Die kurze Antwort
Ja, ChatGPT kann ein YouTube-Video zusammenfassen, aber nicht, indem es das Video ansieht. Die Consumer-App von ChatGPT versteht YouTube-Videos nicht nativ: Das Modell kann kein Video öffnen, keine Einzelbilder sehen und keinen Ton hören. Was es kann, ist das Transkript des Videos zusammenfassen, also den Text dessen, was tatsächlich gesagt wurde. Fügen Sie den ein, und die Zusammenfassung ist wirklich brauchbar. Fügen Sie stattdessen einen bloßen Link ein, bekommen Sie einen selbstbewussten Absatz über das Thema, nicht über das Video.
Dieser Unterschied entscheidet darüber, ob Sie eine Zusammenfassung zitieren können oder sich später für sie entschuldigen müssen. 2026 stehen fünf Wege offen, und sie sind nicht gleich verlässlich:
| Was Sie tun | Was ChatGPT bekommt | Zuverlässigkeit |
|---|---|---|
| Nur die URL einfügen | Titel, Beschreibung, Metadaten der Seite | Unzuverlässig, oft erfunden |
| Den Transkripttext einfügen | Jede gesprochene Zeile | Zuverlässig, die Basismethode |
| Eine Transkript-Erweiterung nutzen | Das Transkript, automatisch eingespeist | Zuverlässig und schnell |
| Aus ChatGPTs eigenem Browser fragen | Was die Seite gerade anzeigt | Zuverlässig, wenn das Transkriptfenster offen ist |
| Den Ton selbst transkribieren | Ein von Ihnen erzeugtes Transkript | Zuverlässig, funktioniert auch ohne Untertitel |
Im Rest dieses Artikels geht es darum, warum Weg eins scheitert, wie Sie die anderen vier in weniger als einer Minute durchlaufen und woran Sie merken, dass eine Zusammenfassung still und leise Dinge erfindet.
Was ChatGPT tatsächlich sieht, wenn Sie einen Link einfügen
Ein Sprachmodell arbeitet mit Tokens, also mit Textfragmenten. An das Chatfenster der ChatGPT-App ist kein Video-Decoder angeschlossen, deshalb wird nichts aus dem Video, weder die Pixel noch der Ton, jemals zu einem Token, das gelesen werden könnte.
Wenn Sie einen Link einfügen, passiert eines von zwei Dingen. Entweder gibt es überhaupt keinen Abrufschritt, dann antwortet das Modell rein aus der URL-Zeichenkette und seinen Trainingsdaten, oder es startet ein Browsing-Werkzeug, das die Seite lädt. Der zweite Fall klingt besser, als er ist. Eine YouTube-Videoseite baut Player und Transkriptfenster erst im Browser auf, nachdem die Seite geladen wurde. Das HTML, das ein Abrufwerkzeug herunterlädt, enthält also den Titel, die Beschreibung, ein paar strukturierte Metadaten und sehr viel Skript. Die gesprochenen Worte enthält es in keiner nutzbaren Form. YouTube tut außerdem viel dafür, automatisierte Abrufe zu blockieren, weshalb ein serverseitiger Zugriff häufig mit weniger zurückkommt, als auf dem Bildschirm steht.
Dann tut das Modell, was Sprachmodelle tun: Es erzeugt die plausibelste Fortsetzung. Eine plausible Fortsetzung von „Fassen Sie dieses Video über Intervallfasten zusammen“ ist ein kompetenter Aufsatz über Intervallfasten. Flüssig, gegliedert und nicht über dieses Video. Genau daran verbrennen sich die meisten Menschen die Finger, und weil der Text gut geschrieben ist, sieht nichts daran falsch aus.
Das Modell lügt nicht. Sie haben eine Lesefrage gestellt und nichts zum Lesen übergeben.
Die vier Methoden, die 2026 funktionieren
Methode 1: YouTubes eigenes Transkript kopieren
Öffnen Sie das Video, klicken oder tippen Sie auf „...mehr“, um die Beschreibung aufzuklappen, scrollen Sie nach unten und wählen Sie „Transkript anzeigen“. Es öffnet sich ein Fenster mit jeder gesprochenen Zeile und ihrem Zeitstempel. Am Desktop lässt sich dieser Text markieren und kopieren. Fügen Sie ihn mit einer einzigen Anweisung in ChatGPT ein, etwa: „Fassen Sie dieses Transkript in drei Teilen zusammen: die zentrale These in einem Satz, die drei stärksten Belege und alles, bei dem die sprechende Person Unsicherheit eingeräumt hat. Zitieren Sie zu jedem Punkt die exakte Zeile.“ Weiter unten stehen bessere Prompts, aber dieser reicht schon für eine brauchbare Antwort.
