は、英語圏のベンチマークや好条件の測定値がそのまま流通しているだけで、日本語にはそのまま当てはまりません。日本語は英語と違い単語の区切り（分かち書き）がなく、同音異義語が極端に多い言語です。「きかい」が「機会/機械/器械」のどれになるかは文脈依存で、AIが外すと視聴者に一瞬で違和感を与えます。つまり日本語では「単語単位の認識率」が高くても、「そのまま公開できる字幕として使える率」はワンランク下がる、と見積もっておくのが実務的です。

もうひとつ、精度を語るときに見落とされがちなのが「文字起こしの正確さ」と「字幕としての読みやすさ」は別問題という点です。CapCutは音声を正しく聞き取れても、1行が長すぎたり、文節の途中で改行されたりします。ショート動画では1画面に表示できる文字数が限られるため、認識精度が仮に9割でも「改行・分割の手直し」は必ず発生します。自動字幕は「完成品を出す機能」ではなく「下書きを秒で作る機能」と捉えるのが、期待値として正しい位置です。

それでも自動字幕を使う価値は十分あります。10分の動画を手打ちでテロップ入れすれば数時間かかるところ、自動キャプションなら生成自体は数十秒〜数分、修正込みでも大幅な時短になります。字幕そのものの効果については顔出しなし動画に字幕は必要かで詳しく解説していますが、音声オフ視聴が多いショート動画では字幕の有無が視聴維持率に直結するため、「精度が完璧でないから使わない」ではなく「精度の限界を知った上で修正前提で使う」のが正解です。

自動キャプションの使い方（スマホ・PC・Web版の手順）

CapCutの自動字幕は、スマホアプリ・PC（デスクトップ）版・Web版のいずれでも使えます。基本の流れは共通で、以下の手順です。

スマホアプリ版の手順

1. CapCutを起動し「新しいプロジェクト」をタップして動画を読み込む
2. タイムラインで動画クリップを選択した状態で、下部メニューの「テキスト」をタップ
3. 「自動キャプション」を選択する
4. 音声の言語を「日本語」に設定する（自動判定に任せず必ず手動で日本語を指定する。ここを自動のままにすると、BGMや発音次第で他言語と誤判定されて精度が壊滅することがある）
5. 「サウンド」（動画の音声から起こすか、ボイスオーバーから起こすか）を選び、生成を実行
6. 数十秒〜数分待つと、音声に同期した字幕クリップがタイムラインに並ぶ
7. 生成された字幕をタップして、誤変換の修正・改行調整・スタイル設定を行う

PC（デスクトップ）版の手順

1. CapCutデスクトップ版でプロジェクトを作成し、動画をタイムラインに配置
2. 上部メニューの「テキスト」→「自動キャプション」を開く
3. 言語を「日本語」に指定し「生成」をクリック
4. 右側パネルに字幕リストが一覧表示されるので、テキストエディタのように上から順に修正していく
5. フォント・サイズ・縁取り・位置を「テキスト」設定でまとめて調整（1つ直せば全キャプションに一括反映できる）

PC版の強みは、字幕がリスト形式で一覧表示されるため修正スピードが圧倒的に速いことです。スマホ版は1つずつタップして直す必要があるため、5分を超える動画や字幕量の多い解説系は、収録はスマホでも修正はPC版で行うのがおすすめです。

翻訳字幕（バイリンガルキャプション）も生成できる

CapCutの自動キャプションには、認識したテキストを他言語へ翻訳して表示する機能もあります。日本語音声から英語字幕を併記した「バイリンガル字幕」を作れば、海外視聴者向けのショート展開も狙えます。ただし注意点が2つあります。第一に、翻訳の元になるのは自動認識された日本語テキストなので、認識段階の誤変換がそのまま誤訳に増幅されます。翻訳字幕を使うなら、日本語字幕を修正してから翻訳をかける順番が必須です。第二に、翻訳系のAI機能はPro限定または回数制限の対象になっていることが多く、無料版で常用するのは難しいのが実情です。まずは日本語字幕の運用を固めてから検討すれば十分です。

