JP2006238147A - コンテンツ再生装置、字幕再生方法及びプログラム - Google Patents

Abstract

【課題】記録媒体上のコンテンツデータを再生すると同時に、現在再生されているコンテンツデータに対応する所望の言語の字幕を容易に再生・表示することができ、ランダムアクセスに適したコンテンツ再生装置を提供する。
【解決手段】コンテンツデータを記憶する記録媒体からコンテンツデータを再生する場合、再生されるコンテンツデータの時間区間毎に、記録媒体から、あるいはネットワークを介して、当該時間区間内に再生すべき字幕テキストを含む構造化文書記述言語で記述された分割字幕ＸＭＬデータを取得し、この取得された分割字幕ＸＭＬデータに基づき、コンテンツデータの時間区間内の各字幕テキストを再生する。
【選択図】 図１

Description

本発明は、記録媒体上のコンテンツデータに対応する字幕データの再生方法及びそれを用いたコンテンツ再生装置に関する。

現行のＤＶＤのビデオ規格ではビットマップ情報の字幕をサブピクチャとして光ディスク上に記憶できる。次世代ＤＶＤビデオ規格では、これをさらに多言語化できるようにすること、あるいは、ネットワークからダウンロードして追加できるようにすることが求められている。字幕をビットマップ情報とするとサイズの問題があるため、テキスト形式で保持することが求められている。テキスト形式での保持方法には独自に規定する方法もあるが、標準的な方法でＸＭＬ規格を用いた方法が期待される。

一方、Ｗ３Ｃ Timed Text Working groupでは、マルチメディアの再生順序を記述するＳＭＩＬを応用して、字幕情報をＸＭＬ文書化するマークアップ言語であるTimed Textを策定中である（例えば、非特許文献１参照）。この限定されたサブセットが２００４年１１月にワーキングドラフト（ＤＦＸＰ）として公開されている（例えば、非特許文献２参照）。

Timed TextはＸＨＴＭＬのサブセットの構文で字幕の情報とレイアウトを記述し、段落ごとに表示開始時刻情報と表示継続時間を記述したものである。
［online］、インターネット＜http://www.w3.org/AudioVideo/TT/＞ Timed Text (TT) Authoring Format 1.0 ? Distribution Format Exchange Profile (DFXP)、［online］、２００４年１１月、インターネット＜http://www.w3.org/TR/ttaf1-dfxp/＞

光ディスクはヘッドを移動させるシーク時間が遅い。映像データや音声データなどのコンテンツデータにマルチプレックスして随時読み込むようにする方が、ランダムアクセスも効率よく行える。特に多言語にわたる複数の字幕ファイルを効率よく扱うには再生開始時に全ての字幕データを読み込むのではなく、再生区間に応じて分割された字幕データを扱うほうが良い。

字幕情報が、Timed TextのようなＸＭＬ文書である場合においても、ネットワークからダウンロードする際には、再生区間に対応してＸＭＬデータを分割してダウンロードするほうが効率が良い。このためＸＭＬ文書を複数のファイルに分割し、断片だけから再生することが求められる。

しかし、ＸＭＬ文書は構文上の関係で単純には分割できないこと、さらに、Timed Text形式では、各字幕パラグラフの表示開始時刻が、その直前の字幕パラグラフの表示終了時からの時間で表されているため、分割した断片だけからは表示時刻が再現できなかった。

このように、従来は、字幕データがＸＭＬなどで記述されていたり、ネットワークからダウンロードする場合には、分割された字幕データを逐次読み込んで、記録媒体上のコンテンツデータの再生に同期した字幕の再生が容易に行えないという問題点があった。

そこで、本発明は、字幕データを分割記憶し、記録媒体上のコンテンツデータの再生に同期した字幕の再生が容易に行え、ランダムアクセスに適した字幕再生方法及びそれを用いたコンテンツ再生装置を提供することを目的とする。

映像データ及び音声データを含むコンテンツデータを記憶する記録媒体からコンテンツデータを再生する場合、再生されるコンテンツデータの時間区間毎に、上記記録媒体から、あるいはネットワークを介して、当該時間区間内に再生すべき字幕テキストを含む構造化文書記述言語で記述された分割字幕データを取得し、取得された分割字幕データに基づき、再生されるコンテンツデータの時間区間内の各字幕テキストを再生する。

記録媒体上のコンテンツデータの再生に同期した字幕の再生が容易に行える。

以下、本発明の実施形態について図面を参照して説明する。

ここでは、映像や音声データを含むコンテンツデータと字幕データなどが記録された光ディスクなどの記録媒体を再生するコンテンツ再生装置を例にとり説明する。

本実施形態に係るコンテンツ再生装置は、記録媒体上のコンテンツデータを再生しながら、記録媒体上に記録された字幕データやネットワークからダウンロードされる字幕データを表示するようになっている。

ここでは、各記録媒体（以下、ディスクと呼ぶ）に記録されているコンテンツデータに対しては、言語毎の字幕データが用意され、各言語の字幕データは、ＸＭＬ（Extensible Markup Language）やＨＴＭＬ（hyper text markup language）などの構造化文書記述言語で記述されている。ここでは、例えば、ＤＦＸＰに従って、Ｔｉｍｅｄ Ｔｅｘｔで記述されたＸＭＬ（Extensible Markup Language）文書であるとする。

まず、Ｔｉｍｅｄ Ｔｅｘｔで記述された字幕データのＸＭＬ文書について説明する。

図２は、字幕データのＸＭＬ文書の一例を示したものである。図３は、ディスクに記録された映像データと、図２のＸＭＬ文書の字幕データとを図１のコンテンツ再生装置に接続された所定のディスプレイ装置で表示する場合の表示画面上の表示例を示したものである。図３において、映像上の２箇所の領域３０１、３０２に字幕を重ねて表示した例である。通常、領域３０１のように、ディスクプレイ装置の下辺中央付近に音声を葺き替えた字幕を表示するが、さらに、映像中に表示されている他言語の文字での看板、文章、状況説明を領域３０２のように右端に別に表示することがある。

図２のＸＭＬ文書は、画面（映像）上の複数の位置に字幕を表示する場合の例である。Timed TextではＨＴＭＬ文書と似た構文を持ち、大きく分けて＜ｈｅａｄ＞要素６０５と＜ｂｏｄｙ＞要素６０６を含む。

＜ｈｅａｄ＞要素６０５には、ＣＳＳ（Ｃａｓｃａｄｅ Ｓｔｙｌｅ Ｓｈｅｅｔ）を応用したスタイル属性のルール定義を含む。この例は２つのスタイルルール定義６０１、６０２を含み、ＩＤ属性として示されている「ｒｅｇｉｏｎ１」に対応する図３の領域３０１に表示される要素６０３、ＩＤ属性として示されている「ｒｅｇｉｏｎ２」に対応する図３の領域３０２に表示される要素６０４に対して、スタイルをそれぞれ定義している。＜ｈｅａｄ＞要素には、字幕の表示領域（ここでは、領域３０１，３０２）毎に、字幕を画面上に表示するためのレイアウトに関するスタイル情報として、文字のフォントの種類、大きさ、色などの字幕の表示形式に関する情報のほかに、字幕の表示領域の大きさ及び位置、テキストの配置などの字幕の表示領域に関する情報が含まれている。

図２において、スタイルルール定義６０１は＜ｄｉｖ＞要素６０３が、図３の３０１の位置に表示されることを、スタイルルール定義６０２は＜ｄｉｖ＞要素６０４が、図３の３０２の位置に表示されることを示している。

＜ｂｏｄｙ＞要素６０６は表示される字幕データとその表示タイミングが記述される。＜ｂｏｄｙ＞要素のｔｉｍｅＣｏｎｔａｉｎｅｒ属性の値が「ｐａｒ」である場合には、＜ｂｏｄｙ＞要素の子要素である＜ｄｉｖ＞要素の時間が並行して進むことを示している。つまり、図２に示す例では、＜ｄｉｖ＞要素６０３と＜ｄｉｖ＞要素６０４の２つの字幕が並行して時間管理されて表示される。