Das ist kostenlos, erfordert keine Installation und ist die Methode, für die jede andere nur eine Abkürzung darstellt. Der Haken liegt beim Handy. Tippen Sie in der YouTube-App auf eine Zeile im Transkriptfenster, springt der Player an diese Stelle, was praktisch ist, aber der Text selbst lässt sich nicht markieren, es gibt also nichts zum Einfügen. Fordern Sie entweder im mobilen Browser die Desktop-Website an oder nutzen Sie etwas, das den Text für Sie holt, etwa die Glasp Mobile-App. Unser Leitfaden dazu, wie Sie ein YouTube-Transkript bekommen, behandelt jeden Umweg.
Methode 2: Eine Erweiterung, die das Transkript für Sie einspeist
Ein Transkript mit 9.000 Wörtern von Hand zu kopieren, wird schnell mühsam. Eine Browser-Erweiterung, die auf der YouTube-Seite sitzt, kann das Transkript greifen und direkt an ein Modell schicken, was den ganzen Ablauf auf einen einzigen Klick reduziert. Glasps YouTube Summary macht genau das, liefert eine strukturierte Zusammenfassung mit klickbaren Zeitstempeln und behält das Transkript daneben, damit Sie jede Aussage gegen die Zeile prüfen können, aus der sie stammt. Wenn Sie zuerst lieber nur das Transkript sehen möchten: Glasps Transkript-Werkzeug zieht es aus einer URL.
Der Grund, eine Erweiterung einer Website zum Einfügen der URL vorzuziehen, ist nicht Tempo, sondern Überprüfbarkeit. Wenn der Quelltext neben der Zusammenfassung steht, erkennen Sie eine falsche Aussage in Sekunden. Wenn nicht, verlangt das Werkzeug von Ihnen schlicht Vertrauen.
Methode 3: ChatGPTs Chrome-Erweiterung oder der Desktop-Browser
Seit OpenAI seine Browser-Arbeit zurück in ChatGPT geführt hat, können Sie aus der ChatGPT-Erweiterung für Chrome oder dem eingebauten Browser der Desktop-App heraus Fragen zur gerade geöffneten Seite stellen. Beides hängt von Tarif, Region und Workspace ab; fehlt die Option, liegt es daran, und Methode 1 funktioniert weiterhin. Auf einer YouTube-Seite gilt eine Bedingung: Öffnen Sie zuerst das Transkriptfenster. Der Assistent antwortet auf Basis dessen, was auf der Seite steht; ist das Transkript gerendert, steht es ihm zur Verfügung. Ist das Fenster geschlossen, sind Sie zurück beim Raten aus Titel und Beschreibung, und die Antwort wird nicht verraten, welcher der beiden Fälle gerade eingetreten ist.
Methode 4: Den Ton selbst transkribieren
Gibt es keine Untertitelspur, funktioniert nichts von alledem, weil es keinen Text zu holen gibt. Also erzeugen Sie welchen: Ziehen Sie die Tonspur mit einem Downloader, schicken Sie sie durch ein Speech-to-Text-Modell wie Whisper, gehostet oder lokal, wenn Ihnen das Terminal vertraut ist, und fassen Sie dann zusammen, was dabei herauskommt. Das ist der langsamste Weg, er ist der einzige, der bei einem Video funktioniert, das nie jemand untertitelt hat, und bei starken Akzenten oder dichtem Fachjargon schlägt er YouTubes automatische Untertitel deutlich.
| Methode | Einrichtungszeit | Zeit pro Video |
|---|---|---|
| YouTubes Transkript kopieren | Keine | Etwa 1 Minute |
| Erweiterung | Einmalig unter einer Minute | Etwa 10 Sekunden |
| ChatGPT-Erweiterung oder Desktop-Browser | Einmalig unter einer Minute | Etwa 30 Sekunden |
| Den Ton transkribieren | Mittel | Mehrere Minuten |
Atlas wurde im August 2026 eingestellt. Das ist der Ersatz
Wenn Sie einem Tutorial von Ende 2025 gefolgt sind, hat es Ihnen vermutlich geraten, das in ChatGPT Atlas zu erledigen. Dieser Rat funktioniert nicht mehr.
