ビデオ翻訳を使用する方法

この記事では、Microsoft Foundry ポータルの Foundry Tools で Azure Speech でビデオ翻訳を使用する方法について説明します。

ヒント

API を使用する前に、 Microsoft Foundry ポータルでビデオ翻訳をお試しください。ビデオ翻訳 REST API を使用して、ビデオ翻訳をアプリケーションに統合します。 API の詳細については、「ビデオ翻訳 REST API」を参照してください。

前提条件

Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。
サポートされているリージョンの Speech の Foundry リソース。 Speech リソースがない場合は、Azure ポータルで作成します。
Azure Blob Storage アカウント。
5 GB 未満、4 時間未満の .mp4 形式のビデオファイルが必要です。テスト目的で、microsoft が提供するサンプルビデオファイル ( https://ai.azure.com/speechassetscache/ttsvoice/VideoTranslation/PublicDoc/SampleData/es-ES-TryOutOriginal.mp4) を使用できます。
ビデオ翻訳でソース言語とターゲット言語がサポートされていることを確認します。

ビデオ翻訳を試す

ビデオ翻訳のデモを試すには、次の手順に従います。

Microsoft Foundry ポータルでモデルカタログに移動します。
カタログ検索ボックスに「Azure-AI-Speech」と入力して検索します。
Azure-AI-Speech を選択すると、Azure-AI-Speech のお試しページに移動します。
シナリオ別に音声機能を選択します>ビデオ翻訳。
右側の [サンプル] オプション で、個人用または標準の音声を選択します。
[ 再生 ] ボタンを選択すると、翻訳されたオーディオが読み上げられます。元のビデオタブを選択して、元のオーディオを再生します。

音声の種類のオプションは次のとおりです。
- 標準音声: このサービスでは、ビデオ内のスピーカーの音声を標準音声と照合することで、最適な標準音声が自動的に選択されます。
- 個人用音声: ビデオ内の話者の声と一致する個人用音声を使用します。
メモ

API 経由で個人用音声を使用するには、アクセスを申請する必要があります。

ビデオ翻訳プロジェクトを作成する

ビデオ翻訳プロジェクトを作成するには、次の手順に従います。

Microsoft Foundry ポータルでモデルカタログに移動します。
カタログ検索ボックスに「Azure-AI-Speech」と入力して検索します。
Azure-AI-Speech を選択すると、Azure-AI-Speech の試用ページが表示されます。
シナリオ別に音声機能を選択します>ビデオ翻訳。
[ 音声プレイグラウンドに移動] を選択します。
[マイビデオ]>[ビデオのアップロード]を選択します。
[ ビデオのアップロード ] ページで、 音声の種類を選択します。

音声の種類のオプションは次のとおりです。
- 標準音声: このサービスでは、ビデオ内のスピーカーの音声を標準音声と照合することで、最適な標準音声が自動的に選択されます。
- 個人用音声: ビデオ内の話者の声と一致する個人用音声を使用します。
メモ

個人用音声を使うには、アクセスの申請が必要です。
ビデオファイルをドラッグアンドドロップするか、ファイルを手動で選択して、ビデオファイルをアップロードします。ビデオは .mp4 形式で、5 GB 未満で、4 時間未満である必要があります。
[話者数]、[ビデオの言語]、[言語に翻訳] を指定します。
価格情報と行動規範を確認するボックスを選択します。
詳細設定を調整する場合は、[ 次へ: 詳細設定 ] を選択します。
必要に応じて、次の設定を調整できます。
- 辞書ファイル:このオプションを使用すると、システムが正しく認識して発音する必要があるカスタム単語またはフレーズを追加できます。 Speech Studio のオーディオコンテンツ作成ツールで辞書ファイルを作成し、ここで選択できます。
- 字幕を書き込む: このオプションを使用すると、ビデオに字幕を追加できます。字幕ファイルは、WebVTT または JSON の形式が使用できます。 [サンプル VTT ファイルのダウンロード] を選択して、参照用の サンプル WebVTT ファイルをダウンロードできます。
独自のサブタイトルファイルを使用する場合は、[サブタイトル] を選択>独自のサブタイトルをアップロードします。ソース字幕ファイルまたはターゲット字幕ファイルのアップロードを選択することができます。
- 自動字幕: ソース言語とターゲット言語の両方の字幕が表示されます。
- ソース言語の字幕をアップロードする: ソース言語とターゲット言語の両方の字幕が表示されます。
- ターゲット言語の字幕をアップロードする: ターゲット言語の字幕のみが表示されます。
を選択してを作成します。

Azure Blob Storageへのアップロードが完了したら、[プロジェクト] タブで処理状態を確認できます。

プロジェクト作成後は、そのプロジェクトを選択して詳細な設定を確認したり好みに応じて調整を行うことができます。

音声設定を確認して調整する

[ マイビデオ ] を選択すると、[ 成功] 状態のラベルが付いたビデオが表示されます。

ビデオを選択すると、[ビデオ] の [翻訳済み] タブと [オリジナル] タブが表示されます。対応するタブを選択すると、元のビデオと翻訳されたビデオを比較できます。翻訳されたビデオは自動的に生成され、再生して翻訳の品質を確認できます。

