ビデオコンテンツにおいては、コンテンツに付随するテキストを利用することにより、 検索などがより容易になると考えられる。しかし、テレビドラマのシナリオ等の ように、テキスト中のある部分がビデオのどの区間に対応するのかについては記述 されていないことがあり、そのままでは検索に用いることは難しい。我々はこの問題 を解決するため、音声認識を利用してシナリオのセリフとビデオの音声トラックを 自動的に対応付けるシステムを提案する。