OpenAI kündigte Atlas am 21. Oktober 2025 an und lieferte den Browser für macOS aus. Sein Hauptmerkmal war eine Seitenleiste namens „Ask ChatGPT“, die Fragen zur gerade betrachteten Seite beantwortete, ohne dass irgendetwas in einen separaten Chat kopiert werden musste. Damit war sie eine aufgeräumte Antwort auf das YouTube-Problem: Video öffnen, Seitenleiste öffnen, fragen.
Atlas wurde am 9. August 2026 eingestellt, keine zehn Monate nach dem Start. OpenAI hat den eigenständigen Browser abgekündigt und die browsergestützte Agentenarbeit nach ChatGPT und Codex verlagert, konkret in eine ChatGPT-Erweiterung für Google Chrome und in den eingebauten Browser der ChatGPT-Desktop-App, der dabei Unterstützung für mehrere Tabs, Downloads, bessere Navigation und die Verwaltung von Konto-Logins bekam. OpenAI forderte alle Nutzenden auf, ihre Atlas-Lesezeichen vor dem Stichtag als HTML-Datei zu exportieren und in einen anderen Browser zu importieren; offene Tabs und der Verlauf ließen sich überhaupt nicht übertragen.
Praktisch übersetzt: Die Fähigkeit hat überlebt, das Produkt nicht. Wer heute das Seitenleisten-Erlebnis auf einer YouTube-Seite möchte, braucht die Chrome-Erweiterung oder den eingebauten Browser der Desktop-App, nicht Atlas. Die Lehre steckt im Tempo des Wandels. Eine Funktion, die im Oktober einen ganzen Browser definierte, war im Sommer darauf nur noch ein Posten in einem anderen Produkt, und das ist ein ordentliches Argument dafür, ein eigenes Transkript und eigene Notizen zu führen, statt sich auf die jeweils aktuelle Oberfläche zu verlassen.
Gemini kann das Video ansehen. ChatGPT immer noch nicht
Das ist die eine Stelle, an der sich die beiden großen Assistenten wirklich unterscheiden, und die Details zählen, denn „Gemini kann YouTube“ wird mit weit mehr Überzeugung weitergereicht, als die Dokumentation hergibt.
Google dokumentiert tatsächlich native Unterstützung für YouTube-URLs, und zwar in der Gemini API. Sie können eine YouTube-URL als Teil Ihrer Anfrage direkt an die API übergeben, und das Modell wendet sein multimodales Verständnis darauf an, ganz ohne Download auf Ihrer Seite. Die veröffentlichten Beschränkungen mit Stand September 2026, allesamt Grenzen der API und nicht der Consumer-App von Gemini:
| Beschränkung | Was Google dokumentiert |
|---|---|
| Sichtbarkeit des Videos | Nur öffentliche Videos, keine privaten oder nicht gelisteten |
| Obergrenze der kostenlosen Stufe | Höchstens 8 Stunden YouTube-Video pro Tag in der kostenlosen Stufe der API |
| Kostenpflichtige Stufe | Keine Begrenzung anhand der Videolänge |
| Videos pro Anfrage | Bis zu 10 ab Gemini 2.5, 1 bei früheren Modellen |
| Bildabtastung | 1 Bild pro Sekunde im statischen Modus |
| Ton | Verarbeitet mit 1 Kbps, ein Kanal, etwa 32 Tokens pro Sekunde |
| Status | Vorabversion, derzeit kostenlos, Preise und Ratenlimits dürften sich ändern |
Lesen Sie die Zeile zur Bildabtastung noch einmal, denn sie setzt die Obergrenze dafür, was „ansehen“ hier bedeutet. Bei einem Bild pro Sekunde betrachtet das Modell eine Diashow, keine Bewegung. Es wird ein Argument gut zusammenfassen und überhaupt keine Grundlage dafür haben, wie oft eine Demo in einer schnell geschnittenen Montage gescheitert ist. Ton und Transkript tragen den größten Teil des echten Signals, und genau das gilt auch für ChatGPT, nur dass Ihnen hier das Beschaffen abgenommen wird.