ビデオの右側には、元のスクリプトと翻訳されたスクリプトの両方を表示できます。元のスクリプトの各部分をポイントすると、ビデオが元のビデオの対応するセグメントに自動的にジャンプします。一方、翻訳されたスクリプトの各部分にカーソルを合わせると、ビデオは、それに対応する翻訳されたセグメントにジャンプします。

音声設定の調整、セグメントの追加または削除、スクリプトの時間枠の変更など、ビデオに複数の変更を加えることができます。 [ 変更の適用 ] を選択して変更を適用した後にのみ課金されます。 [ 保存] を選択すると、料金を発生させずに進行中の作業を保存できます。

"未確認" の音声名を持つセグメントが発生した場合は、特に話者の声が重複する状況で、システムが音声を正確に検出できなかった可能性があります。このような場合は、音声名を手動で変更することをお勧めします。

別の言語に翻訳する

現在の翻訳プロジェクトを保持し、元のビデオを別の言語に翻訳できます。

[ マイビデオ ] を選択し、ビデオ翻訳のタイルを選択します。
[ + 新しい言語] を選択します。
新しい [ 新しい言語に翻訳 ] ページが表示されたら、新しい翻訳言語と音声の種類を選択します。ビデオが翻訳されると、新しいプロジェクトが自動的に作成されます。

ビデオ翻訳の概要

ビデオ翻訳 REST API を使用すると、アプリケーションへのビデオ翻訳のシームレスな統合が容易になります。この API は、ビデオ翻訳のアップロード、管理、調整をサポートし、継続的な改善のために複数のイテレーションを行います。この記事では、REST API を介してビデオ翻訳を利用する方法について説明します。

前提条件

Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。
サポートされているリージョンの Speech の Foundry リソース。 Speech リソースがない場合は、Azure ポータルで作成します。
Azure Blob Storage アカウント。
5 GB 未満、4 時間未満の .mp4 形式のビデオファイルが必要です。テスト目的で、microsoft が提供するサンプルビデオファイル ( https://ai.azure.com/speechassetscache/ttsvoice/VideoTranslation/PublicDoc/SampleData/es-ES-TryOutOriginal.mp4) を使用できます。
ビデオ翻訳でソース言語とターゲット言語がサポートされていることを確認します。

ヒント

開始する前に、ビデオ翻訳の概要を参照して、ビデオ翻訳のエンドツーエンドのプロセスを理解してください。

Workflow

REST API を使用して翻訳されたビデオを取得する手順を次に示します。

翻訳を作成し、最初のイテレーションを自動作成します。 SucceededまたはFailedに達するまで、操作の状態を定期的に確認します。
翻訳されたビデオと字幕をダウンロードします。
必要に応じて、翻訳品質を向上させるために追加のイテレーションを作成します。

手順 1: 翻訳を作成し、最初のイテレーションを自動作成する

重要

autoCreateFirstIterationが true (推奨) に設定されている場合、翻訳を作成すると、最初のイテレーションで翻訳プロセスが自動的に開始されます。 REST API を介して作成された翻訳とイテレーションはポータルに同期されず、その逆も同様です。

ビデオ翻訳を作成するには、次の手順に従って HTTP PUT 要求パスと本文を作成する必要があります。

displayName指定: 翻訳の表示名。これは、翻訳を識別するのに役立つわかりやすい名前です。
descriptionを指定する: 翻訳の簡単な説明。これは省略可能ですが、ドキュメントの目的に役立ちます。
sourceLocale: 元のビデオの言語を指定します。これは、ビデオファイルで読み上げられた言語です。
targetLocale: ビデオを翻訳する言語を指定します。これは翻訳のターゲット言語です。
voiceKind指定: 翻訳に使用する音声の種類。 PlatformVoiceとPersonalVoiceを選択できます。 PlatformVoiceでは、ビデオ内のスピーカーの音声を標準音声と照合することで、最適な標準音声が自動的に選択されます。 PersonalVoice の場合、システムは、数秒で高品質の音声レプリケーションを生成するモデルを提供します。

メモ

個人用音声を使うには、アクセスの申請が必要です。
speakerCount指定: ビデオ内のスピーカーの数。これは省略可能なパラメーターであり、不明な場合は 1 に設定できます。
subtitleMaxCharCountPerSegment指定: サブタイトルセグメントごとに許可される最大文字数。これは省略可能なパラメーターであり、不明な場合は 30 に設定できます。
exportSubtitleInVideo指定: ビデオで字幕をエクスポートするかどうかを示すブール値。これは省略可能なパラメーターであり、ビデオに字幕を含める場合は true に設定できます。
autoCreateFirstIteration指定: 翻訳の作成時に最初のイテレーションを自動的に作成するかどうかを示すブール値。これは、パフォーマンスを向上させるために推奨されます。 trueに設定すると、翻訳プロセスは、個別の作成イテレーション呼び出しを必要とせずに直ちに開始されます。
firstIterationInput指定: autoCreateFirstIterationが true に設定されている場合は、最初のイテレーションの入力パラメーター (enableVideoSpeedAdjustment、subtitleFontSize、webvttFileなど) を指定できます。これは省略可能です。
videoFileUrl: 翻訳するビデオファイルの URL を指定します。ビデオは .mp4 形式で、5 GB 未満で、4 時間未満である必要があります。ビデオをAzure Blob Storageにアップロードし、BLOB URL を使用できます。テスト目的で、microsoft が提供するサンプルビデオファイル ( https://ai.azure.com/speechassetscache/ttsvoice/VideoTranslation/PublicDoc/SampleData/es-ES-TryOutOriginal.mp4) を使用できます。