＜ｄｉｖ＞要素６０３、６０４には、ｔｉｍｅＣｏｎｔａｉｅｒ属性の値として「ｓｅｑ」が指定されている。これは、これらの子要素である各＜ｐ＞要素が順に表示されることを示している。＜ｐ＞要素は、一表示単位の字幕テキストを含み、ｂｅｇｉｎ属性とｄｕｒ属性が指定されている。ｂｅｇｉｎ属性は、当該要素の表示（再生）がいつ開始されるのかを示す表示開始時刻（再生開始時刻）を示し、ｄｕｒ属性は、当該要素が何秒間表示されるかといった表示時間を示している。ただし、各要素のｂｅｇｉｎ属性で指定する時刻は、当該要素の直前の要素の表示終了時から当該要素の表示開始時（再生開始時）までの時間、すなわち、当該要素の直前の要素の表示終了時からカウントされる相対時刻であり、ディスク上の映像や音声（コンテンツデータ）の再生の開始時からカウントされる再生時刻とは異なるものである。

図４は図２のＸＭＬ文書で記述された字幕データを説明するための図である。横軸は、ディスク上の映像や音声（コンテンツデータ）の再生時刻を示し、縦軸には、図３の２つの領域３０１、３０２に対応する「ｒｅｇｉｏｎ１」と「ｒｅｇｉｏｎ２」のそれぞれで表示される字幕をならべて示している。図４において、各字幕テキストを矩形で囲み、矩形の位置と大きさで、当該字幕のテキスト表示（再生）開始時、表示終了時及び表示時間を示している。各字幕テキストの矩形の下にある「１７−２０」というような数字は、この字幕テキストが再生時刻１７秒から再生時刻２０秒の間に割り当てられている（表示されている）ことを示している。

「ｒｅｇｉｏｎ１」において、最初に表示される＜ｐ＞要素は、ｂｅｇｉｎ＝“１０ｓ”、ｄｕｒ＝“６ｓ”となっているため、再生時刻１０秒から６秒間、「おはよう！」という字幕（テキスト）が割り当てられて、この間に表示される。次の＜ｐ＞要素は、ｂｅｇｉｎ＝“１ｓ”、ｄｕｒ＝“３ｓ”であるから、直前の「おはよう！」という字幕の表示終了時の再生時刻である１６秒から１秒経過した時点から３秒間、つまり、再生時刻１７秒から再生時刻２０秒までの間に「やぁ…」という字幕が割り当てられる（表示される）。

同様に、「ｒｅｇｉｏｎ２」では、再生時刻２秒から再生時刻１４秒までの間、「ワシントン州」という字幕が割り当てられ（表示され）、再生時刻３８秒から再生時刻４８秒までの間「号外 事故発生」という字幕が割り当てられる。

（構成）
図１は、映像や音声データを含むコンテンツデータと字幕データなどが記録された光ディスクなどの記録媒体を再生するコンテンツ再生装置の構成例を示したもので、記録媒体上のコンテンツデータを再生しながら、記録媒体上に記録された字幕データやネットワークからダウンロードされる字幕データを表示するようになっている。

図１において、コンテンツ再生装置は、ディスクが挿入されると、記憶制御部１は、当該ディスク上から各種情報（ＶＯＢＵ（後述）、再生制御情報など）を読み取る。分離部（Ｄｅｍｕｘ）２は、記憶制御部１でディスクから読み出されたＶＯＢＵ（後述）から音声データ、映像データ、分割字幕ＸＭＬデータを分離し、音声データを音声復号器３へ出力し、映像データを映像復号器４へ出力し、分割字幕ＸＭＬデータを一時記憶部５へ出力する。また、記憶制御部１でディスクから読み出された字幕再生制御情報や共通字幕ＸＭＬデータなどの字幕の再生に必要な情報などは、字幕再生部６へ出力する。

音声復号器３は、入力された音声データを復号し、音声出力部８へ出力する。

映像復号器４は、入力された映像データを復号し、合成部（Ｍｕｘ）７へ出力する。

カウンタ２２は、再生時刻をカウントするもので、ディスクの再生が開始されると（記憶制御部１がディスクからコンテンツデータなどの読み取りを開始すると）、再生時刻のカウントを開始する。

字幕再生部６は、字幕再生制御情報、共通字幕ＸＭＬデータ、一時記憶部５に記憶されている分割字幕ＸＭＬデータを用いて、字幕テキストを表示するための表示データ（字幕表示データ）を生成し、合成部（Ｍｕｘ）７へ出力する。なお、後述するように、ネットワーク上のサーバから、字幕再生制御情報、共通字幕ＸＭＬデータ、分割字幕ＸＭＬデータなどを取得する場合には、通信部１０から当該サーバへアクセスして、所望のデータを取得するようになっている。

合成部７では、字幕表示データを映像復号器４で復号された映像データの上に合成し、映像出力部９に出力する。

入力部１１は、記憶制御部１や、字幕再生部６などに対し、ディスク２１の再生開始や終了などの指示入力などを行うためのものである。

本実施形態では、ディスクに記録されたコンテンツデータに対応する（複数の言語のうちある１つの言語の）字幕データ全体を含む１つのＸＭＬ文書を複数に分割して記憶する方法と、その分割された部分文書だけから、コンテンツデータが再生される間の指定された時間区間内では同じ振る舞いをする分割字幕ＸＭＬデータを作成し、字幕を再現する方法について説明する。

（データ構成とディスク上の記憶方法）
図５は、ディスク上に分割字幕ＸＭＬデータを保存するひとつの方法を示す。例えば、ＤＶＤ−Ｖｉｄｅｏ規格では映像データと音声データ、ビットマップ字幕であるサブピクチャー、ナビゲーション情報などが多重化して記憶されている。すなわち各メディアデータを時間で分割し、ＰＡＣＫ情報として包み、それを０．４から１秒単位のＶｉｄｅｏ Ｏｂｊｅｃｔ Ｕｎｉｔ（ＶＯＢＵ）に多重化して記憶している。このＶＯＢＵの列でＶｉｄｅｏ Ｏｂｊｅｃｔが構成される。

本実施形態でも同様の構成をとるが、ＶＯＢＵのサブピクチャーを入れるＳＰ＿ＰＡＣＫ ２０２に、サブピクチャーの代わりに、分割字幕ＸＭＬデータ２０１を記憶する。なお、ＳＰ＿ＰＡＣＫではなく新たな別のＰＡＣＫとして記憶しても構わない。

分割字幕ＸＭＬデータにヘッダ情報（ｐａｃｋｅｔ ｈｅａｄｅｒ）２０６を付加してＰＡＣＫ（パック）データを構成する。ヘッダ情報は、ＰＡＣＫデータの長さや、ＰＡＣＫデータ内に含まれる情報の種別を示す種別情報などを含む。分割字幕ＸＭＬデータ２０１は、所定の時間区間に表示する各字幕テキストとその表示タイミングと時間の補正情報を含む。図６に分割ＸＭＬデータの記述例を示す。

分割字幕ＸＭＬデータ２０１は映像の再生の進行に応じて、逐次ディスクから字幕情報一時記憶部５に供給される。また、共通字幕ＸＭＬデータ２０５と、分割字幕ＸＭＬデータの再生制御情報を保持する字幕再生制御情報２０３とがディスク上の別の場所に記憶されている。共通字幕ＸＭＬデータ２０５と字幕再生制御情報２０３は、ディスクの再生開始時に読み込まれ、再生中に分割字幕ＸＭＬデータ２０１と組み合わせて字幕再生に利用される。共通字幕ＸＭＬデータ２０５には、字幕データの元のＸＭＬ文書の＜ｈｅａｄ＞部分の情報やスタイルルール定義（スタイルシート）などを含む。図７に共通字幕ＸＭＬデータの一例を、図８に字幕再生制御情報の一例を示す。

字幕再生制御情報２０３は、ディスク上のコンテンツデータの再生を制御する再生制御情報２０４にビデオの再生順序などと一緒に記憶される。なお、字幕再生制御情報２０３は再生制御情報２０４とは異なるファイル内に記憶されていてもよい。

共通字幕ＸＭＬデータは、それ自体別個のファイルとして、ディスク上のコンテンツデータの再生開始示時に読み込んでも良いし、各分割字幕ＸＭＬデータ２０１と一緒に当該分割字幕ＸＭＬデータ２０１と同一のパックデータ内に記憶させるようにしてもよい。また、共通字幕ＸＭＬデータのうち、スタイルルール定義をスタイルシートとして、それ自体別個のファイルに記憶し、＜ｈｅａｄ＞要素内部ではスタイルシートへの参照だけとして、各分割字幕ＸＭＬデータ２０１と一緒に当該分割字幕ＸＭＬデータ２０１と同一のパックデータ内に記憶してもよい。