Daraus folgt eine klare Wahl, und sie fällt nicht immer auf Gemini:
| Ihr Ziel | Empfehlung | Warum |
|---|---|---|
| Aus einem bloßen Link zusammenfassen, so schnell wie möglich | Gemini API | Als Einzige holt sie sich das Video selbst |
| Mit einem privaten oder nicht gelisteten Video arbeiten | ChatGPT mit eingefügtem Transkript | Geminis URL-Unterstützung gilt nur für öffentliche Videos |
| Eine Stunde lang Rückfragen stellen | ChatGPT mit eingefügtem Transkript | Der vollständige Text bleibt für alles Weitere im Kontext |
| Zusammenfassung, Quellzeilen und eigene Notizen zusammenhalten | Ein spezialisiertes Werkzeug | Beide Chatbots behandeln das Video als einmalige Anfrage |
Keiner von beiden nimmt Ihnen die Prüfung der Ausgabe ab. Wenn Sie einen Assistenten fürs Lernen auswählen und nicht für ein einzelnes Video: Claude vs. ChatGPT zum Lernen lässt die beiden gegen echte Lernaufgaben antreten. Und für klickbare Zeitstempel, die Ihnen kein Chatbot liefert, behandelt die besten YouTube-Zusammenfassungstools 2026 die spezialisierten Optionen.
Prompts, die eine brauchbare Zusammenfassung erzeugen
Der Prompt der meisten Menschen lautet „Fassen Sie das zusammen.“ Das liefert einen formlosen Absatz, weil Sie weder Struktur noch Länge noch eine Bindung an den Quelltext vorgegeben haben.
Drei Prompts, die es zu behalten lohnt. Fügen Sie das Transkript ein und hängen Sie einen davon an.
Für einen Vortrag oder eine Vorlesung:
Fassen Sie dieses Transkript in drei Teilen zusammen: die zentrale These in einem Satz, die drei stärksten dafür angeführten Belege und alles, bei dem die sprechende Person eingeräumt hat, unsicher zu sein. Zitieren Sie zu jedem Beleg die exakte Zeile aus dem Transkript. Wenn etwas nicht im Transkript steht, sagen Sie das, statt es zu ergänzen.
Für ein Tutorial:
Verwandeln Sie dieses Transkript in eine nummerierte Checkliste der Handlungen, die die vortragende Person ausführt, in der richtigen Reihenfolge. Je eine Zeile, im Imperativ. Notieren Sie den Zeitstempel neben jedem Schritt, bei dem vor einem möglichen Fehler gewarnt wird.
Für ein langes Interview oder einen Podcast:
Listen Sie jedes eigenständige Thema in diesem Transkript mit seinem Startzeitstempel auf. Fassen Sie noch nichts zusammen. Fassen Sie danach nur die drei Themen mit der längsten Gesprächszeit zusammen.
Zwei Dinge erledigen die Arbeit, und beide gehören in alle drei Prompts. Das Erste ist die Zitieranweisung: Ein Modell, das wörtliche Zeilen liefern muss, bleibt an den Quelltext gebunden, und eines, das keine Zeile findet, muss Ihnen das sagen. Damit wird die Zusammenfassung von einer Behauptung zu etwas Überprüfbarem. Das Zweite ist die ausdrückliche Erlaubnis, „steht nicht im Transkript“ zu antworten, die den Druck nimmt, etwas zu erfinden.
Wo es scheitert: Untertitel, Länge und erfundene Zeitstempel
Fünf Fehlermodi, von dem, der Sie sofort ausbremst, bis zu denen, die die Ausgabe still und leise verderben.
Keine Untertitelspur. Manche Uploads haben überhaupt keine Untertitel: Musik, bestimmte nicht englischsprachige Uploads, Kanäle, die sie abschalten, und gerade beendete Streams. Keine Untertitel heißt kein Transkript, heißt kein Text, heißt: Jede Methode außer der Transkription des Tons ist von vornherein tot.