認証と承認を行うには、要求に次のヘッダーとパス ID を含める必要があります。

Operation-Id ヘッダーを設定します。Operation-Idは、各イテレーションの作成など、操作ごとに一意である必要があります。 Your-Operation-Id をこの操作の一意の ID に置き換えます。
パス内の Your-Translation-Id を置き換えます。翻訳 ID は、Speech リソースのすべての翻訳で一意である必要があります。 Your-Translation-Idを、選択した翻訳 ID に置き換えます。この ID を使用して、後続の API 呼び出しで翻訳を参照します。
YourSpeechResourceKey を Speech リソースキーに置き換え、YourSpeechResourceRegion を Speech リソースリージョンに置き換えてください。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" -H "Operation-Id: Your-Operation-Id-1" -H "Content-Type: application/json" -d '{
  "displayName": "My translation object",
  "description": "My translation object for video translation iterations",
  "input": {
    "sourceLocale": "es-ES",
    "targetLocale": "en-US",
    "voiceKind": "PlatformVoice",
    "speakerCount": 1,
    "subtitleMaxCharCountPerSegment": 50,
    "exportSubtitleInVideo": false,
    "enableLipSync": false,
    "autoCreateFirstIteration": true,
    "firstIterationInput": {
      "enableOcrCorrectionFromSubtitle": true,
      "subtitleFontSize": 10
    },
    "videoFileUrl": "https://ai.azure.com/speechassetscache/ttsvoice/VideoTranslation/PublicDoc/SampleData/es-ES-TryOutOriginal.mp4"
  }
}' "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id?api-version=2026-03-01"

重要

別の設定で既存の翻訳 ID を使用しようとすると、API からエラーが返されます。翻訳 ID は、翻訳ごとに一意である必要があります。追加のイテレーションを作成することで、既存の翻訳に変更を加えることができます。

次の形式で応答本文を受け取る必要があります。

{
  "input": {
    "sourceLocale": "es-ES",
    "targetLocale": "en-US",
    "voiceKind": "PlatformVoice",
    "speakerCount": 1,
    "subtitleMaxCharCountPerSegment": 50,
    "exportSubtitleInVideo": false,
    "enableLipSync": false,
    "autoCreateFirstIteration": true,
    "firstIterationInput": {
      "enableOcrCorrectionFromSubtitle": true,
      "subtitleFontSize": 10
    }
  },
  "status": "NotStarted",
  "lastActionDateTime": "2026-02-06T19:13:35.669Z",
  "id": "Your-Translation-Id",
  "displayName": "My translation object",
  "description": "My translation object for video translation iterations",
  "createdDateTime": "2026-02-06T19:13:35.669Z",
  "expiresDateTime": "2026-03-09T19:13:35.669Z"
}

メモ

API バージョン 2026-03-01 以降では、変換にはデータ保持期間を示す expiresDateTime プロパティが含まれています。 API バージョン 2026-03-01 以降で作成された翻訳の場合、データ保持期間は 31 日です。 API バージョン 2025-05-20 以前で作成された翻訳の場合、データ保持期間は 300 日です。

指定した操作 ID を使用し、返された状態がまたはSucceededになるまで、Failed API を定期的に使用できます。この操作により、イテレーションプロセスの作成の進行状況を監視できます。 status プロパティは、 NotStarted から Runningに進み、最後に Succeeded または Failedに進む必要があります。

手順 2: 翻訳されたビデオと字幕をダウンロードする

イテレーションの状態が Succeededされたら、翻訳されたビデオと字幕をダウンロードできます。翻訳されたビデオと字幕は、反復 ID によるイテレーションの取得 API の応答本文で使用できます。

特定のイテレーションの詳細を ID で取得するには、HTTP GET 要求を使用します。 YourSpeechResourceKey を Speech リソースキーに、YourSpeechResourceRegion を Speech リソースリージョンに、Your-Translation-Id を確認する翻訳 ID に、Your-Iteration-Id を確認するイテレーション ID にそれぞれ置き換えます。

curl -v -X GET -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id/iterations/Your-Iteration-Id?api-version=2026-03-01"

次の形式で応答本文を受け取る必要があります。

{
  "input": {
    "speakerCount": 1,
    "subtitleMaxCharCountPerSegment": 30,
    "exportSubtitleInVideo": true
  },
  "result": {
    "translatedVideoFileUrl": "https://cvoiceprodeus.blob.core.windows.net/YourTranslatedVideoFileUrl",
    "sourceLocaleSubtitleWebvttFileUrl": "https://cvoiceprodeus.blob.core.windows.net/YourSourceLocaleSubtitleWebvttFileUrl",
    "targetLocaleSubtitleWebvttFileUrl": "https://cvoiceprodeus.blob.core.windows.net/YourTargetLocaleSubtitleWebvttFileUrl",
    "metadataJsonWebvttFileUrl": "https://cvoiceprodeus.blob.core.windows.net/YourMetadataJsonWebvttFileUrl",
  },
  "status": "Succeeded",
  "lastActionDateTime": "2026-02-06T19:17:06.270Z",
  "id": "Your-Iteration-Id-7",
  "createdDateTime": "2026-02-06T19:15:38.723Z"
}

