本稿では，日本語の発話内容を英語に翻訳する際に分かりやすい英語字幕を生成するために必要な要素技術を研究する。音声認識結果を翻訳する際には，音声認識誤りに加え，フィラーや言いよどみ・言い直しが翻訳に悪影響を与える可能性がある。本研究では，フィラーや言いよどみ・言い直しを自動検出する機能を組み込んだ音声認識モデルを用いることで，一般的に利用できる翻訳サービスを用いても分かりやすい英語翻訳字幕が生成できることを示す。