Erfundene Zeitstempel. Das ist das Warnsignal, das man sich merken sollte. YouTubes Transkriptfenster zeigt Zeitstempel an, aber beim einfachen Kopieren gehen sie manchmal verloren, und viele Transkript-Werkzeuge entfernen sie. Wenn der eingefügte Text keine Zeitstempel enthielt und die Zusammenfassung voll davon ist, ist jede dieser Zahlen frei erfunden. Sie werden richtig aussehen. Sie werden plausibel verteilt sein. Sie werden Sie nicht an die beschriebene Stelle bringen.
Länge. Wer in normalem Tempo spricht, schafft rund 150 Wörter pro Minute, ein einstündiger Vortrag umfasst also etwa 9.000 Wörter und ein dreistündiger Podcast landet bei annähernd 27.000. Moderne Kontextfenster schlucken das, aber Schlucken ist nicht dasselbe wie Beachten. Liu und Kolleginnen und Kollegen (2024) zeigten in „Lost in the Middle“ (Transactions of the ACL), dass die Leistung von Modellen am höchsten ist, wenn die relevante Information ganz am Anfang oder ganz am Ende einer langen Eingabe steht, und deutlich abfällt, sobald sie in der Mitte vergraben liegt. Deshalb ist die Zusammenfassung eines langen Videos oft scharf zu den ersten zehn Minuten und den letzten fünf und vage zur Stunde dazwischen. Ein kleineres Modell mit engerem Fenster scheitert anders: Es schneidet ab und verliert den Schluss vollständig. Beide Mechanismen haben wir in Kontextverfall und Retrieval über lange Kontexte durchgearbeitet. In der Praxis heißt das: Teilen Sie das Transkript in Blöcke von zwei- bis dreitausend Wörtern, fassen Sie jeden Block einzeln zusammen und fassen Sie anschließend die Zusammenfassungen zusammen.
Untertitelfehler. Automatische Untertitel verstümmeln Eigennamen, Fachbegriffe und Zahlen. Ein Modell, dem „Lee Kwan you“ oder „zehn hoch minus neun“ vorgelegt wird, markiert den Fehler nicht, sondern glättet ihn zur nächstliegenden plausiblen Variante. Namen und Zahlen sind genau das, was Sie später zitieren möchten, prüfen Sie sie also am Video und nicht an der Zusammenfassung.
Sponsorenblöcke und Intros. Transkripte enthalten die Werbung, den Kanalhinweis und die Liste der Unterstützenden. Wenn Sie dem Modell nicht sagen, dass es Passagen ohne Inhalt überspringen soll, kann die Zusammenfassung eines gesponserten Videos mit einem selbstbewussten Absatz über eine Matratze beginnen.
Der 30-Sekunden-Genauigkeitstest
Sie müssen einer Zusammenfassung nicht aufs Wort glauben. Zwei Prüfungen, und die erste ist die Dreißig-Sekunden-Variante.
Der Zitattest kommt zuerst. Verlangen Sie einen wörtlichen Satz aus dem Video, der die zentrale Aussage der Zusammenfassung stützt, und suchen Sie dann im Transkript nach einer markanten Wendung daraus. Steht die Zeile dort, hat das Modell gelesen. Steht sie nicht dort, oder bekommen Sie einen Satz, der genau wie das Video klingt und nirgends darin vorkommt, sehen Sie eine Rekonstruktion, und jede weitere Aussage in dieser Zusammenfassung verdient denselben Verdacht.
Die Fangfrage ist die zweite Prüfung, und die gemeinere. Fragen Sie nach etwas, das im Video überhaupt nicht vorkommt. „Was hat die sprechende Person über Kubernetes gesagt?“ bei einem Video, das Kubernetes nie erwähnt. Ein am Transkript verankertes Modell sagt, dass darüber nicht gesprochen wurde. Alles andere, und Sie wissen jetzt genau, was dieses Werkzeug tut, wenn es etwas nicht weiß.
Führen Sie beide Prüfungen aus, wenn Sie ein neues Werkzeug oder einen neuen Ablauf zum ersten Mal verwenden, und noch einmal nach einem Update. Voreinstellungen ändern sich unauffällig, und ein Ablauf, der letzten Monat noch am Transkript hing, kann aufhören, es zu holen, ohne Sie zu warnen. Sobald die Zusammenfassung standhält, behandelt wie Sie YouTube-Videos zusammenfassen die Prompts, die manuellen Methoden und den Wiederholungsplan, die daraus etwas machen, das hängen bleibt.