結果 URL からダウンロードする

応答本文には、翻訳されたビデオと字幕をダウンロードするための次の URL が含まれています。

translatedVideoFileUrl: 翻訳されたビデオファイルの URL。この URL から翻訳されたビデオをダウンロードできます。
sourceLocaleSubtitleWebvttFileUrl: ソースロケールの WebVTT ファイルの URL。この URL から WebVTT ファイルをダウンロードできます。
targetLocaleSubtitleWebvttFileUrl: ターゲットロケールの WebVTT ファイルの URL。この URL から WebVTT ファイルをダウンロードできます。
metadataJsonWebvttFileUrl: メタデータ JSON WebVTT ファイルの URL。この URL からメタデータ JSON WebVTT ファイルをダウンロードできます。

サブタイトルファイルの形式の例を次に示します。

sourceLocaleSubtitleWebvttFileUrl

WEBVTT

00:00:00.320 --> 00:00:03.880
Microsoft ha estado 25 años comprometido con El Salvador.

00:00:03.960 --> 00:00:08.440
Microsoft es hablar de innovación y es hablar del presente y futuro del Salvador.

00:00:09.080 --> 00:00:15.840
Son 25 años y contando los que como marca Microsoft ha logrado cumplir con cada 1 de sus objetivos en El País.

00:00:16.040 --> 00:00:23.400
Nos apoyamos muchísimo en su liderazgo, en su tecnología de punta y en su innovación continua.

00:00:23.800 --> 00:00:29.760
Microsoft le permite a Nico ser parte de un ecosistema tecnológico a nivel mundial más que un aliado para nosotros,

00:00:29.760 --> 00:00:33.880
más que un socio, realmente es un amigo, un amigo estratégico,

00:00:34.840 --> 00:00:39.800
incondicional, teniendo en cuenta y como principal razón de ser nuestra misión y visión,

00:00:40.080 --> 00:00:45.400
permitiendo que los salvadoreños puedan percatarse de su potencial. 25 años de experiencia.

00:00:45.680 --> 00:00:50.480
25 años impulsando, innovando y mejorando en cada una de nuestras facetas.

00:00:50.880 --> 00:00:58.080
Nuestra misión sigue intacta, empoderar a todas las personas y organizaciones del planeta a lograr más felices.

00:00:58.080 --> 00:01:01.240
25, Microsoft felices. 25, El Salvador.

00:01:01.480 --> 00:01:05.920
Juntos seguiremos innovando y progresando un mejor bienestar con tecnología.

WEBVTT

00:00:00.320 --> 00:00:02.131
Microsoft has been committed 

00:00:02.131 --> 00:00:03.880
to El Salvador for 25 years.

00:00:03.960 --> 00:00:05.093
Microsoft represents 

00:00:05.093 --> 00:00:06.604
innovation and embodies the 

00:00:06.604 --> 00:00:07.954
present and future of El 

00:00:07.954 --> 00:00:08.440
Salvador.

00:00:09.080 --> 00:00:10.277
For 25 years and 

00:00:10.277 --> 00:00:10.910
counting,

00:00:10.910 --> 00:00:11.967
 Microsoft has 

00:00:11.967 --> 00:00:13.727
successfully met each of 

00:00:13.727 --> 00:00:15.276
its objectives in the 

00:00:15.276 --> 00:00:15.840
country.

00:00:16.040 --> 00:00:18.130
We greatly rely on their 

00:00:18.130 --> 00:00:19.050
leadership,

00:00:19.050 --> 00:00:21.141
 cutting-edge technology,

00:00:21.141 --> 00:00:23.400
 and continuous innovation.

00:00:23.800 --> 00:00:25.305
Microsoft allows Nico to 

00:00:25.305 --> 00:00:26.509
be part of a global 

00:00:26.509 --> 00:00:27.953
technological ecosystem,

00:00:27.953 --> 00:00:29.398
 more than just an ally 

00:00:29.398 --> 00:00:29.760
to us,

00:00:29.760 --> 00:00:31.089
more than a partner,

00:00:31.089 --> 00:00:32.085
 it is truly a 

00:00:32.085 --> 00:00:32.550
friend,

00:00:32.550 --> 00:00:33.880
 a strategic friend,

00:00:34.840 --> 00:00:35.741
unconditional,

00:00:35.741 --> 00:00:37.287
 considering and as the 

00:00:37.287 --> 00:00:38.576
main reason for our 

00:00:38.576 --> 00:00:39.800
mission and vision,

00:00:40.080 --> 00:00:41.278
allowing Salvadorans to 

00:00:41.278 --> 00:00:42.477
realize their potential.

00:00:42.477 --> 00:00:43.676
 25 years of experience.

00:00:43.676 --> 00:00:45.400
25 years of experience.

00:00:45.680 --> 00:00:46.916
25 years driving,

00:00:46.916 --> 00:00:47.789
 innovating,

00:00:47.789 --> 00:00:49.461
 and improving in each 

00:00:49.461 --> 00:00:50.480
of our facets.

00:00:50.880 --> 00:00:52.663
Our mission remains intact,

00:00:52.663 --> 00:00:54.314
 to empower every person 

00:00:54.314 --> 00:00:55.900
and organization on the 

00:00:55.900 --> 00:00:57.419
planet to achieve more 

00:00:57.419 --> 00:00:58.080
happiness.

00:00:58.080 --> 00:00:59.835
25, Microsoft happy.

