はじめに
Audio Video Interleave（AVI）は、長年にわたってデジタル化プロジェクト、ビデオカメラの撮影、監視映像の保存など、多様な用途で使われ続けてきました。しかしその古さゆえの構造的な癖――特に音声と映像がうまくインターリーブされていない場合――が、自動音声認識（ASR）の精度を大きく損なうことがあります。AVIファイルをテキスト化しようとすると、同期ずれや途切れがちなタイムマーカーに悩まされることが少なくありません。再エンコードや映像自体の改変を避けながら、正確に整ったテキストを作りたい映像編集者、アーカイブ担当者、コンテンツ再利用者にとっては、とても重要な課題です。
この記事では、AVIで同期ずれが発生する理由、その診断と修正方法、そしてSkyScribeなどリンク入力やアップロードベースで使える文字起こしワークフローが、面倒なダウンロード不要で字幕の手直しも最小限にできる理由について紹介します。非破壊型の同期補正とタイムスタンプ再生成を活用すれば、扱いづらいAVIでも実用的なトランスクリプトに生まれ変わらせることが可能です。
AVIのインターリーブが引き起こす文字起こしのズレ
AVIのインターリーブ構造を理解する
AVIはチャンク形式のデータ構造を採用しており、moviリストの中に交互に並んだ映像パケット（00dc）と音声パケット（01wb）を含み、さらにidx1と呼ばれるインデックステーブルを持っています。本来は音声と映像のパケットが近接して配置され、再生や編集時に同期が保たれるのが理想です。しかしインターリーブが不適切だと、その順序が崩れ、映像パケットが大量に連続してから音声パケットがまとめて置かれる、またはその逆、といった状態になります。この場合、再生・解析アプリケーションは余分なシーク処理を強いられます。
ASRシステムがこうしたAVIを解析すると、パケットのタイミング異常によって言葉と映像の対応が誤ってしまいます。VLCやWindows Media Playerのような再生プレイヤーは微妙な同期ずれを補正して再生しますが、多くの文字起こしエンジンはきっちりとしたタイムスタンプを必要とし、補正機能は持ちません。idx1チャンクが壊れている場合、タイムスタンプの計算で端数誤差が積み重なることもあり、その詳細はMultimedia.cxのAVI解説でも触れられています。
徐々に進行する同期ずれ
特に90分以上の長尺映像では、誤差がどんどん蓄積します。編集者の報告では、90分後に5〜6フレームのズレが発生するケースもあり（Adobeフォーラムの事例）、監視カメラの録画では映像の終わりよりも長い空白音声が付いていて、実際の話し声と映像の対応が崩れることもあります。
AVIの同期ずれと文字起こしの診断方法
インデックスとチャンク順序の確認
まずidx1チャンクが存在し、正常に読めるか確認しましょう。インデックスがなかったり壊れていると、ASRツールは正確なタイムスタンプを付けられません。ヘックスエディタや修復ツールで00dcと01wbが正しく交互配置されているかを点検すると、インターリーブが不正かどうかの手掛かりが得られます。
SkyScribeはリンク入力やファイルアップロードから直接音声・映像ストリームを解析するため、ファイル丸ごとのダウンロードに依存せず、動画ダウンローダー特有の遅延や制限を回避できます。問題のあるAVIリンクを投入しても、パーサーが正確なタイムスタンプを抽出し、すぐに文字起こしへ進めます。
再生時のズレ検証
Media Player Classic-HCやVirtualDubModでは、数ミリ秒単位で音声と映像のズレを検証できます。ズレが一定なら、編集ソフトでタイミングを補正可能です。ズレが徐々に進行する場合は、リマックス（再パケット化）の方が安全です。VirtualDub開発者のブログでも、再エンコードする前にパケット順序の目視確認が有効であることが説明されています。
非破壊で行う修正：リマックスとタイムスタンプ再生成
リマックスと再インターリーブの違い
リマックスはパケットの順序を並べ替えるだけなので、再エンコードによる品質劣化がありません。再インターリーブは再圧縮が発生し、映像・音声の両方に影響を与える場合があります。監視映像など保存品質が重要でない場面ならリマックスが効率的です。一方、法的に原本を保持する必要があるアーカイブ作業では、コンテナはそのまま残しつつ、文字起こし編集内でタイムスタンプを再生成する方が好まれます。