Warum die Zusammenfassung nicht das Lernen ist
Selbst die perfekte Zusammenfassung eines großartigen Videos bewirkt fast nichts für das, was Sie nächste Woche noch wissen.
Eine Zusammenfassung zu lesen fühlt sich nach Lernen an, weil es flüssig und mühelos ist, und Flüssigkeit ist ein notorisch schlechtes Signal für Behalten. Dunlosky und Kolleginnen und Kollegen (2013) prüften in Psychological Science in the Public Interest zehn verbreitete Lerntechniken und stuften Markieren und Unterstreichen als wenig nützlich ein: "In most situations that have been examined and with most participants, highlighting does little to boost performance." Auf Deutsch: In den meisten untersuchten Situationen und bei den meisten Teilnehmenden trägt Markieren kaum zu besseren Leistungen bei. Die beiden Techniken mit der höchsten Bewertung waren Abrufübungen (practice testing) und verteiltes Lernen (distributed practice). Das passive Lesen einer KI-Zusammenfassung ist schwächer als beide, weil der eine Teil, an dem Ihr Urteil beteiligt war, nämlich die Auswahl dessen, was zählt, bereits ohne Sie stattgefunden hat.
Was wirklich etwas bewegt, kostet zusätzlich zur Zusammenfassung etwa zwei Minuten:
- Markieren Sie drei Zeilen im Transkript, nicht dreißig. Ja, Dunloskys Team stufte Markieren als wenig nützlich ein, und der Grund ist, dass die meisten Menschen alles markieren. Eine harte Obergrenze von drei dreht das um: Sie können keine Zeile markieren, ohne die anderen zu verwerfen, und dieses Verwerfen ist genau das Urteil, das die Zusammenfassung Ihnen gerade abgenommen hat.
- Schreiben Sie einen Satz aus dem Gedächtnis, bevor Sie nachlesen. Schließen Sie die Zusammenfassung. Wie lautete das Argument? Dieser Abrufversuch baut die Erinnerung auf, und er wirkt sogar dann, wenn die Antwort danebengeht. Aktives Abrufen erklärt, warum.
- Ergänzen Sie die eine Frage, die das Video nicht beantwortet hat. Das gibt Ihnen beim nächsten Mal einen Faden zum Weiterziehen und macht aus einem Stapel Zusammenfassungen eine echte Spur, der Sie folgen können.
Um genau diesen Ablauf herum ist Glasps Web-Highlighter gebaut: Markieren Sie in einem Transkript oder einem Artikel die Zeilen, auf die es ankommt, schreiben Sie Ihre eigene Notiz daneben und finden Sie die ganze Sammlung Monate später wieder, statt durch einen Chatverlauf zurückzuscrollen. Weil Highlights auf Glasp standardmäßig öffentlich sind, sehen Sie in der Community außerdem, welche Zeilen andere aus demselben Video gezogen haben, was ein schneller Weg ist, um herauszufinden, was Ihnen entgangen ist. Mehr dazu, wie davon etwas hängen bleibt, steht in wie Sie behalten, was Sie lesen.
Häufig gestellte Fragen
Kann ChatGPT ein YouTube-Video allein aus dem Link zusammenfassen?
Nicht verlässlich. Ohne Transkript arbeitet das Modell aus Titel, Beschreibung und seinem eigenen Vorwissen zum Thema, die Antwort beschreibt also das Thema statt das Video. Fügen Sie den Transkripttext ein, und sie beschreibt das Video.
Gibt es ein ChatGPT-Plugin oder eine Erweiterung für YouTube?
OpenAI hat den ursprünglichen Plugin-Store im April 2024 geschlossen. Der Name kam im Juli 2026 zurück, als OpenAI das App Directory in Plugin Directory umbenannte, aber diese Plugins bündeln Fähigkeiten und angebundene Apps, und keines davon sitzt mit Ihnen auf der YouTube-Seite. Die funktionierende Antwort auf ChatGPT für YouTube ist also weiterhin eine Browser-Erweiterung: Sie zieht das Transkript von der Seite und übergibt es mit einem Klick an ein Modell, und genau das leistet Glasps YouTube Summary. Es gibt auch einen direkten Vergleich dieses Ansatzes mit reinem ChatGPT.