00:00:59.835 --> 00:01:01.240
25, El Salvador.

00:01:01.480 --> 00:01:02.005
Together,

00:01:02.005 --> 00:01:03.349
 we'll keep innovating 

00:01:03.349 --> 00:01:04.810
and advancing well-being 

00:01:04.810 --> 00:01:05.920
through technology.

WEBVTT

00:00:00.320 --> 00:00:03.880
{
  "globalMetadata": {
    "speakers": {
      "Speaker0": {
        "defaultSsmlProperties": {
          "voiceName": "en-US-GuyNeural",
          "voiceKind": "PlatformVoice"
        }
      }
    }
  },
  "id": "c0dd296f-3eac-4d4d-ac35-ff3eaf655612",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Microsoft ha estado 25 años comprometido con El Salvador.",
  "translatedText": "Microsoft has been committed to El Salvador for 25 years."
}

00:00:03.960 --> 00:00:08.440
{
  "id": "3f2736ab-8675-4b00-8fd0-7d71513e54ea",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Microsoft es hablar de innovación y es hablar del presente y futuro del Salvador.",
  "translatedText": "Microsoft represents innovation and embodies the present and future of El Salvador."
}

00:00:09.080 --> 00:00:15.840
{
  "id": "de57314f-82d9-46ab-be6e-6bb3d22edde8",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Son 25 años y contando los que como marca Microsoft ha logrado cumplir con cada 1 de sus objetivos en El País.",
  "translatedText": "For 25 years and counting, Microsoft has successfully met each of its objectives in the country."
}

00:00:16.040 --> 00:00:23.400
{
  "id": "904bd2b0-a9ca-4873-891e-5ca036b8aeb6",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Nos apoyamos muchísimo en su liderazgo, en su tecnología de punta y en su innovación continua.",
  "translatedText": "We greatly rely on their leadership, cutting-edge technology, and continuous innovation."
}

00:00:23.800 --> 00:00:29.760
{
  "id": "ca75dd6b-dea3-423b-ad76-49fd9babab3f",
  "gender": "Female",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Microsoft le permite a Nico ser parte de un ecosistema tecnológico a nivel mundial más que un aliado para nosotros,",
  "translatedText": "Microsoft allows Nico to be part of a global technological ecosystem, more than just an ally to us,"
}

00:00:29.760 --> 00:00:33.880
{
  "id": "8a84e168-b09b-40ea-99ee-a95510e7a000",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "más que un socio, realmente es un amigo, un amigo estratégico,",
  "translatedText": "more than a partner, it is truly a friend, a strategic friend,"
}

00:00:34.840 --> 00:00:39.800
{
  "id": "4f5b981f-e3dd-4363-8111-41b6d3c5eca0",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "incondicional, teniendo en cuenta y como principal razón de ser nuestra misión y visión,",
  "translatedText": "unconditional, considering and as the main reason for our mission and vision,"
}

00:00:40.080 --> 00:00:45.400
{
  "id": "2cbd8228-04e1-4206-bcc1-a42f28b1e68e",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "permitiendo que los salvadoreños puedan percatarse de su potencial. 25 años de experiencia.",
  "translatedText": "allowing Salvadorans to realize their potential. 25 years of experience."
}

00:00:45.680 --> 00:00:50.480
{
  "id": "97964bc1-3ebc-4274-913f-7c61a6587597",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "25 años impulsando, innovando y mejorando en cada una de nuestras facetas.",
  "translatedText": "25 years driving, innovating, and improving in each of our facets."
}

00:00:50.880 --> 00:00:58.080
{
  "id": "df5790b9-d36e-4a04-a95e-05c45ed00100",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Nuestra misión sigue intacta, empoderar a todas las personas y organizaciones del planeta a lograr más felices.",
  "translatedText": "Our mission remains intact, to empower every person and organization on the planet to achieve more happiness."
}

00:00:58.080 --> 00:01:01.240
{
  "id": "df452fc1-7541-4283-9c3c-56a10918b3e0",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "25, Microsoft felices. 25, El Salvador.",
  "translatedText": "25, Microsoft happy. 25, El Salvador."
}

00:01:01.480 --> 00:01:05.920
{
  "id": "2145d270-6703-4eef-b836-8be9a3c42f8c",
  "gender": "Male",
  "speakerId": "Speaker0",
  "ssmlProperties": {},
  "sourceLocaleText": "Juntos seguiremos innovando y progresando un mejor bienestar con tecnología.",
  "translatedText": "Together, we'll keep innovating and advancing well-being through technology."
}

JSON プロパティを使用した WebVTT

JSON プロパティを持つ WebVTT ファイルには、翻訳プロセスに関するメタデータが含まれています。各サブタイトルセグメントには、翻訳に関する追加情報を提供するプロパティが含まれています。プロパティの内訳を次に示します。