Web版という選択肢

CapCutにはブラウザで動くWeb版（capcut.com）があり、こちらでも自動キャプションが使えます。後述する無料版の回数制限との兼ね合いで、Web版の存在は覚えておく価値があります。ただしWeb版は動画のアップロード・ダウンロードに時間がかかる、機能配置がアプリ版と異なる、仕様変更が頻繁、という弱点があるため、メイン環境というより「回数制限に達したときの逃げ道」と位置づけるのが現実的です。

無料版とCapCut Proの違い・回数制限【2026年時点】

CapCutの自動キャプションは、かつては無料で実質無制限に使えましたが、現在は状況が変わっています。2023年頃から段階的に制限の報告が増え、2024〜2025年のアップデートで無料版のAI機能に明確な回数制限が適用されるようになりました。

注意点として、この回数制限の具体的な数値は公式に明文化されておらず、時期・地域・アカウントによって変動しているというのが実態です。「月2回まで」という報告が2025年時点で多く見られますが、公開データとして確定的な仕様は確認できないため、「無料版では月数回しか使えない可能性が高い」前提で計画するのが安全です。

顔出しなしYouTube副業として毎日〜週数本ペースでショートを量産するなら、無料枠では確実に足りません。選択肢は次の3つです。

1. CapCut Proに課金する: 自動キャプション無制限に加え、ノイズ除去などの音声系AIも解放される。量産フェーズに入ったら最も手間が少ない
2. Web版を併用する: アプリ版の無料枠を使い切ったらWeb版で生成する運用。ただしWeb版の仕様もいつ変わるか分からないため、恒久的な回避策とは考えない
3. 文字起こしだけ別ツールで行う: Vrewなど他の無料枠があるツールでSRT（字幕ファイル）を作り、CapCutに読み込んで装飾だけCapCutで行うハイブリッド運用

まだ収益が出ていない段階でいきなり課金する必要はありません。まず無料枠＋Web版で月数本を作って動画制作の流れ自体に慣れ、投稿頻度を上げる段階でProか他ツール併用かを判断する、という順番がリスクの小さい進め方です。

精度を上げる収録テクニック7選

自動字幕の精度は、編集段階ではなく収録段階でほぼ決まります。生成後に頑張って直すより、認識しやすい音声を録る方が総作業時間は短くなります。以下は日本語収録で効果の大きい順のチェックリストです。

• [ ] 静かな環境で録る: エアコン・PCファン・屋外の環境音は認識率を確実に下げる。クローゼットの中や布団をかぶるだけでも反響とノイズが減る
• [ ] マイクを口元に近づける: スマホ内蔵マイクで離れて録るのが最悪パターン。1,000〜3,000円のピンマイクでも認識率は目に見えて変わる
• [ ] 文末まではっきり発音する: 日本語は文末の「〜です/〜ます/〜ない」で意味が確定する。語尾が消えると助動詞の誤認識が連鎖する
• [ ] 話速を1〜2割落とす: 早口は音の境界が潰れて誤認識の温床になる。テンポは編集時の倍速・カットで後から作れる
• [ ] BGMは編集で後から乗せる: 収録時にBGMを流しながら話すと精度が大幅に落ちる。音声トラックとBGMトラックは必ず分離する
• [ ] 専門用語・固有名詞は言い換えるか、ゆっくり区切って発音する: 「アドセンス」「インプレッション」のようなカタカナ語は特に誤変換されやすい
• [ ] 台本を用意して読む: フィラー（「えーと」「あのー」）が減るだけで字幕の修正量は激減する。台本があれば誤変換箇所のコピペ修正も速い

最後の台本については効果が特に大きく、台本を先に作ってから収録するスタイルに変えるだけで、字幕修正時間が半分以下になることもあります。台本の作り方自体はショート動画の台本の書き方で型を解説しているので、字幕効率の観点からも台本ファーストの制作フローをおすすめします。

なお、うまくいかない条件も正直に書いておきます。すでに録ってしまったノイズまみれの音声・BGM入りの完パケ動画・複数人が同時に話す対談素材は、収録テクニックでは救えません。CapCutのノイズ除去（Pro機能）である程度改善することはありますが、認識精度が実用レベルまで戻る保証はなく、この場合は「自動字幕は当てにせず手打ち前提」に切り替える判断も必要です。