Kann ChatGPT ein YouTube-Video kostenlos zusammenfassen?
Ja. YouTubes eingebautes Fenster „Transkript anzeigen“ ist kostenlos, und die kostenlose Stufe von ChatGPT fasst eingefügten Text zusammen. Der einzige echte Aufwand ist das Kopieren und Einfügen, und genau das nimmt eine Erweiterung ab.
Was ist der beste Prompt, um ein YouTube-Video zusammenzufassen?
Einer, der Struktur vorgibt und Zitate verlangt. Verlangen Sie eine zentrale These in einem Satz und die drei stärksten Belege mit der exakten Transkriptzeile zu jedem, und erlauben Sie dem Modell ausdrücklich zu sagen, wenn etwas nicht im Transkript steht. Die Zitierpflicht ist das, was das Modell an der Quelle verankert.
Kann ChatGPT ein YouTube-Video ohne Untertitel zusammenfassen?
Nicht direkt, denn es gibt keinen Text zu lesen. Transkribieren Sie zuerst den Ton mit einem Speech-to-Text-Modell wie Whisper und fassen Sie dann das erzeugte Transkript zusammen.
Wie lang darf ein YouTube-Video sein, damit ChatGPT es zusammenfassen kann?
Lange Transkripte passen in heutige Kontextfenster, aber die Genauigkeit sackt in der Mitte sehr langer Eingaben ab. Ab etwa einer Stunde teilen Sie das Transkript in Blöcke von zwei- bis dreitausend Wörtern, fassen jeden Block einzeln zusammen und fassen anschließend diese Zusammenfassungen zusammen.
Ist Gemini besser als ChatGPT für YouTube?
Für die eine Aufgabe, einen bloßen YouTube-Link entgegenzunehmen, ja. Google dokumentiert native Unterstützung für YouTube-URLs in der Gemini API, begrenzt auf öffentliche Videos und in der kostenlosen Stufe der API auf 8 Stunden Video pro Tag gedeckelt. Für alles nach der Zusammenfassung ist der Unterschied kleiner, als die Schlagzeile nahelegt, denn beide arbeiten überwiegend aus Ton und Transkript.
Funktioniert ChatGPT Atlas noch?
Nein. Atlas wurde am 9. August 2026 eingestellt. OpenAI hat die browsergestützte Agentenarbeit in eine ChatGPT-Erweiterung für Chrome und in den eingebauten Browser der ChatGPT-Desktop-App verlagert.
Fazit: Belege schlagen Vermutungen
Jeder verlässliche Weg, ein YouTube-Video mit ChatGPT zusammenzufassen, ist eine Variation derselben Idee: den echten Text vor das Modell bringen. Kopieren Sie das Transkript, nutzen Sie eine Erweiterung, die das für Sie tut, öffnen Sie das Transkriptfenster, bevor Sie den Browser-Assistenten fragen, oder erzeugen Sie den Text selbst, wenn es keine Untertitel gibt. Alles, was schiefgeht, lässt sich auf dieselbe Ursache zurückführen. Die erfundenen Zeitstempel, der selbstbewusste Aufsatz über ein Video, das ChatGPT nie gesehen hat, der verstümmelte Name, den Sie zitiert hätten: All das entsteht, wenn ein Modell über etwas berichten soll, das ihm nie gezeigt wurde.
Machen Sie dann einmal den Zitattest, denn er kostet dreißig Sekunden und ist das Einzige, was zwischen Ihnen und einer Zusammenfassung steht, die nur richtig klingt.
Und wenn die Zusammenfassung gut ist, hören Sie nicht dort auf. Ziehen Sie drei Zeilen aus dem Transkript, schreiben Sie einen Satz aus dem Gedächtnis und notieren Sie die Frage, die das Video offengelassen hat. Glasps YouTube Summary liefert Transkript, Zeitstempel und Markierfunktion an einem Ort, damit dieser letzte Schritt zwei Minuten dauert, statt das zu bleiben, was Sie eigentlich vorhatten und dann doch nicht getan haben. Die Zusammenfassung ist der Entwurf. An einen Entwurf, den man nicht selbst überarbeitet hat, erinnert sich niemand.