globalMetadata: このセクションには、ビデオの発表者に関するメタデータが含まれています。 "speakers" プロパティは、各スピーカーに関する情報を含むオブジェクトです。各話者は、一意の ID ("Speaker0" など) で識別されます。 "defaultSsmlProperties" プロパティには、スピーカーの音声の既定の SSML プロパティが含まれています。
id:これは各サブタイトルセグメントの一意の識別子です。 WebVTT ファイル内のテキストの特定のセグメントを識別するのに役立ちます。
speakerId: このプロパティは、対応するサブタイトルセグメントの話者の ID を示します。 "globalMetadata" セクションで定義されているスピーカー ID と一致する必要があります。
ssmlProperties: このセクションには、話者の声に関連するプロパティが含まれています。 "voiceName" や "voiceKind" などのプロパティを含めることができます。 "voiceName" は合成に使用される音声の名前であり、"voiceKind" はプラットフォームの音声か個人の音声かを示します。
sourceLocaleText: このプロパティには、ソース言語の元のテキストが含まれています。 sourceLocaleTextのみに変更を加えた場合、更新されたsourceLocaleTextが変換され、新しい翻訳が合成に使用されます。 sourceLocaleTextとtranslatedTextの両方に変更を加えた場合、システムはsourceLocaleTextの変更を無視し、更新されたtranslatedTextを合成に使用します。
translatedText: このプロパティには、ターゲット言語の翻訳されたテキストが含まれます。翻訳されたビデオで合成されるテキストを表します。 translatedTextのみに変更を加えた場合、システムは更新された翻訳済みテキストを合成に使用します。

手順 3: 追加のイテレーションを作成する (省略可能)

翻訳の品質を向上させるために、追加のイテレーションを作成できます。このプロセスは、最初のイテレーションの作成に似ています。

最初のイテレーションを作成するときは、webvttFile パラメーターは必要ありません。ただし、2 番目のイテレーション以降は、イテレーションプロセスで webvttFile パラメーターを指定する必要があります。 webvtt ファイルをダウンロードし、必要な編集を行い、Azure Blob Storage にアップロードする必要があります。 BLOB URL を指定する必要があります。

ビデオの翻訳を開始したり、既存の翻訳のイテレーションを更新したりするには、次の手順に従って HTTP PUT 要求のパスと本文を作成する必要があります。

必要な webvttFile 入力パラメーターを指定します。 webvttFile パラメーターは、2 番目のイテレーションから始めて必要です。最新の webvtt ファイルをダウンロードし、必要な編集を行い、Azure Blob Storage にアップロードする必要があります。 BLOB URL を指定する必要があります。字幕ファイルは、WebVTT または JSON の形式が使用できます。
adjustWebvttAlignment指定: WebVTT ファイルを指定すると、既定で適切に配置されるようにセグメントオフセットと継続時間が自動的に調整されます (true)。翻訳中にセグメントのタイミングを変更しない場合は、このプロパティを false に設定します。
必要に応じて、新しいイテレーションの新しい設定 ( speakerCount、 subtitleMaxCharCountPerSegment、 exportSubtitleInVideoなど) を指定できます。

認証と承認を行うには、要求に次のヘッダーとパス ID を含める必要があります。

Operation-Id ヘッダーを設定します。Operation-Idは、各イテレーションの作成など、操作ごとに一意である必要があります。 Your-Operation-Id をこの操作の一意の ID に置き換えます。
パス内の Your-Translation-Id を置き換えます。翻訳の作成時に指定したのと同じ翻訳 ID を使用します。翻訳 ID は変更されません。
パスに新しい iterationId を指定します。反復 ID は、操作ごとに一意である必要があります。 Your-Iteration-Id-2を、選択したイテレーション ID に置き換えます。
YourSpeechResourceKey を Speech リソースキーに置き換え、YourSpeechResourceRegion を Speech リソースリージョンに置き換えてください。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" \
-H "Operation-Id: Your-Operation-Id" \
-H "Content-Type: application/json" \
-d '{
  "input": {
    "webvttFile": {
      "url": "https://YourBlobStorageUrl/YourWebVTTFile.vtt"
    }
  }
}' "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id/iterations/Your-Iteration-Id-2?api-version=2026-03-01"

次の形式で応答本文を受け取る必要があります。

{
  "input": {
    "webvttFile": {
      "url": "https://YourBlobStorageUrl/YourWebVTTFile.vtt"
    }
  },
  "status": "NotStarted",
  "lastActionDateTime": "2026-02-06T19:15:38.722Z",
  "id": "Your-Iteration-Id-2",
  "createdDateTime": "2026-02-06T19:15:38.722Z"
}

指定した操作 ID を使用し、返された状態がまたはSucceededになるまで、Failed API を定期的に使用できます。この操作により、イテレーションプロセスの作成の進行状況を監視できます。 status プロパティは、 NotStarted から Runningに進み、最後に Succeeded または Failedに進む必要があります。

操作 ID による操作の取得

操作 ID を使用して、操作の状態を確認します。操作 ID は操作ごとに一意であるため、各操作を個別に追跡できます。操作 ID は、変換が削除されるまで有効です。

翻訳の作成時に使用したのと同じ Operation-Id を指定します。この例では、 Your-Operation-Id-1 が使用されています。 Your-Operation-Id-1を好みの操作 ID に置き換えます。
YourSpeechResourceKey を Speech リソースキーに置き換え、YourSpeechResourceRegion を Speech リソースリージョンに置き換えてください。

curl -v -X GET -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/operations/Your-Operation-Id-1?api-version=2026-03-01"

次の形式で応答本文を受け取る必要があります。

{
  "id": "Your-Operation-Id-1",
  "status": "Running"
}

翻訳 ID による翻訳の削除

translationId で識別される特定の翻訳を削除します。この操作では、この翻訳に関連付けられているすべてのイテレーションも削除されます。

YourSpeechResourceKey を Speech リソースキーに、YourSpeechResourceRegion を Speech リソースリージョンに、Your-Translation-Id を削除する翻訳 ID にそれぞれ置き換えます。

