スクロールの手を止める字幕：トップクリエイターのやり方
スクロールの手を止める字幕を支えるフォント、サイズ、フチ、タイミング。実際の数値と、それぞれが効く理由、そして動画ごとに作り直すのではなくワンクリックで同じプレミアムな仕上がりを手に入れる方法。
ただの字幕と、スクロールの手を止める字幕はまったく別物です。その差は手間の量ではありません。成果を出しているクリエイターが一度だけ決めて、あとはずっと使い回している具体的な判断の積み重ねです。
TikTok、Reels、Shorts の 9:16 クリップ向けに、レシピを丸ごと公開します。
- フォント： 太いサンセリフ体 — Anton、Montserrat Bold、Archivo Black
- サイズ： フレーム高さの 7–10%
- カラー： 白、勢いのあるコンテンツなら黄色
- フチ： 3–4px の黒のストローク、またはベタ塗りの背景シェイプ
- 1行の長さ： 2–4 words、1〜2行まで。3行は禁物
- 配置： 中央よりやや下の三分割エリア。下端 15% は避ける
- タイミング： 文単位ではなく単語単位
プレミアムな字幕とデフォルトの字幕を分けているのは、これだけです。この記事の残りは、それぞれの数値がなぜその値なのか——そしてなぜ、あなたがそれを手作業で設定する必要はまったくないのか、という話です。
プラットフォームの自動字幕がスクロールを止められない理由
TikTok も Instagram も YouTube も、無料で即座に字幕を付けてくれます。そしてそれこそが、ショート動画がどれも同じ顔に見えてしまう原因でもあります。フィードに並ぶ他の全員と同じフォント、同じ位置、同じグレーの箱。
これが本当の問題です。スクロール中の視聴者が最初に読むのは字幕であり、たいていは音を切った状態で読まれます。他のクリップと同じ見た目なら、その時点で勝負は終わっています。ありきたりな字幕は役に立たないだけでなく、「この動画は作られたのではなく、ただアップされただけだ」と積極的に告げてしまうのです。
プレミアムな字幕はその真逆に働きます。人の指を止めさせるビジュアルの署名であり、3本目の動画を見る頃には「あなたの動画だ」と認識させる目印になります。
数値の中身と、その根拠
サイズ：フレーム高さの 7–10%。 1080 × 1920 の書き出しなら、キャップハイトでおよそ 135–190px。デスクトップのモニターでは馬鹿げて大きく見えますが、スマホでは正解です。ここが圧倒的に多い失敗ポイントです。27インチの画面上、エディター内でバランスよく見えるサイズで字幕を組み、実際に見られるデバイスでは読めないものを出してしまう——これが典型です。
フチ：3–4px の黒のストローク。 これは装飾ではなく保険です。被写体は窓の前を横切りますし、空は白飛びしますし、白い壁が画面いっぱいに広がることもあります。ストロークなしの純白のテキストは、ほぼどのクリップでもどこかで破綻します。ストロークかベタ塗りの背景シェイプがあれば、自分でコントロールできない背景に対してもコントラストが保証されます。
1行の長さ：2–4 words。 ここには本物の読字研究の裏付けがあります。熟練した読み手の知覚スパン——一度の視線停留で実際に取り込めるテキスト量——は、停留点の左におよそ 3–4 文字、そして右に 14–15 letter spaces です（Rayner, Slattery & Bélanger, 2010）。2〜4語の字幕はこの窓にほぼ収まるため、1〜2回の停留で吸収されます。長い行はそうはいきません。目は行の上を何度も飛び移る必要があり、その一跳びごとに「見る」時間が「読む」時間に置き換わっていきます。
プロの字幕制作は、逆側から同じ制約にたどり着いています。Netflix の English Timed Text Style Guide は字幕を 1行 42 characters、最大2行に制限し、成人向け番組では読み速度の上限を 20 characters per second と定めています。ショート動画ではさらに厳しく絞る必要があります。視聴者は同時に、顔もカットも動く背景も見ているからです。
字幕が3行に折り返しているなら、それは長すぎます。直し方は文字を小さくすることではなく、キューあたりの語数を減らすことです。
配置：中央よりやや下の三分割エリア。 プラットフォームの UI——ユーザー名、ボタン、進行バーはすべて下部の帯に配置されます——を避けられるだけの高さがあり、かつ被写体の顔にかからないだけの低さ。デスクトップのウィンドウではなく、スマホ比率のフレームでプレビューしてください。そうしないと、公開されるまで衝突に気づけません。
フォント：生き残るのはごく一部。 動画の上に載るテキストは、予測不能で、動いていて、照明も良くない背景の上に載るテキストです。細いウェイトは明るいフレームに溶けて消えます。セリフ体はスマホでは細い線が飛びます。スクリプト体は速い展開では読めません。生き残るのは、xハイトの大きい太いジオメトリック系・グロテスク系サンセリフです。Anton、Archivo Black、Montserrat Bold、Poppins Bold、Inter Bold。
単語単位のタイミングこそがプレミアムの証
タイポグラフィが決まってしまえば、次に大きな差を生むのはタイミングの粒度です。しかもこれは、視聴者が言葉にできないまま確実に感じ取っている要素でもあります。