日本語特有の誤変換傾向と修正効率化ワークフロー

CapCutの日本語字幕を修正し続けていると、誤変換には明確なパターンがあることに気づきます。傾向を知っておくと、修正時に「どこを重点的にチェックするか」が定まり、見落としが減ります。

誤変換されやすいパターン

• 同音異義語: 「収益/集益」「維持/意地」「再生/最盛」など。文脈で判断できず頻出単語でも外す
• カタカナ語・サービス名: 「YouTube」が「ユーチューブ」「ゆーちゅーぶ」になる、「CapCut」「Vrew」「RPM」などの固有名詞はほぼ期待できない
• 数字と助数詞: 「1万回」が「一万回/1万かい」など表記ゆれを起こす。金額・回数を多用する副業系ジャンルでは要注意
• 話し言葉の縮約: 「〜しちゃって」「〜なんだけど」は認識できても、文の区切り位置がずれやすい
• 無音・小声部分の脱落: 語尾が小さくなると、そこだけ字幕が生成されず歯抜けになる

これは独自視点として強調しておきたいのですが、副業系・お金系のチャンネルは一般的なVlogより誤変換リスクが高いジャンルです。「アドセンス」「収益化」「RPM」「インプレッション単価」など、AIの学習データで頻度が低い専門用語を連発するためです。自分のチャンネルで頻出する用語の誤変換パターン（例:「アドセンス」→「アドセンス」以外に何と出るか）を一度メモしておくと、毎回の修正が「探す作業」から「置換する作業」に変わります。

修正を最速で終わらせる5ステップ

1. 生成直後にスタイルを先に確定する: フォント・縁取り・位置・サイズを最初の1個で決めて全体に適用。修正後にスタイルをいじると表示崩れの再確認が二度手間になる
2. 音声を1.5〜2倍速で流しながら字幕リストを目で追う: PC版の字幕リスト表示を使い、音と文字のズレを上から一気に洗い出す
3. 誤変換は「自分の頻出用語リスト」から優先チェック: チャンネル名・サービス名・数字まわりを先に潰す
4. 改行・分割を整える: 1画面あたり全角13〜15文字程度を目安に、文節の切れ目で改行。長い1文は字幕クリップ自体を分割する
5. 最後にスマホの実機プレビューで通し確認: PCで見て問題なくても、スマホの縦画面ではUIやセーフエリアに字幕がかかることがある。特にショートは画面下部が UI に隠れるため、字幕位置は中央〜やや下が安全

このワークフローで、5分動画の字幕仕上げは慣れれば15〜20分程度に収まります。逆に、順番を守らずスタイル調整と誤字修正を行ったり来たりすると、平気で1時間溶けます。

公開前の最終チェックは、次の項目を機械的に確認すれば漏れがありません。

• [ ] チャンネル名・サービス名・人名など固有名詞の表記が全箇所で統一されているか
• [ ] 金額・回数・年号などの数字が音声と一致しているか（誤変換の実害が最も大きい箇所）
• [ ] 字幕がスマホ縦画面のUI（いいねボタン・概要欄・シークバー）に隠れていないか
• [ ] 無音区間に前の字幕が残り続けていないか、逆に発話中に字幕が消えていないか
• [ ] NGワード・誤解を招く表現が字幕として文字で残っていないか（音声では流せても、文字は一時停止で読まれる）

最後の項目は意外と重要で、音声なら聞き流される曖昧な表現も、字幕になると一時停止してスクリーンショットを撮られ、切り取られて拡散されるリスクがあります。字幕は「音声の補助」であると同時に「文字として独立したコンテンツ」でもある、という意識で最終確認まで行いましょう。

また、毎回ゼロからスタイルを設定するのは無駄なので、字幕スタイルを含めた自分用テンプレートを作っておくと量産効率が跳ね上がります。テンプレート化の手順はショート動画テンプレートの自作方法で詳しく扱っています。