メモ

API バージョン 2026-03-01 以降では、データ保持が有効になっています。 API バージョン 2026-03-01 以降で作成された翻訳の場合、データ保持期間は 31 日です。 API バージョン 2025-05-20 以前で作成された翻訳の場合、データ保持期間は 300 日です。手動で削除しない場合、サービスはこれらのアイテム保持ポリシーに従って翻訳履歴を自動的に保持します。

curl -v -X DELETE -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id?api-version=2026-03-01"

削除要求が成功した場合、応答ヘッダーには HTTP/1.1 204 No Content が含まれ明日。

REST API の操作

ビデオ翻訳には、次の REST API 操作を使用できます。

操作	方法	REST API の呼び出し
翻訳の作成	`PUT`	`/translations/{translationId}`
翻訳の一覧表示	`GET`	`/translations`
翻訳 ID による翻訳の取得	`GET`	`/translations/{translationId}`
イテレーションの作成	`PUT`	`/translations/{translationId}/iterations/{iterationId}`
イテレーションのリスト	`GET`	`/translations/{translationId}/iterations`
イテレーション ID によるイテレーションの取得	`GET`	`/translations/{translationId}/iterations/{iterationId}`
操作 ID による操作の取得	`GET`	`/operations/{operationId}`
翻訳 ID による翻訳の削除	`DELETE`	`/translations/{translationId}`

コードサンプルについては、GitHub を参照してください。

このセクションでは、前に詳しく説明していない他のビデオ翻訳 API 呼び出しの例を示します。

翻訳の一覧表示

リソースアカウントでアップロードおよび処理されたすべてのビデオ翻訳を一覧表示するには、次の例に示すように HTTP GET 要求を行います。 YourSpeechResourceKey を Speech リソースキーに置き換え、YourSpeechResourceRegion を Speech リソースリージョンに置き換えてください。

curl -v -X GET -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations?api-version=2026-03-01"

翻訳 ID による翻訳の取得

この操作は、一意の translationId によって識別される、特定の翻訳に関する詳細情報を取得します。 YourSpeechResourceKey を Speech リソースキーに、YourSpeechResourceRegion を Speech リソースリージョンに、Your-Translation-Id を確認する翻訳 ID にそれぞれ置き換えます。

curl -v -X GET -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id?api-version=2026-03-01"

イテレーションのリスト

特定の翻訳のすべてのイテレーションを一覧表示します。この要求では、詳細情報なしですべてのイテレーションが一覧表示されます。 YourSpeechResourceKey を Speech リソースキーに、YourSpeechResourceRegion を Speech リソースリージョンに、Your-Translation-Id を確認する翻訳 ID にそれぞれ置き換えます。

curl -v -X GET -H "Ocp-Apim-Subscription-Key: YourSpeechResourceKey" "https://YourSpeechResourceRegion.api.cognitive.microsoft.com/videotranslation/translations/Your-Translation-Id/iterations?api-version=2026-03-01"

HTTP 状態コード

このセクションでは、ビデオ翻訳 REST API の HTTP 応答コードとメッセージの詳細について説明します。

HTTP 200 OK

HTTP 200 OK は、要求が成功したことを示します。

HTTP 204 エラー

HTTP 204 エラーは、要求は成功したが、リソースが存在しないことを示します。次に例を示します。

存在しない翻訳を取得または削除しようとしました。
翻訳が正常に削除されました。

HTTP 400 エラー

400 エラーが発生する可能性のある例を次に示します。

指定したソースまたはターゲットロケールは、サポートされているロケールに含まれていません。
F0 Speech リソースを使おうとしたが、リージョンでサポートされている Speech リソースの価格レベルが Standard のみである。

HTTP 500 エラー

HTTP 500 内部サーバーエラーは、要求が失敗したことを示します。エラーメッセージは応答本文に含まれています。

ビデオ翻訳の概要

この記事では、Speech Studio の Foundry Tools でAzure Speech でビデオ翻訳を使用する方法について説明します。

前提条件

Azure サブスクリプション。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。
サポートされているリージョンの Speech リソース。 Speech リソースがない場合は、Azure ポータルで作成します。
Azure Blob Storage アカウント。
5 GB 未満、4 時間未満の .mp4 形式のビデオファイルが必要です。テスト目的で、microsoft が提供するサンプルビデオファイル ( https://ai.azure.com/speechassetscache/ttsvoice/VideoTranslation/PublicDoc/SampleData/es-ES-TryOutOriginal.mp4) を使用できます。
ビデオ翻訳でソース言語とターゲット言語がサポートされていることを確認します。

ビデオ翻訳プロジェクトを作成する

ビデオ翻訳プロジェクトを作成するには、次の手順に従います。

Speech Studio にサインインします。
使用するサブスクリプションと Speech リソースを選択します。
[ビデオ翻訳] を選択します。
[プロジェクトの作成と管理] ページで、[プロジェクトの作成] を選択します。
[ 新しいプロジェクト ] ページで、 音声の種類を選択します。

音声の種類のオプションは次のとおりです。
- 標準音声: このサービスでは、ビデオ内のスピーカーの音声を標準音声と照合することで、最適な標準音声が自動的に選択されます。
- 個人用音声: ビデオ内の話者の声と一致する個人用音声を使用します。
メモ