（字幕データの時間軸での分割方法、分割字幕ＸＭＬデータ及び字幕再生制御情報）
ここで、ディスクに記録されたコンテンツデータに対応する字幕データ全体を含む、図２に示したような１つのＸＭＬ文書を、時間区間毎に分割する方法を図４及び図９を参照して説明する。ここでは、図５の時間軸を、３つの時間区間に分割する場合を例にとり説明する。

時間軸での分割はシーンの切れ目などをもとに行うことで、字幕表示していないところで区切る。すなわち、図９では、再生時刻０秒から再生時刻２２秒までの時間区間４０１と、再生時刻２２秒から再生時刻５０秒までの時間区間４０２と、再生時刻５０秒から再生時刻７０秒まで時間区間４０３に分割した場合を示している。

図８は、図９に示したように時間軸を分割する場合の字幕再生制御情報を示したものである。図８に示す字幕再生制御情報では、再生時刻０秒から再生時刻２２秒までの時間区間を「Ｓｕｂｔｉｔｌｅ１．ｘｍｌ」というファイル名の分割字幕ＸＭＬデータを再生し、再生時刻２２秒から再生時刻５０秒までの時間区間を「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」というファイル名の分割字幕ＸＭＬデータを再生し、再生時刻５０秒から再生時刻７０秒までの時間区間を「Ｓｕｂｔｉｔｌｅ３．ｘｍｌ」というファイル名の分割字幕ＸＭＬデータを再生することを示している。例えば、再生時刻３７秒から再生するには、「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」の１５秒目の位置から実行すればよい。

図８に示す字幕再生制御情報では、各時間区間に再生する分割字幕ＸＭＬデータのファイル名をＵＲＩ（Uniform resource identifier）で参照しているが、予めディレクトリにＰＡＣＫデータ内の分割字幕ＸＭＬデータへの参照を保持しても良いし、ＰＡＣＫデータをディレクトリの名前空間にマップするマップ情報を別に保持することでファイル名を参照できるようにしても良い。あるいは、ＰＡＣＫデータの識別番号などを用いて字幕再生制御情報から直接ＰＡＣＫデータを参照しても良い。

図６は、図９の時間区間４０２に対応する分割字幕ＸＭＬデータを示したもので、この分割字幕ＸＭＬデータは、元のＸＭＬ文書の＜ｂｏｄｙ＞要素のうち、当該時間区間の＜ｐ＞要素のみを含む各表示領域３０１（「ｒｅｇｉｏｎ１」），３０２（「ｒｅｇｉｏｎ２」）に対応する＜ｄｉｖ＞要素と、（表示領域毎の）時間補正情報が含まれている。

時間補正情報は、図６の例では、図３の表示領域３０１、３０２に対応する字幕テキストの＜ｐ＞要素を含む＜ｄｉｖ＞要素１５０１、１５０２の「ｂｅｇｉｎ＝“−２ｓ”」などの元のＸＭＬ文書には含まれていないｂｅｇｉｎ属性として含まれている。

図９に示したように、時間軸を複数の時間区間に分割して、元の字幕データのＸＭＬ文書から各時間区間に対応する部分文書を取り出しただけでは、再生実行することはできない。例えば、「元気ないな」の字幕を含む＜ｐ＞要素は、分割前はｂｅｇｉｎ＝“５ｓ”と前の字幕の表示終了時から５秒後に開始することになっていたが、分割したときは、再生時刻２２秒から再生時刻５０秒までの時間区間に対応する「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」というファイル名の分割字幕ＸＭＬデータの開始位置から３秒後に開始する必要がある。この時間（例えば、ここでは−２ｓｅｃ）を補正時間として追加して記憶する必要がある。

例えば、「ｒｅｇｉｏｎ１」に着目すると、「Ｓｕｂｔｉｔｌｅ１．ｘｍｌ」という分割字幕ＸＭＬデータに対応する時間区間４０１は、「やあ…」という字幕の表示が終了した後２秒後に終了する。「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」という分割字幕ＸＭＬデータに対応する時間区間４０２では、最初の「元気ないな」という字幕は「やあ…」という字幕の表示が終了した後５秒後に表示されるから、「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」の分割字幕ＸＭＬデータの開始時刻を２秒前にずらせば、あるいは、「元気ないな」という字幕を時間区間４０２の開始時から５−２＝３秒後に再生開始すれば、「元気ないな」という字幕は、「やあ…」という字幕の表示が終了した後５秒後に表示されることになる。

このような補正時間（各表示領域において時間区間内で最初の字幕の再生開始時刻を２秒前にずらすことを意味する「−２秒」）を、「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」の「ｒｅｇｉｏｎ１」に対応する＜ｄｉｖ＞要素のｂｅｇｉｎ属性の値として、「ｂｅｇｉｎ＝“−２ｓ”」と表す。なお、「ｒｅｇｉｏｎ１」の「元気ないな」という字幕の後の字幕である「これを見てくれ」は前の字幕の終了時からの相対時間で表示開始時刻を示しているので、補正する必要はない。

時間区間４０２の「ｒｅｇｉｏｎ１」に対応する＜ｄｉｖ＞要素の補正時間は、時間区間４０２の直前の時間区間４０１の「ｒｅｇｉｏｎ１」に対応する＜ｄｉｖ＞要素の最後の子要素である＜ｐ＞要素（字幕「やあ…」）の表示終了時を示す再生時刻「２０秒」から、時間区間４０２の開始時に対応する再生時刻「２２秒」を減算すること「−２秒」と求めることができる。

より一般的には、ｎ（ｎは２以上の整数）番目の時間区間のある＜ｄｉｖ＞要素の補正時間は、ｎ番目の時間区間の直前の（ｎ−１）番目の時間区間の当該＜ｄｉｖ＞要素の最後の子要素である＜ｐ＞要素の表示終了時を示す再生時刻から、ｎ番目の時間区間の開始時に対応する再生時刻を減算することで求めることができる。

「ｒｅｇｉｏｎ２」についても同様で、「Ｓｕｂｔｉｔｌｅ１．ｘｍｌ」という分割字幕ＸＭＬデータに対応する時間区間４０１は、「ワシントン州」という字幕の表示が終了した後８秒後に終了する。「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」という分割字幕ＸＭＬデータに対応する時間区間４０２の最初に再生される「号外 事故発生」という字幕は「ワシントン州」という字幕の表示が終了した後２４秒後に表示されるから、「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」の分割字幕ＸＭＬデータの開始時刻を、８秒前にずらせば、あるいは、時間区間４０２の最初の「号外 事故発生」という字幕を、時間区間４０２の開始時から２４−８＝１６秒後に再生開始すれば、「号外 事故発生」という字幕は、「ワシントン州」という字幕の表示が終了した後２４秒後に表示されることになる。このような補正時間（時間区間内の最初の字幕の再生開始時刻を８秒前にずらすことを意味する「−８秒」）を、「Ｓｕｂｔｉｔｌｅ２．ｘｍｌ」の「ｒｅｇｉｏｎ２」に対応する＜ｄｉｖ＞要素のｂｅｇｉｎ属性の値として、「ｂｅｇｉｎ＝“−８ｓ”」と表す。

各分割字幕ＸＭＬデータに、上記のように、表示領域毎に、当該分割字幕ＸＭＬデータに対応する時間区間の開始時刻あるいは当該時間区間内で最初の字幕の再生開始時を補正するための補正時間を含む時間補正情報を付加することで、元のＸＭＬ文書の＜ｂｏｄｙ＞要素内を任意の時間区間で分割しても、コンテンツデータの再生時刻に同期して、各部分文書内の各字幕テキストを表示することができる。

従って、コンテンツデータの最初から最後までの字幕データ全体のＸＭＬ文書を作成し、それをファイルサイズに応じて複数の部分文書に分割することも容易となる。

（分割字幕ＸＭＬデータから時間区間単位の再生実行可能な分割字幕ＸＭＬデータの生成）
図６に示したような分割字幕ＸＭＬデータそのものは、分割前の元のＸＭＬ文書にあるような＜ｈｅａｄ＞要素が含まれていない。すなわち、分割字幕ＸＭＬデータのみでは、当該時間区間内の字幕を再生実行することはできないのである。そこで、各時間区間に分割字幕ＸＭＬデータ内の各字幕テキストを再生する際には、図１０〜図１２に示すように、元のＸＭＬ文書にある＜ｈｅａｄ＞要素（共通字幕ＸＭＬデータ）を含む再生実行可能な（再生可能な）分割字幕ＸＭＬデータとする必要がある。