Vrew・Premiere Pro・YouTube自動字幕との精度比較

「CapCutより精度の高いツールはないのか」という疑問には、用途別に答えるのが正確です。日本語の文字起こしでよく比較される4つを整理します。

レビュー・比較記事を横断すると、認識精度単体ではPremiere Proが最も評価が高く、Vrewは改行・分割の自然さで強い、CapCutは精度は条件次第だが編集全体の手軽さで勝る、という構図が見えてきます。「CapCutはVrewより精度が高い」という声も「Vrewの方が上」という声も両方存在しており、素材の音質や話し方による揺れが大きいため、絶対的な優劣は公開データでは確定できません。

顔出しなし副業の実務としての結論はシンプルです。

• ショート中心・これから始める人: CapCut一本でいい。精度差より「1つのアプリで完結する速さ」の方が継続に効く
• 10分超の解説動画・字幕量が多い人: Vrewで文字起こし→SRT書き出し→編集ソフトで装飾、のハイブリッドが総合的に速い
• すでにAdobe契約がある人: Premiere Proの文字起こしをまず試す。追加コストゼロで高精度が手に入る
• YouTube自動字幕: 「焼き込み字幕」の代わりにはならないが、公開後にオンにしておくとアクセシビリティと検索面でプラス。CapCut字幕と併用が基本

ツールを乗り換え続けるより、1つのワークフローを固めて量を作る方が、副業としての成果は確実に早く出ます。

商用利用・規約の注意点【収益化チャンネルは必読】

自動字幕の精度と並んで、いやそれ以上に見落とされがちなのがCapCutの商用利用規約です。YouTubeで収益化している（またはする予定の）チャンネルは、広告収入が発生する時点で「商用利用」に該当し得ます。ここを知らずに運用すると、あとから動画を大量修正する羽目になります。

押さえるべきポイントは次の通りです。

• CapCutで「編集する」こと自体は問題ない: 自分で撮影・作成したオリジナル素材を、自動字幕を含む編集機能で加工して公開するのは、無料版でも一般に問題ないと解釈されています
• 危ないのは「内蔵素材」: CapCut内蔵の音楽・テンプレート・一部エフェクトには商用利用が許可されていないものが含まれる。YouTubeのContent IDで著作権警告を受けた事例も報告されている
• 2025年前後の規約変更で警戒が強まった: 規約文言の変更をきっかけに「CapCutで投稿するな」といった極端な言説も広まったが、実態は「内蔵素材のライセンスに注意」が本質。とはいえ規約は今後も変わり得るため、収益化チャンネルは定期的に利用規約の確認を
• 安全策はシンプル: BGM・効果音はYouTubeオーディオライブラリや商用利用可を明記した素材サイトから調達し、CapCutは「編集と字幕」に使う。この切り分けなら規約リスクをほぼ回避できる

自動字幕機能そのものは「自分の音声を文字にする」機能なので、内蔵素材問題とは切り離して考えられます。ただし、字幕生成とセットで使いたくなる「テキストテンプレート」「トレンドのキャプションスタイル」には商用条件が不明瞭なものが混ざるため、収益化チャンネルでは装飾は基本のフォント＋縁取りなど自前設定で組むのが無難です。なお、法人利用や広告制作の受託など本格的なビジネス利用には別途の商用ライセンス（CapCut for Businessなど）の検討が必要とされており、個人の副業チャンネルとは要求水準が異なる点も覚えておいてください。

よくある質問

CapCutの自動字幕は日本語に対応していますか？

対応しています。50以上の対応言語に日本語が含まれ、スマホ・PC・Web版いずれでも日本語の自動文字起こしが可能です。ただし生成時に言語を「日本語」へ手動指定するのが重要です。自動判定のままだと、BGMや発音の影響で別言語と誤判定され、字幕が意味不明になるトラブルが起きがちです。生成前の言語設定は毎回確認しましょう。

CapCutの自動字幕の精度は何%くらいですか？

条件次第で大きく変わり、静かな環境のナレーションなら体感8〜9割、悪条件では5〜6割以下まで落ちます。レビューでは70〜90%程度と語られることが多いですが、公式の公開ベンチマークは確認できません。日本語は同音異義語が多く、認識できても誤変換が残るため、「そのまま公開できる率」は認識率より低いと見積もり、修正前提で使うのが現実的です。