文単位の字幕は、テキストの塊をどんと置いてそのまま放置します。目は 0.5 秒で読み終え、あとはやることがありません。単語単位のタイミングなら、話されるのとほぼ同時に単語が現れるので、字幕は声にぴったり同期し、目は動き続けます。
いわゆる「カラオケ字幕」がこれです。実現には行単位ではなく単語ごとの開始時刻と終了時刻が必要になります。そして手作業でやるには最高に骨の折れる作業でもあります。タイムライン上で単語を1つずつ微調整し、それをキューごと、動画ごとに、延々と繰り返す。まさに自動化されるべき類の仕事です。
ワンクリックでこの外観を実現
これらを手動で設定する必要はありません。 CakeCut は、プレミアム クリエイター キャプション (単語レベルのタイミング、スクロールを停止するスタイル) をワンクリックでビデオに適用します。
プレミアムの実物
実際の CloudCap のレンダリングを2つ、振れ幅の両端から紹介します。
ハイエナジー型。黒フチに黄色は、使える中で最もコントラストの高い組み合わせです。さらにウェイトの混在——太いディスプレイ体の上に小さなスクリプト体を添える——によって、2語の字幕の中に階層が生まれます。フックやオチでスクロールを止めるための一手です。4分間のトーキングヘッド全編でこれをやると疲れます。
抑制の効いた表現で、実は2つのうち技術的に難しいのはこちらです。清潔な白い太字サンセリフ、色は無し。そしてテキストは被写体の後ろに置かれ、彼の肩が単語の手前を通り抜けます。この奥行きの手がかりによって、字幕は上に貼り付けたものではなく、シーンに合成されたものとして感じられます。しかもテキストを中央から動かさずに顔を遮らずに済みます。
どちらも、アップロードのたびに手作業で組み立てるようなものではありません。両方ともワンクリックです。
熱量に合わせたら、あとは決めるのをやめる
- 速いカットや情報量の多い背景 — ストロークではなくベタ塗りの背景シェイプを使ってください。背景が 400ms ごとに変わる状況では、フチだけでは足りません。
- 静かで真面目なコンテンツ — 攻めたアニメーション字幕はトーンとして噛み合いません。抑制もまた1つのスタイルです。
- 非ラテン文字 — フォントにそのグリフがあるか確認してください。多くのディスプレイ書体はラテン専用で、フォールバックはウェイトが合いません。
- 長い単語 — ドイツ語、フィンランド語、専門用語は 2–4 words のルールを破ります。文字を小さくするのではなく、1行あたりの語数を減らしてください。
これらはすべて、一度決めれば済む判断です。本当のコストは決めること自体ではなく、動画ごとに延々と決め直し、そのたびに少しずつ違う見た目になってしまうことにあります。
プレミアムな字幕を、ワンクリックで
CloudCap が存在するのは、まさにこの部分のためです。完成したクリップを持ち込めば、プレミアムなクリエイター字幕がワンクリックで手に入ります。単語単位のタイミングは適用済み、印象に残るスタイルも適用済み、そのまま投稿できる状態です。
用意されているスタイルは実際のプリセットで——上で紹介した2つも含まれます——20本目の動画も1本目と同じ顔になります。ここまでに書いたことは、設定も計測も再導出も必要ありません。細かく制御したくなったときは、タイミング、レイアウト、単語ごとのスタイルをすべて編集できます。字幕ボックスは本物のボックスなので、テキストが知らないうちにフレームからはみ出すこともありません。
同じクリップをより広い視聴者に届けたいときは字幕を翻訳できますし、書き出しは投稿できる字幕入り動画でも、テキストだけが必要なときの SRT、TXT、JSON といった字幕ファイルでも選べます。
CloudCap は動画エディターではありません。カット、カラーグレーディング、オーディオのミックスが必要なら、今使っているツールで続けてください。CloudCap が引き受けるのは字幕のパスです——本来ならタイムライン上で単語をドラッグして1時間を溶かし、しかも他の全員と同じ見た目に落ち着いていた、あの工程です。
出典
- Rayner, K., Slattery, T. J., & Bélanger, N. J. (2010). 眼球運動、知覚スパン、読み速度. Psychonomic Bulletin & Review, 17(6), 834–839. アルファベット表記体系の熟練した読み手の知覚スパンは、停留点の左に 3–4 文字、右に 14–15 letter spaces。同論文は平均停留時間をおよそ 205–253ms、前方サッケードを 6.2–8.9 letter spaces と報告しており、読むのが速い読み手ほどサッケードが長いことも示している。
- Netflix. English Timed Text Style Guide. 1行 42 characters、最大2行、成人向け番組では 20 characters per second までの読み速度（児童向け番組では 17）を規定している。
出典を付けていない数値についての補足：7–10% のキャップハイト、3–4px のストローク、中央よりやや下の三分割エリアへの配置は、9:16 のモバイル動画で一貫して機能してきた慣習であり、公開された標準規格ではありません。特にプラットフォームのセーフエリアは、UI の変更や字幕の長さによって動きます。各プラットフォームは最新のセーフゾーン用テンプレートを自社の広告ツールを通じて配布しており、この記事に載っているものも含めて、固定のピクセル値よりそちらが優先されます。