図１０〜図１２は、時間区間単位の再生実行可能な分割字幕ＸＭＬデータの例を示したもので、それぞれ、図９の時間区間４０１、時間区間４０２、時間区間４０３の各時間区間内の字幕だけを再生するＸＭＬデータである。

図１０は再生時刻０秒から、図１１は再生時刻２２秒から、図１２は再生時刻５０秒から再生することが可能なＴｉｍｅｄ Ｔｅｘｔ形式のファイル形式で記述されており、それぞれの時間区間内の字幕を記述してある。

再生実行可能な分割字幕ＸＭＬデータは、前述したように、分割前の元のＸＭＬ文書の＜ｂｏｄｙ＞要素内の各＜ｄｉｖ＞要素から、当該時間区間以外の＜ｐ＞要素を除いたものに、残りの、すなわち、当該時間区間内の＜ｐ＞要素のみを含む＜ｄｉｖ＞要素に、（表示領域毎の）時間補正情報を付加したものである。

図１０、図１１、図１２の例では、図３の表示領域３０１、３０２に対応する字幕テキストの＜ｐ＞要素を含む＜ｄｉｖ＞要素８０１、８０２、９０１、９０２、１００１、１００２の「ｂｅｇｉｎ＝“−４”」などの元の字幕ＸＭＬデータには含まれていないｂｅｇｉｎ属性の値として、補正時間を示している。

図１０は、図９の再生時刻０秒から再生時刻２２秒までの時間区間４０１に対応する再生実行可能な分割字幕ＸＭＬデータであり、再生時刻０秒から開始するものなので、表示領域毎に時間区間４０１の開始時刻あるいは時間区間４０１内の最初の＜ｐ＞要素の再生開始時刻の補正は不要であるため「ｂｅｇｉｎ＝“０ｓ”」あるいは時間補正情報そのものが含まれていない。

図１１は、図９の再生時刻２２秒から再生時刻５０秒までの時間区間４０２に対応する再生実行可能な分割字幕ＸＭＬデータである。「ｒｅｇｉｏｎ１」に対応する＜ｄｉｖ＞要素９０１は、時間補正情報として「ｂｅｇｉｎ＝“−２ｓ”」を含み、「ｒｅｇｉｏｎ１」において、時間区間４０２の開始時刻あるいは時間区間４０２内の最初の＜ｐ＞要素の再生開始時刻を２秒前に補正している。

同様に、「ｒｅｇｉｏｎ２」に対応する＜ｄｉｖ＞要素９０２は、時間補正情報として「ｂｅｇｉｎ＝“−８ｓ”」を含み、「ｒｅｇｉｏｎ２」において、時間区間４０２の開始時刻あるいは時間区間４０２内の最初の＜ｐ＞要素の再生開始時刻を８秒前に補正している。

図１２は、図９の再生時刻５０秒からの時間区間４０３に対応する再生実行可能な分割字幕ＸＭＬデータである。「ｒｅｇｉｏｎ１」に対応する＜ｄｉｖ＞要素１００１は、時間補正情報として「ｂｅｇｉｎ＝“−６ｓ”」を含み、「ｒｅｇｉｏｎ１」において、時間区間４０３の開始時刻あるいは時間区間４０３内の最初の＜ｐ＞要素の再生開始時刻を６秒前に補正している。

同様に、「ｒｅｇｉｏｎ２」に対応する＜ｄｉｖ＞要素１００２は、時間補正情報として「ｂｅｇｉｎ＝“−２ｓ”」を含み、「ｒｅｇｉｏｎ２」において、時間区間４０３の開始時刻あるいは時間区間４０３内の最初の＜ｐ＞要素の再生開始時刻を２秒前に補正している。

図１０〜図１２に示したような、再生実行可能な分割字幕ＸＭＬデータは、図１の字幕再生部６で、字幕再生制御情報で示した各時間区間の開始時間に、Ｔｉｍｅｄ Ｔｅｘｔファイルとして再生される。このとき、表示領域毎に、各時間区間の開始時間あるいは各時間区間内で最初に表示される字幕テキストの再生開始時を表示領域毎の補正時間で補正することで、当該時間区間内の字幕が再生可能になる。

（共通字幕ＸＭＬデータ及び分割字幕ＸＭＬデータを生成するための手順）
図１０〜図１２に示したような再生実行可能な分割字幕ＸＭＬデータを、そのまま分割字幕ＸＭＬデータ２０１として用いてもよいが、ヘッダ情報（＜ｈｅａｄ＞要素）が重複している。これを共通字幕ＸＭＬデータ２０５として、図５に示すように、分割字幕ＸＭＬデータ２０１とは別個に記憶して分割しておく方がよい。ここでは、字幕データ全体を含む図２に示すようなＸＭＬ文書から、図６に示すような＜ｈｅａｄ＞要素のみの共通字幕ＸＭＬデータと、＜ｈｅａｄ要素＞を含まない図８に示すような分割字幕ＸＭＬデータを生成するための手順について、図１７に示すフローチャートを参照して説明する。

まず、図１３に示すように、字幕データ全体を含むＸＭＬ文書１１０１から＜ｈｅａｄ＞要素１１０２と＜ｂｏｄｙ＞要素１１０３を抜き出して（ステップＳ１）、＜ｈｅａｄ＞要素１１０２を共通字幕ＸＭＬデータとする（ステップＳ２）。

次に、抜き出された＜ｂｏｄｙ＞要素１１０３の各＜ｄｉｖ＞要素から、時間区間ごとに、当該時間区間内に表示される＜ｐ＞要素を抽出し（ステップＳ３）、各時間区間内の各＜ｄｉｖ＞要素ついて、前述のように補正時間を算出する（ステップＳ４）。そして、図１４に示すように、各時間区間について、各＜ｄｉｖ＞要素の補正時間を示す時間補正情報（ｂｅｇｉｎ属性）と、当該時間区間内に表示される＜ｐ＞要素とを含む分割字幕ＸＭＬデータを生成する（ステップＳ５）。

図１４では、＜ｂｏｄｙ＞要素１１０３を、図９に示したように、３つの時間区間４０１〜４０３のそれぞれに対応する３つの分割字幕ＸＭＬデータ１２０２〜１２０４を生成する場合を示している。

各分割字幕ＸＭＬデータ１２０２〜１２０４には、＜ｂｏｄｙ＞要素１１０３中の図３の各表示領域３０１、３０２にそれぞれ対応する＜ｄｉｖ＞要素１１０４，１１０５から取り出された、同じ時間区間内に表示される字幕テキストを含む＜ｐ＞要素と、当該時間区間内の各＜ｄｉｖ＞要素について（表示領域毎に）算出された補正時間を示す時間補正情報（ｂｅｇｉｎ属性）１２０２ａ、１２０２ｂ、１２０３ａ、１２０３ｂ、１２０４ａ、１２０４ｂとが含まれている。

ここで、＜ｂｏｄｙ＞要素１１０３から、図９に示したように、３つの時間区間のそれぞれに対応する３つの分割字幕ＸＭＬデータ１２０２〜１２０４を生成する手順についてより詳細に説明する。まず、＜ｂｏｄｙ＞要素１１０３中の各＜ｐ＞要素に含まれる表示開始時刻、表示時間を図４に示したように、ディスク上の映像や音声（コンテンツデータ）の再生時刻に沿って展開する。その上で、＜ｂｏｄｙ＞要素１１０３から、図９に示したように、各時間区間４０１〜４０３について、表示領域（「ｒｅｇｉｏｎ１」、「ｒｅｇｉｏｎ２」）毎に、当該時間区間内の各＜ｐ＞要素をコピーする。さらに、表示領域毎に、補正時間を算出して、時間補正情報として追加することで、分割字幕ＸＭＬデータを生成する。この分割字幕ＸＭＬデータがＳＰ＿ＰＡＣＫ２０２に記憶される。

（分割字幕ＸＭＬデータから、再生実行可能な分割字幕ＸＭＬデータへ変換する方法）
前述したように、図１４の分割字幕ＸＭＬデータ１２０２〜１２０４だけでは、各時間区間について字幕を再生することはできない。そこで、次に、図１４の分割字幕ＸＭＬデータ１２０２〜１２０４を再生実行可能な分割字幕ＸＭＬデータへ変換する方法（分割字幕ＸＭＬデータから再生実行可能な分割字幕ＸＭＬデータを生成する方法）につて、図１５を参照して参照して説明する。