個人用音声を使うには、アクセスの申請が必要です。
ビデオファイルをドラッグアンドドロップするか、ファイルを手動で選択して、ビデオファイルをアップロードします。ビデオは .mp4 形式で、5 GB 未満で、4 時間未満である必要があります。
[プロジェクト名]、[発表者数]、[ビデオの言語]、[言語に翻訳] を指定します。
価格情報と行動規範を確認するボックスを選択します。
詳細設定を調整する場合は、[ 次へ: 詳細設定 ] を選択します。
必要に応じて、次の設定を調整できます。
- 辞書ファイル:このオプションを使用すると、システムが正しく認識して発音する必要があるカスタム単語またはフレーズを追加できます。 Speech Studio のオーディオコンテンツ作成ツールで辞書ファイルを作成し、ここで選択できます。
- 字幕を書き込む: このオプションを使用すると、ビデオに字幕を追加できます。字幕ファイルは、WebVTT または JSON の形式が使用できます。 [サンプル VTT ファイルのダウンロード] を選択して、参照用の サンプル WebVTT ファイルをダウンロードできます。
独自のサブタイトルファイルを使用する場合は、[サブタイトル] を選択>独自のサブタイトルをアップロードします。ソース字幕ファイルまたはターゲット字幕ファイルのアップロードを選択することができます。
- 自動字幕: ソース言語とターゲット言語の両方の字幕が表示されます。
- ソース言語の字幕をアップロードする: ソース言語とターゲット言語の両方の字幕が表示されます。
- ターゲット言語の字幕をアップロードする: ターゲット言語の字幕のみが表示されます。
を選択してを作成します。

Azure Blob Storageへのアップロードが完了したら、[プロジェクト] タブで処理状態を確認できます。

プロジェクト作成後は、そのプロジェクトを選択して詳細な設定を確認したり好みに応じて調整を行うことができます。

音声設定を確認して調整する

プロジェクトの詳細ページで、[ビデオ] の下に [翻訳済み] タブと [元のタブ] タブが表示されます。対応するタブを選択すると、元のビデオと翻訳されたビデオを比較できます。翻訳されたビデオは自動的に生成され、再生して翻訳の品質を確認できます。

ビデオの右側には、元のスクリプトと翻訳されたスクリプトの両方を表示できます。元のスクリプトの各部分をポイントすると、ビデオが元のビデオの対応するセグメントに自動的にジャンプします。一方、翻訳されたスクリプトの各部分にカーソルを合わせると、ビデオは、それに対応する翻訳されたセグメントにジャンプします。

必要に応じてセグメントを追加または削除することもできます。セグメントを追加する場合は、新しいセグメントのタイムスタンプが前のセグメントと次のセグメントと重複していないことを確認し、セグメントの終了時刻が開始時刻よりも大きい値である必要があります。タイムスタンプの正しい形式は hh:mm:ss.ms です。それ以外の場合は、変更を適用できません。

ビデオの下にあるオーディオ波形を使用して、スクリプトの時間枠を直接調整できます。 [ 変更の適用] を選択すると、調整が適用されます。

"未確認" の音声名を持つセグメントが発生した場合は、特に話者の声が重複する状況で、システムが音声を正確に検出できなかった可能性があります。このような場合は、音声名を手動で変更することをお勧めします。

音声を調整する場合は、[音声設定] を選択して変更を加えます。 [音声設定] ページでは、音声の種類、性別、音声を調整できます。 [音声] の右側にある音声サンプルを選択して、音声の選択を決定します。音声が見つからない場合は、[スピーカーの追加] を選択して新しい音声名を追加できます。設定を変更した後、[更新] を選択します。

音声設定の調整、セグメントの追加または削除、スクリプトの時間枠の変更など、ビデオに複数の変更を加えることができます。 [ 変更の適用 ] を選択して変更を適用した後にのみ課金されます。 [ 保存] を選択すると、料金を発生させずに進行中の作業を保存できます。

別の言語に翻訳する

現在の翻訳プロジェクトを保持し、元のビデオを別の言語に翻訳できます。

プロジェクトを開きます。
[ + 新しい言語] を選択します。
表示される新しい翻訳ページで、翻訳された新しい言語と音声の種類を選択します。ビデオが翻訳されると、新しいプロジェクトが自動的に作成されます。

ビデオ翻訳の概要

次の方法で共有

前提条件

ビデオ翻訳を試す

ビデオ翻訳プロジェクトを作成する

音声設定を確認して調整する

別の言語に翻訳する

関連するコンテンツ

前提条件

Workflow

手順 1: 翻訳を作成し、最初のイテレーションを自動作成する

手順 2: 翻訳されたビデオと字幕をダウンロードする

結果 URL からダウンロードする

JSON プロパティを使用した WebVTT

手順 3: 追加のイテレーションを作成する (省略可能)

操作 ID による操作の取得

翻訳 ID による翻訳の削除

REST API の操作

翻訳の一覧表示

翻訳 ID による翻訳の取得

イテレーションのリスト

HTTP 状態コード

HTTP 200 OK

HTTP 204 エラー

HTTP 400 エラー

HTTP 500 エラー

関連するコンテンツ

前提条件

ビデオ翻訳プロジェクトを作成する

音声設定を確認して調整する

別の言語に翻訳する

関連するコンテンツ

フィードバック

その他のリソース