編集ソフト内でタイムスタンプ再生成
最近の文字起こし編集ツールは、インポート後に同期の再計算が可能です。固定フレームの空きを埋めるために音声を伸縮したり、再計算したオフセットに合わせて単語ごとのタイムスタンプを付け直すことができます。自動再分割機能を組み合わせれば、会話を字幕長に区切ったり、逆に段落としてまとめることも自動で可能です。インターリーブの悪いAVIから生成されたASR出力は、文の途中で改行されたり句読点が不安定なケースが多く、この機能が役立ちます。
修正作業へのトランスクリプト編集の組み込み
タイミングの再調整と話者ラベル
タイムスタンプを直した後は、話者ラベルの整合性もチェックしましょう。ズレがあるとセグメント途中で話者が入れ替わって誤表示されることがあります。検索置換や一括処理でまとめて修正すると効率的です。SkyScribeなどのプラットフォームでは、初期解析時に話者分離を正確に行うため、後処理の負担が軽減されます。
ワンクリックで読みやすく整形
機械的な修正後でも、人間が読みやすい形に整える必要があります。SkyScribeのAI整形機能のような自動ルールを使えば、不要語の除去、句読点の正規化、大小文字の修正などが一気にでき、すぐ公開や再利用可能な形になります。特に法的文書や字幕に利用する場合、この段階での整形は欠かせません。
監視映像・ビデオカメラキャプチャの事例
監視映像
駐車場カメラでインターリーブが悪いAVIを作成した場合、文字起こしパイプラインで数秒単位の字幕の遅延が発生することがあります。映像自体を保存する必要がなければ、クリップを文字起こしツールにアップロードし、タイムスタンプを再生成、不要語を削除してからコンテナを廃棄し、テキストだけを証拠として残せば十分です。
ビデオカメラのデジタイズ映像
古いホームビデオ映像はidx1インデックスが不安定なことが多く、リマックスでパケット順序を整え、文字起こし編集で再同期すれば、再エンコードによる劣化なしで使えるインタビュー記録が得られます。口述記録やイベント映像の保存では、映像だけでなく音声内容の保持がとても重要なので、この方法は有効です。
まとめ
AVIは古さと構造上の弱点から、現代の文字起こしワークフローでは不具合が出やすいフォーマットです。インデックスチャンクの健全性確認、インターリーブ順序の理解、非破壊のタイムスタンプ再生成により、正確なトランスクリプトを効率的に復旧できます。SkyScribeのようなリンクベースツールを使えば、従来型の「ダウンロード→修正」作業の手間を省き、インターリーブに問題があっても精密な同期が得られます。監視映像でも古いビデオカメラ映像でも、話者の発言を損なわずに活用できるテキストへと変換できます。こうした手法を習得すれば、AVIの同期ずれはもはや大きな障害ではなく、信頼できる整った文字データを常に手にできるでしょう。
FAQ
1. AVIのインターリーブ不良は文字起こしにどう影響しますか？ 音声と映像チャンクのタイミングが崩れ、発話と映像がズレたタイムスタンプになります。長時間では徐々に同期ずれが進みます。
2. リマックスと再インターリーブの違いは？ リマックスはパケットを並べ替えるだけで元の品質を保てます。再インターリーブは再圧縮が伴い、映像・音声の品質低下の恐れがあります。
3. AVIを再エンコードせずに同期を直せますか？ 可能です。リンクやアップロードベースの解析なら、ストリームデータから直接タイムスタンプを再計算でき、元コンテナを変えずに修正できます。
4. なぜ文字起こし後にAVIを破棄することがあるのですか？ 監視分析などでは、トランスクリプトが唯一必要な成果物となる場合があります。将来利用の予定がなければ、大きくて不完全なAVIを残す必要はありません。
5. 最近の編集ソフトはAVIの同期ずれに強いですか？ 一部の新しいNLE（ノンリニア編集）ソフトは可変フレームレートや高度なパケット解析に対応していますが、古いAVI特有の問題は依然として残ります。文字起こし内でタイムスタンプを再生成するツールが最も確実な対策です。