ここでは、図１４の分割字幕ＸＭＬデータ１２０３を再生実行可能な分割字幕ＸＭＬデータに変換する場合について説明する。

分割字幕ＸＭＬデータ１２０３の前に、共通字幕ＸＭＬデータ１１０２を連結させる。連結させてできたＸＭＬフラグメントを開始タグ＜ｔｔ＞と終了タグ＜／ｔｔ＞で囲うことで、図９の時間区間４０２に対応した再生実行可能な分割字幕ＸＭＬデータが得られる。

（ディスク上の字幕の再生手順）
図５に示したように、ディスク上に、字幕再生制御情報２０３と共通字幕ＸＭＬデータ２０５と、映像データや音声データと多重化された分割字幕ＸＭＬデータ２０１が記憶されている場合の字幕再生部６の字幕の再生手順について、図１８に示すフローチャートを参照して説明する。

ディスクがコンテンツ再生装置に挿入されて、ディスクの再生が開始されると（ステップＳ１１）、カウンタ２２により、再生時刻のカウントが開始される。また、記憶制御部１は、ディスクの再生開始時、もしくは、タイトルの再生開始時に、再生制御情報とともに字幕再生制御情報と、共通字幕ＸＭＬデータをディスクから読み込み、分離部（Ｄｅｍｕｘ）２を経て、字幕再生部６に渡される（ステップＳ１２）。

光ディスク上のＶＯＢデータは再生中、記憶制御装置１で読み込まれ、Ｄｅｍｕｘ２が映像データと音声データと分割字幕ＸＭＬデータを分離する。分割字幕ＸＭＬデータは一時記憶装置５に記憶される。

字幕再生部５は、字幕再生制御情報中の各時間区間と、カウンタ２２の値（ディスクの再生時刻）とを比較し（ステップＳ１３）、現在の再生時刻に対応する、あるいは現在の再生時刻に取得すべき分割字幕ＸＭＬデータを取得する（ステップＳ１４）。このとき、新たな分割字幕ＸＭＬデータが必要な場合には、一時記憶部５に当該分割字幕ＸＭＬデータがあるかどうかチェックする。もし、なければ、処理をせずに、分割字幕ＸＭＬデータが届くまで待つ。

現在の再生時刻に対応する、あるいは現在の再生時刻に取得すべき分割字幕ＸＭＬデータが一時記憶部５で記憶されている場合には、それを取得し、当該分割字幕ＸＭＬデータと共通字幕データから再生実行可能な分割字幕ＸＭＬデータ生成する（ステップＳ１５）。

字幕再生部６は、字幕を表示するための各表示領域において、再生実行可能な分割字幕ＸＭＬデータに対応する時間区間内で最初の字幕テキスト（＜ｐ＞要素）を再生する際には、当該最初の字幕テキストの再生開始時刻を、時間補正情報を用いて補正する（ステップＳ１６）。すなわち、当該時間区間の開始時から当該最初の字幕テキストの再生開始時までの時間を算出する。例えば、図９に示すように、時間区間４０２に対応する分割字幕ＸＭＬデータ内の各字幕テキストを再生する場合、「Ｒｅｇｉｏｎ１」において、時間区間４０２で最初の字幕テキスト「元気ないな」を再生するとき、当該字幕テキストの＜ｐ＞要素では、その属性情報として、ｂｅｇｉｎ＝“５ｓ”が含まれており、また、当該分割字幕ＸＭＬデータの「Ｒｅｇｉｏｎ１」の時間補正情報として、「−２ｓ」が含まれているから、時間区間４０２で最初の字幕テキスト「元気ないな」の再生開始時として、時間区間４０２の開始時から５−２＝３秒後と算出する。また、「Ｒｅｇｉｏｎ２」において、時間区間４０２で最初の字幕テキスト「号外 事故発生」を再生するとき、当該字幕テキストの＜ｐ＞要素では、その属性情報として、ｂｅｇｉｎ＝“２４ｓ”が含まれており、また、当該分割字幕データの「Ｒｅｇｉｏｎ２」の時間補正情報として、「−８ｓ」が含まれているから、時間区間４０２で最初の字幕テキスト「号外 事故発生」の再生開始時として、時間区間４０２の開始時から２４−８＝１６秒後と算出する。

字幕再生部６は、再生実行可能な分割字幕ＸＭＬデータを用いて、当該再生実行可能な分割字幕ＸＭＬデータに対応する時間区間内の各字幕テキストを再生する（ステップＳ１７）。まず、字幕テキストを表示するための各表示領域において、当該時間区間内で最初の字幕テキストを再生する際には、当該時間区間の開始時から上記ステップＳ１６で求めた時刻に当該最初の字幕テキストの再生を開始し、当該最初の字幕テキストを表示するための字幕表示データを生成し、合成部（Ｍｕｘ）７へ出力する。また、２番目以降の字幕テキストを再生する際には、その直前の字幕テキストの表示終了時から当該２番目以降の字幕テキストの＜ｐ＞要素のｂｅｇｉｎ属性として含まれている時間が経過したときに当該当該２番目以降の字幕テキストの再生を開始し、当該２番目以降の字幕テキストを表示するための字幕表示データを生成し、合成部（Ｍｕｘ）７へ出力する。

各字幕テキストを表示するための字幕表示データは、コンテンツ（映像）の表示される表示画面上で、当該再生実行可能な分割字幕データに含まれている＜ｈｅａｄ＞要素により指定されている字幕の表示領域内（表示位置）に、当該＜ｈｅａｄ＞要素により指定されている表示形式（文字のフォントの種類、大きさ、色など）で、当該字幕テキストを表示するためのものである。

ＭＵＸ７では、入力された字幕表示データを、Ｄｅｍｕｘ２で分離され、映像復号器４で復号された映像データの上に合成し、映像出力部９に出力する。映像出力部９から出力された字幕表示データの合成された映像データは、表示装置に送られて表示される。

字幕再生部６での再生実行可能な分割字幕ＸＭＬデータの実行処理は、字幕再生制御情報に記述された当該分割字幕ＸＭＬデータの時間区間から、全ての＜ｐ＞要素の再生表示が終了するまで行い、当該時間区間内の最後の＜ｐ＞要素の表示時間が終了した場合には、次の新たな分割字幕ＸＭＬデータを一時記憶部５に届くのを待つ。

上記ステップＳ１３〜ステップＳ１７の処理は、ディスクの再生の終了指示が入力されるまで繰り返される（ステップＳ１８）。

（分割字幕ＸＭＬデータをネットワークからダウンロードして取得する場合の字幕の再生手順）
以上の説明は、字幕データがディスク上に記憶されている場合であったが、次に、字幕データがネットワーク上のサーバにあり、そこから逐次供給される場合について、図１８を参照して説明する。この場合は、字幕再生制御情報と共通字幕ＸＭＬデータと複数の分割字幕ＸＭＬデータの全て、あるいは、そのうちの一部がサーバ上に存在し、必要に応じて、ディスク再生中にこれらのダウンロードをサーバへ要求して取得するための処理を行う以外は、前述のディスク上に全ての字幕データがあるときと同様にして、字幕の再生を行う。ディスク上に、字幕再生制御情報と共通字幕ＸＭＬデータと複数の分割字幕ＸＭＬデータの全てが記憶されている場合と異なる点は、図１８のステップＳ１２と、ステップＳ１４の処理動作である。

字幕再生制御情報、共通字幕ＸＭＬデータ及び複数の分割字幕ＸＭＬデータの全てがネットワーク上のサーバに保持されていてもよいし、あるいは、これらのうちの一部がネットワーク上のサーバに保持され、残りがディスク上に記憶されていてもよい。

また、接続先のサーバを示すＵＲＬ（Uniform Resource Locator）などのアドレス情報は、字幕再生制御情報、共通字幕ＸＭＬデータ（＜ｈｅａｄ＞要素）、各分割字幕ＸＭＬデータ、各分割字幕ＸＭＬデータに＜ｈｅａｄ＞要素が含まれている場合には、この＜ｈｅａｄ＞要素内などのうちの少なくとも１つに含まれていている。あるいは、ディスク上の予め定められた特定領域内に予め記憶されていてもよい。さらに、この特定領域内に記憶されているアドレス情報に対応するサーバから、字幕再生制御情報、共通字幕ＸＭＬデータ及び複数の分割字幕ＸＭＬデータの全て、あるいは、そのうちの一部を取得できるサーバのアドレス情報が通知されてもよい。コンテンツ再生装置は、例えばディスクから読み出されたあるいはネットワークから取得したアドレス情報を用いて、サーバへ接続し、所望の情報を取得する。