無料版で自動キャプションが使えなくなったのはなぜですか？

2024〜2025年のアップデートで、無料版のAI機能に回数制限が導入されたためです。「月2回まで」という報告が多く、毎月1日にリセットされるとされます。ただし正確な仕様は公式に明文化されておらず変動もあるため、確定情報ではありません。制限に達した場合は、Web版の利用、翌月のリセット待ち、Pro課金、他ツール併用のいずれかで対応します。

自動キャプションが生成されない・失敗するときの原因は？

主な原因は、無料版の回数制限超過、言語設定の誤り、音声トラックの音量不足、通信環境、アプリの古いバージョンの5つです。まず回数制限と言語設定を確認し、次に動画の音声が正常に再生されるか、音量が極端に小さくないかをチェックしてください。アプリの再起動・アップデート、Wi-Fi環境での再試行で解決するケースも多いです。

BGM付きの動画でも自動字幕は使えますか？

使えますが精度は確実に下がります。音声とBGMがミックス済みの動画は誤認識・脱落が増えるため、ナレーションだけの状態で字幕を生成し、BGMは編集で後から別トラックに乗せるのが正しい順番です。すでにミックス済みの素材しかない場合は、ノイズ除去を試しつつ、重要箇所は手動修正・手打ちに切り替える覚悟が必要です。

生成した字幕をSRTファイルとして書き出せますか？

デスクトップ版・Web版では字幕のエクスポートに対応する導線がありますが、プランや時期により仕様が変わりやすい部分です。確実にSRT運用をしたい場合は、文字起こし特化のVrewでSRTを書き出し、他ソフトへ読み込むハイブリッド運用が安定します。CapCut内で完結するならSRTを経由せずそのまま装飾まで行う方が速いです。

商用利用（収益化チャンネル）でCapCutの自動字幕を使って大丈夫ですか？

自分の音声を文字起こしする自動字幕機能自体は、内蔵音楽やテンプレートと違い著作権的な問題が起きにくい使い方です。注意すべきは字幕とセットで使いがちな内蔵BGM・テキストテンプレート側で、商用利用不可の素材が混ざります。収益化チャンネルでは音源を外部の商用可素材にし、字幕装飾は自前設定で組むのが安全です。規約は変更され得るため定期確認も必要です。

字幕の文字数や改行を細かくコントロールできますか？

CapCutは1行あたりの文字数を数値指定する機能が弱く、改行・分割は基本的に手動調整になります。全角13〜15文字程度を目安に文節の切れ目で改行し、長文は字幕クリップ自体を分割するのが実務的な対処です。文字数制御を重視するならVrewの方が優れており、この点はツール選びの分かれ目になります。

スマホ版とPC版で精度に違いはありますか？

音声認識エンジンは共通のため、同じ素材なら認識精度に本質的な差はないと考えてよいです。差が出るのは修正効率で、PC版は字幕がリスト表示され一括修正しやすいため、仕上がりまでの総時間はPC版が有利です。5分を超える動画や字幕量の多い解説系は、修正工程だけでもPC版で行うことをおすすめします。

まとめ

CapCutの自動字幕は、日本語でも「修正前提の下書き生成ツール」としては十分実用的です。最後に要点を整理します。

• 精度は条件依存で体感7〜9割。「95%」的な数字は日本語の実務ではそのまま信用しない
• 精度は収録段階でほぼ決まる。静かな環境・マイク・台本・BGM後乗せの4点が最優先
• 無料版は回数制限あり（月2回程度との報告）。量産期はPro・Web版・Vrew併用のいずれかを選ぶ
• 誤変換は同音異義語・カタカナ語・数字に集中する。自分の頻出用語の誤変換パターンをメモ化すると修正が速い
• 収益化チャンネルは内蔵素材の商用利用リスクに注意。CapCutは「編集と字幕」に使い、音源は外部の商用可素材で固める

自動字幕はあくまで制作フローの一部品です。台本→収録→自動字幕→修正→テンプレ適用という流れ全体を型にできれば、顔出しなしでも1本あたりの制作時間は着実に短くなります。まずは無料枠で1本、修正込みのワークフローを最後まで通してみてください。そこで感じたボトルネックが、課金やツール併用を判断する一番確かな材料になります。