コンテンツ再生装置の字幕再生部６は、ディスクの再生が開始されると（ステップＳ１１）、字幕再生制御情報及び共通字幕ＸＭＬデータがディスク上の記憶されている場合には、前述同様、ディスクから読み出された字幕再生制御情報及び共通字幕ＸＭＬデータを取得する（ステップＳ１２）。一方、字幕再生制御情報及び共通字幕ＸＭＬデータが、ディスクにではなく、ネットワーク上のサーバに存在する場合には、通信部１０を用いて、当該サーバから字幕再生制御情報及び共通字幕ＸＭＬデータを取得する（ステップＳ１２）。

字幕再生部５は、字幕再生制御情報中の各時間区間と、カウンタ２２の値（ディスクの再生時刻）とを比較し（ステップＳ１３）、現在の再生時刻に対応する、あるいは現在の再生時刻に取得すべき分割字幕ＸＭＬデータを取得する（ステップＳ１４）。このとき、現在の再生時刻に対応する、あるいは現在の再生時刻に取得すべき分割字幕ＸＭＬデータが、サーバ上に存在する場合には、通信部１０を用いて、当該サーバから分割字幕ＸＭＬデータを取得する（ステップＳ１４）。

すなわち、ステップＳ１４では、通信部１０は、当該サーバから分割字幕ＸＭＬデータを受け取ると、それを一時記憶部５に記憶し、字幕再生部６に通知する。字幕再生部６は、現在の再生時刻に対応する、あるいは現在の再生時刻に取得すべき分割字幕ＸＭＬデータを、一時記憶部５から読み出すと、当該分割字幕ＸＭＬデータと共通字幕データから再生実行可能な分割字幕ＸＭＬデータ生成する（ステップＳ１５）。

そして、字幕再生部６は、字幕テキストを表示するための各表示領域において、再生実行可能な分割字幕ＸＭＬデータに対応する時間区間内で最初の字幕テキストの再生開始時刻を時間補正情報を用いて補正した後（ステップＳ１６）、再生実行可能な分割字幕ＸＭＬデータを用いて、当該再生実行可能な分割字幕ＸＭＬデータに対応する時間区間内の各字幕テキストを前述同様にして再生する（ステップＳ１７）。すなわち、各字幕テキストの再生開始時に当該字幕テキストの再生を開始し、各字幕テキストを表示するための字幕表示データを生成し、合成部（Ｍｕｘ）７へ出力する。

このように、図１８のステップＳ１２とステップＳ１４以外の処理動作は、ディスク上に、字幕再生制御情報と共通字幕ＸＭＬデータと複数の分割字幕ＸＭＬデータの全てが記憶されている場合と同様である。

なお、ある時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求して、当該サーバからダウンロードしてもらう場合、当該時間区間に入る前の所定の再生時刻に、前もってサーバへ当該時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求する方が望ましい。この場合、各時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求する、あるいは、サーバから取得する時刻（プリフェッチ時刻）を字幕再生制御情報や再生制御情報などに記述しておく。

図１６は、各時間区間（時間区間の開始時刻と終了時刻）と当該時間区間に対応する分割字幕ＸＭＬデータのファイルを示す字幕再生制御情報に、さらに、各時間区間について、当該時間区間に対応する分割字幕ＸＭＬデータをサーバに要求する、あるいは、サーバから取得する時刻であるプリフェッチ時刻が含まれている場合を示している。図１６では、各時間区間に対応する＜Ｃｌｉｐ＞要素のｐｒｅｆｅｔｃｈ属性により、プリフェッチ時刻を示している。

図９の時間区間４０２に対応する図１６の＜Ｃｌｉｐ＞要素１６０１では、再生時刻が「１０秒」のときから、当該時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求すること、あるいはサーバから取得することを示している。すなわち、この分割字幕ＸＭＬデータは、再生時刻２２秒から再生時刻５０秒までの時間区間に対応するので、＜Ｃｌｉｐ＞要素１６０１は、この時間区間の開始時から１０秒前の再生時刻１０秒から５０秒の間に、サーバへ当該分割字幕ＸＭＬデータの要求がなされておらず、当該分割字幕ＸＭＬデータが一時記憶部装５に記憶されていない場合に、当該分割字幕ＸＭＬデータのダウンロードをサーバへ要求すること、あるいは、サーバから取得することを示している。従って、図１８のステップＳ１４において、字幕再生部６は、再生時刻１０秒のときに、当該分割字幕ＸＭＬデータが一時記憶部装５に記憶されていない場合には、当該分割字幕ＸＭＬデータのダウンロードをサーバへ要求して、当該分割字幕ＸＭＬデータを取得する。

同様に、図９の時間区間４０３に対応する＜Ｃｌｉｐ＞要素１６０２では、再生時刻４０秒のときから、当該時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求することを示している。すなわち、この分割字幕ＸＭＬデータは、再生時刻５０秒から再生時刻７０秒までの時間区間に対応するので、＜Ｃｌｉｐ＞要素１６０２は、この時間区間の開始時から１０秒前の再生時刻４０秒から７０秒の間に、サーバへ当該分割字幕ＸＭＬデータの要求がなされておらず、当該分割字幕ＸＭＬデータが一時記憶部装５に記憶されていない場合に、当該分割字幕ＸＭＬデータのダウンロードをサーバへ要求すること、あるいはサーバから取得することを示している。

従って、図１８のステップＳ１４において、字幕再生部６は、再生時刻４０秒のときに、当該分割字幕ＸＭＬデータが一時記憶部装５に記憶されていない場合には、当該分割字幕ＸＭＬデータのダウンロードをサーバへ要求して、当該分割字幕ＸＭＬデータを取得する。

このように、各時間区間の開始時よりも所定時間前の時刻に、当該時間区間に対応する分割字幕ＸＭＬデータをサーバへ要求して取得する（プリフェッチする）ことにより、各時間区間に、当該時間区間の字幕が、通信の混み具合により大きく変動する通信時間などの遅延時間に影響されずに表示されることが期待できる。

以上説明したように、上記実施形態によれば、映像データ及び音声データを含むコンテンツデータを記憶する記録媒体からコンテンツデータを（音声復号器３、映像復号器４、などを含む再生手段で）再生する場合、再生されるコンテンツデータの時間区間毎に、記録媒体から、あるいはネットワークを介して、当該時間区間内に再生すべき字幕テキストを含む分割字幕ＸＭＬデータを取得し、この取得された分割字幕ＸＭＬデータを用いて、コンテンツデータの時間区間内の各字幕テキストを再生する。

また、記録媒体は、コンテンツデータの各時間区間と、各時間区間に対応する分割字幕ＸＭＬデータを示した字幕再生制御情報をさらに記憶し、字幕再生部６は、記録媒体から読み出された上記字幕再生制御情報を基に、再生されるコンテンツデータの時間区間に対応する分割字幕ＸＭＬデータを、記録媒体から、あるいはネットワークを介して取得する。

記録媒体上のコンテンツデータの再生を開始する前に、入力部１１にから言語の種類（日本語、英語など）が入力され、記録媒体から、あるいはネットワークを介して、分割字幕ＸＭＬデータを取得する場合、図１８のステップＳ１４（及びステップＳ１２）では、この入力された言語の分割字幕ＸＭＬデータ（及び字幕再生制御情報）を取得すする。

また、字幕再生部６は、コンテンツデータの時間区間内の各字幕テキストを再生する際、記録媒体から、あるいはネットワークを介して取得された、分割字幕ＸＭＬデータを再生するために必要な共通字幕ＸＭＬデータと、当該時間区間に対応する分割字幕ＸＭＬデータとから、再生可能な分割字幕ＸＭＬデータを生成し、この再生可能な分割字幕ＸＭＬデータを用いて、当該時間区間内の各字幕テキストを再生する。

記録媒体から、あるいはネットワークを介して取得される分割字幕ＸＭＬデータは、例えば、図６に示したように、コンテンツデータの再生時間を区分けした時間区間毎に、当該時間区間内に再生すべき各字幕テキスト（＜ｐ＞要素）を含むが、さらに、図１０〜図１２に示したように、字幕の表示領域や表示形式に関する情報を含む＜ｈｅａｄ＞要素が含まれている場合もある。前者の場合の字幕の再生手順は図１８を参照して既に述べたように、ステップＳ１５において、共通字幕ＸＭＬデータを用いて再生実行可能な分割字幕ＸＭＬデータを生成する必要があるが、後者の場合には、分割字幕ＸＭＬデータが、そのまま再生実行可能な分割字幕ＸＭＬデータであるので、ステップＳ１５はスキップされる。それ以外の字幕の再生手順は、前者の場合と同様である。

分割字幕ＸＭＬデータに含まれる各字幕テキストは、当該字幕テキストの再生開始時を、その直前の字幕テキストの表示終了時から当該再生開始時までの時間で示す属性情報を含み、分割字幕ＸＭＬデータは、字幕を表示するための表示領域毎に、当該分割字幕ＸＭＬデータ対応する時間区間内で最初の字幕テキストの再生開始時を補正するための時間補正情報を含み、字幕テキストを表示するための各表示領域において、再生されるコンテンツデータの時間区間内で最初の字幕テキストを再生する際には、字幕再生部６は、当該最初の字幕テキストの属性情報と時間補正情報とを用いて補正された再生開始時に、当該最初の字幕テキストの再生を開始し、２番目以降の字幕テキストを再生する際には、その直前の字幕テキストの表示終了時から当該２番目以降の字幕テキストの属性情報が示す時間が経過したときに当該当該２番目以降の字幕テキストの再生を開始する。

このような構成により、光ディスクなどの記録媒体上のコンテンツデータに対し、（Timed TextのようなＸＭＬで記述された）多くの言語の字幕データが用意されている場合に、記録媒体上のコンテンツデータを再生すると同時に、現在再生されているコンテンツデータに対応する所望の言語の字幕を容易に再生・表示することができる。また、現時点のディスク上の再生位置から別の再生位置へジャンプしてコンテンツデータの再生を行うような、ランダムアクセスにも適用することができる。

また、字幕データをネットワークからダウンロードする場合にも、記録媒体上のコンテンツデータの再生に同期した字幕の再生が容易に行える。

本発明の実施の形態に記載した本発明の手法は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記録媒体に格納して頒布することもできる。

例えば、一時記憶部５などの記憶手段や通信部１０などを備えたコンピュータが、映像・音声データ及びプログラムを含むコンテンツデータを記憶する記録媒体に記憶されたコンテンツデータを再生する再生手段（音声復号器３や映像復号器４など）、字幕再生部６の機能を実現させるためのプログラムを実行することにより、図１のコンテンツ再生装置が実現可能である。

また、上記実施形態では、字幕データがＸＭＬで記述されている場合について説明したが、この場合に限らず、他の構造化文書記述言語で記述されていても上記同様である。

なお、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。

コンテンツ再生装置の構成例を示した図。 字幕データ全体を含むＸＭＬ文書の一例を示した図。 コンテンツ再生装置に設けられたディスプレイ装置の表示画面上での字幕の表示例を示した図。 図２のＸＭＬで記述された字幕データを説明するための図。 ディスク上のコンテンツデータと字幕データの記憶例を示した図。 分割字幕ＸＭＬデータの一例を示した図。 共通字幕ＸＭＬデータの一例を示した図。 字幕再生制御情報の一例を示した図。 コンテンツデータの各時間区間と、各時間区間内に再生される字幕テキストを再生するための当該時間区間に対応する分割字幕ＸＭＬデータについて説明するための図。 再生可能な分割字幕ＸＭＬデータの一例を示した図。 再生可能な分割字幕ＸＭＬデータの他の例を示した図。 再生可能な分割字幕ＸＭＬデータのさらに他の例を示した図。 字幕データ全体を含むＸＭＬ文書と、当該ＸＭＬ文書から取り出された＜ｈｅａｄ＞要素のみの共通字幕ＸＭＬデータと、＜ｈｅａｄ要素＞を含まない部分を示した図。 字幕データ全体を含むＸＭＬ文書から取り出された＜ｈｅａｄ要素＞を含まない部分から、分割字幕ＸＭＬデータを生成するための手順を説明するための図。 分割字幕ＸＭＬデータから再生可能な分割字幕ＸＭＬデータを生成する手順を説明するための図。 分割字幕ＸＭＬデータ毎のプリフェッチ時刻を含む字幕再生制御情報の一例を示した図。 字幕データ全体を含むＸＭＬ文書から、＜ｈｅａｄ＞要素のみの共通字幕ＸＭＬデータと、＜ｈｅａｄ要素＞を含まない分割字幕ＸＭＬデータを生成するための手順を説明するためのフローチャート。 字幕再生部の字幕の再生処理動作を説明するためのフローチャート。

符号の説明

１…記憶制御部、２…分離部（Ｄｅｍｕｘ）、３…音声復号器、４…映像復号器、５…一時記憶部、６…字幕再生部、７…合成部（Ｍｕｘ）、８…音声出力部、９…映像出力部、１０…通信部、１１…入力部、２１…ディスク、２２…カウンタ。

Claims (21)

1. 少なくとも、映像データ及び音声データを含むコンテンツデータと、当該コンテンツデータの再生時間を区分した各時間区間内に再生すべき各字幕テキストを含む構造化文書記述言語で記述された分割字幕データを時間区間毎に記憶する記録媒体から読み出された前記コンテンツデータを再生する再生手段と、
   前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記記録媒体から読み出された当該時間区間に対応する分割字幕データに基づいて、当該時間区間内の各字幕テキストを再生する字幕再生手段と、
   を具備したことを特徴とするコンテンツ再生装置。
2. 前記記録媒体は、前記コンテンツデータの各時間区間と、各時間区間に対応する前記分割字幕データを示した字幕再生制御情報をさらに記憶し、
   前記字幕再生手段は、前記記録媒体から読み出された前記字幕再生制御情報を基に、前記記録媒体から読み出された分割字幕データのうち、前記再生手段で再生される前記コンテンツデータの時間区間に対応する分割字幕データを用いて、当該時間区間内の各字幕テキストを再生することを特徴とする請求項１記載のコンテンツ再生装置。
3. 前記分割字幕データに含まれる各字幕テキストは、当該字幕テキストの再生開始時を、その直前の字幕テキストの表示終了時から当該再生開始時までの時間で示す属性情報を含み、
   前記分割字幕データは、字幕の表示領域毎に、当該分割字幕データ対応する時間区間内で最初の字幕テキストの前記再生開始時を補正するための時間補正情報を含み、
   前記字幕再生手段は、字幕の各表示領域において、前記再生手段で再生される前記コンテンツデータの時間区間内で最初の字幕テキストを再生する際には、当該最初の字幕テキストの前記属性情報と前記時間補正情報とを用いて補正された再生開始時に、当該最初の字幕テキストの再生を開始し、２番目以降の字幕テキストを再生する際には、その直前の字幕テキストの表示終了時から当該２番目以降の字幕テキストの前記属性情報が示す時間が経過したときに当該当該２番目以降の字幕テキストの再生を開始することを特徴とする請求項１記載のコンテンツ再生装置。
4. 前記補正された再生開始時は、前記再生手段で再生される前記コンテンツデータの時間区間の開始時から前記最初の字幕テキストの再生開始時までの時間を示すことを特徴とする請求項３記載のコンテンツ再生装置。
5. 前記記録媒体は、字幕の各表示領域及び表示形式を示すスタイル情報を含み前記分割字幕データを再生するために必要な共通字幕データをさらに記憶し、
   前記字幕再生手段は、前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記記録媒体から読み出された当該時間区間に対応する分割字幕データと前記記録媒体から読み出された前記共通字幕データとから、再生可能な分割字幕データを生成し、この再生可能な分割字幕データを用いて、字幕の各表示領域に当該時間区間内の各字幕テキストを再生することを特徴とする請求項１記載のコンテンツ再生装置。
6. 少なくとも、映像データ及び音声データを含むコンテンツデータを記憶する記録媒体から読み出された前記コンテンツデータを再生する再生手段と、
   前記再生手段で再生される前記コンテンツデータの時間区間毎に、ネットワークを介して当該時間区間内に再生すべき字幕テキストを含む構造化文書記述言語で記述された分割字幕データを取得する取得手段と、
   前記取得手段で取得された分割字幕データに基づいて、前記再生手段で再生される前記コンテンツデータの時間区間内の各字幕テキストを再生する字幕再生手段と、
   を具備したことを特徴とするコンテンツ再生装置。
7. 前記記録媒体は、前記コンテンツデータの各時間区間と、各時間区間に対応する前記分割字幕データを示した字幕再生制御情報をさらに記憶し、
   前記取得手段は、前記記録媒体から読み出された前記字幕再生制御情報を基に、前記再生手段で再生される前記コンテンツデータの時間区間に対応する分割字幕データを取得することを特徴とする請求項６記載のコンテンツ再生装置。
8. 前記分割字幕データに含まれる各字幕テキストは、当該字幕テキストの再生開始時を、その直前の字幕テキストの表示終了時から当該再生開始時までの時間で示す属性情報を含み、
   前記分割字幕データは、字幕の表示領域毎に、当該分割字幕データ対応する時間区間内で最初の字幕テキストの前記再生開始時を補正するための時間補正情報を含み、
   前記字幕再生手段は、字幕の各表示領域において、前記再生手段で再生される前記コンテンツデータの時間区間内で最初の字幕テキストを再生する際には、当該最初の字幕テキストの前記属性情報と前記時間補正情報とを用いて補正された再生開始時に、当該最初の字幕テキストの再生を開始し、２番目以降の字幕テキストを再生する際には、その直前の字幕テキストの表示終了時から当該２番目以降の字幕テキストの前記属性情報が示す時間が経過したときに当該当該２番目以降の字幕テキストの再生を開始することを特徴とする請求項６記載のコンテンツ再生装置。
9. 前記補正された再生開始時は、前記再生手段で再生される前記コンテンツデータの時間区間の開始時から前記最初の字幕テキストの再生開始時までの時間を示すことを特徴とする請求項８記載のコンテンツ再生装置。
10. 前記記録媒体は、字幕の各表示領域及び表示形式を示すスタイル情報を含み前記分割字幕データを再生するために必要な共通字幕データをさらに記憶し、
    前記字幕再生手段は、前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記取得手段で取得された当該時間区間に対応する分割字幕データと前記記録媒体から読み出された前記共通字幕データとから、再生可能な分割字幕データを生成し、この再生可能な分割字幕データを用いて、字幕の各表示領域に当該時間区間内の各字幕テキストを再生することを特徴とする請求項６記載のコンテンツ再生装置。
11. 前記記録媒体に記録される前記字幕再生制御情報は、各時間区間に対応する前記分割字幕データを前記ネットワークを介して取得するための前記コンテンツデータの再生開始時からの時刻をさらに含み、
    前記取得手段は、各分割字幕データを取得するための前記時刻に、当該分割字幕データを前記ネットワークを介して取得することを特徴とする請求項７記載のコンテンツ再生装置。
12. 前記取得手段は、前記ネットワークを介して、字幕の各表示領域及び表示形式を示すスタイル情報を含み前記分割字幕データを再生するために必要な共通字幕データをさらに取得し、
    前記字幕再生手段は、前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記取得手段で取得された当該時間区間に対応する分割字幕データ及び前記共通字幕データとから、再生可能な分割字幕データを生成し、この再生可能な分割字幕データを用いて、字幕の各表示領域に当該時間区間内の各字幕データを再生することを特徴とする請求項６記載のコンテンツ再生装置。
13. 前記分割字幕データは、字幕の各表示領域及び表示形式を示すスタイル情報を含み、
    前記字幕再生手段は、前記再生手段で再生される前記コンテンツデータの時間区間に対応する分割字幕データの前記スタイル情報に基づいて、各表示領域に当該時間区間内の各字幕テキストを再生することを特徴とする請求項１または６記載のコンテンツ再生装置。
14. 各時間区間に対応する分割字幕データが前記コンテンツデータに多重化されて前記記録媒体に記憶されていることを特徴とする請求項１記載のコンテンツ再生装置。
15. 映像データ及び音声データを含むコンテンツデータと、
    当該コンテンツデータの際せ時間を区分した各時間区間内に再生すべき各字幕テキストを含む構造化文書記述言語で記述された、各時間区間毎の分割字幕データと、
    前記コンテンツデータの各時間区間と各時間区間に対応する前記分割字幕データを示した字幕再生制御情報と、
    字幕の各表示領域及び表示形式を示すスタイル情報を含み、前記複数の分割字幕データを再生するために必要な共通字幕データと、
    を記憶し、
    各分割字幕データに含まれる各字幕テキストは、当該字幕テキストの再生開始時を、その直前の字幕テキストの表示終了時から当該再生開始時までの時間で示す属性情報を含み、各分割字幕データは、字幕テキストを表示するための表示領域毎に、当該分割字幕データ対応する時間区間内で最初の字幕テキストの前記再生開始時を補正するための時間補正情報を含むことを特徴とする記録媒体から読み出された前記コンテンツデータを再生する再生手段と、
    前記記録媒体から読み出された前記字幕再生制御情報を基に、前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記記録媒体から読み出された当該時間区間に対応する分割字幕データ及び前記共通字幕データに基づき、字幕の各表示領域に当該時間区間内の各字幕テキストを再生する字幕再生手段と、
    を具備したことを特徴とするコンテンツ再生装置。
16. 少なくとも、映像データ及び音声データを含むコンテンツデータを記憶する記録媒体からコンテンツデータを再生する再生手段を備えたコンテンツ再生装置における字幕再生方法において、
    前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記記録媒体から、あるいはネットワークを介して、当該時間区間内に再生すべき字幕テキストを含む構造化文書記述言語で記述された分割字幕データを取得する第１のステップと、
    前記第１のステップで取得された分割字幕データに基づき、前記再生手段で再生される前記コンテンツデータの時間区間内の各字幕テキストを再生する第２のステップと、
    を有することを特徴とする字幕再生方法。
17. 前記記録媒体は、前記コンテンツデータの各時間区間と、各時間区間に対応する前記分割字幕データを示した字幕再生制御情報をさらに記憶し、
    前記第１のステップは、前記記録媒体から読み出された前記字幕再生制御情報を基に、前記再生手段で再生される前記コンテンツデータの時間区間に対応する分割字幕データを、前記記録媒体から、あるいはネットワークを介して取得することを特徴とする請求項１６記載の字幕再生方法。
18. 前記分割字幕データに含まれる各字幕テキストは、当該字幕テキストの再生開始時を、その直前の字幕テキストの表示終了時から当該再生開始時までの時間で示す属性情報を含み、
    前記分割字幕データは、字幕テキストを表示するための表示領域毎に、当該分割字幕データ対応する時間区間内で最初の字幕テキストの前記再生開始時を補正するための時間補正情報を含み、
    前記第２のステップは、字幕テキストを表示するための各表示領域において、前記再生手段で再生される前記コンテンツデータの時間区間内で最初の字幕テキストを再生する際には、当該最初の字幕テキストの前記属性情報と前記時間補正情報とを用いて補正された再生開始時に、当該最初の字幕テキストの再生を開始し、２番目以降の字幕テキストを再生する際には、その直前の字幕テキストの表示終了時から当該２番目以降の字幕テキストの前記属性情報が示す時間が経過したときに当該当該２番目以降の字幕テキストの再生を開始することを特徴とする請求項１６記載の字幕再生方法。
19. 前記記録媒体は、字幕の各表示領域及び表示形式を示すスタイル情報を含み前記分割字幕データを再生するために必要な共通字幕データをさらに記憶し、
    前記第２のステップは、前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記第１のステップで取得した当該時間区間に対応する分割字幕データと前記記録媒体から読み出された前記共通字幕データとから、再生可能な分割字幕データを生成し、この再生可能な分割字幕データを用いて、字幕の各表示領域に当該時間区間内の各字幕テキストを再生することを特徴とする請求項１６記載の字幕再生方法。
20. 前記分割字幕データは、字幕の各表示領域及び表示形式を示すスタイル情報を含み、
    前記第２のステップは、前記再生手段で再生される前記コンテンツデータの時間区間に対応する分割字幕データの前記スタイル情報に基づいて、各表示領域に当該時間区間内の各字幕テキストを再生することを特徴とする請求項１６記載のコンテンツ再生方法。
21. 少なくとも、映像データ及び音声データを含むコンテンツデータを記憶する記録媒体からコンテンツデータを再生する再生手段を備えたコンピュータに、
    前記再生手段で再生される前記コンテンツデータの時間区間毎に、前記記録媒体から、あるいはネットワークを介して、当該時間区間内に再生すべき字幕テキストを含む構造化文書記述言語で記述された分割字幕データを取得する第１のステップと、
    前記第１のステップで取得された分割字幕データに基づき、前記再生手段で再生される前記コンテンツデータの時間区間内の各字幕テキストを再生する第２のステップと、
    を実行させるためのプログラム。

Images