ChatGPTはYouTube動画を要約できるのか？

結論を先に

はい、ChatGPTはYouTube動画を要約できます。ただし、動画を見て要約しているわけではありません。一般向けのChatGPTアプリにYouTube動画をネイティブに理解する機能はなく、動画を開くことも、映像を見ることも、音声を聞くこともできません。できるのは、動画の文字起こし、つまり実際に話された内容のテキストを要約することです。それを貼り付ければ、要約は本当に役に立ちます。一方、リンクだけを貼り付ければ、返ってくるのはその動画についてではなく、そのトピックについての自信たっぷりの文章です。

この違いは、引用できる要約と、あとで謝る羽目になる要約の違いです。2026年に使える経路は5つあり、信頼性は同じではありません。

この記事の残りでは、1つ目の経路がなぜ失敗するのか、残りの4つを1分以内で実行する方法、そして要約がこっそり作り話をしているときの見分け方を扱います。

---

リンクを貼ったとき、ChatGPTが実際に見ているもの

言語モデルはトークン、つまりテキストの断片を処理します。一般向けChatGPTアプリのチャット欄には動画デコーダーがつながっていないため、動画の中身は、ピクセルも音声も、モデルが読めるトークンになることは一切ありません。

リンクを貼ると、起きることは2つのうちのどちらかです。ひとつは取得の工程がまったく走らない場合で、このときモデルはURLの文字列と学習データだけから答えています。もうひとつはブラウジングのツールが動いてページを取得する場合です。後者は、聞こえるほど良い話ではありません。YouTubeの視聴ページは、読み込みが終わったあとにブラウザ側でプレーヤーと文字起こしパネルを描画します。そのため取得ツールが引っ張ってくるHTMLに入っているのは、タイトル、説明文、いくらかの構造化メタデータ、そして大量のスクリプトです。話された言葉は、使える形では含まれていません。さらにYouTubeは自動取得を強力にブロックしているので、サーバー側からの取得は、画面に見えているものより少ない情報しか返ってこないことがよくあります。

そのあとモデルは、言語モデルらしいことをします。もっともらしい続きを生成するのです。「断続的断食についてのこの動画を要約して」のもっともらしい続きは、断続的断食についてのよくできたエッセイです。流暢で、構成も整っていて、そしてその動画についてではありません。これは人が痛い目を見る最も多いパターンであり、出力がうまく書けているせいで、おかしなところはどこにも見当たりません。

モデルは嘘をついているわけではありません。読解を求める質問をしておきながら、読むものを何も渡していないのです。

---

2026年に機能する4つの方法

方法1：YouTube純正の文字起こしをコピーする

動画を開き、「もっと見る」をクリックまたはタップして説明文を展開し、一番下までスクロールして「文字起こしを表示」を押します。話されたすべての行とタイムスタンプが並んだパネルが開きます。デスクトップなら、そのテキストを選択してコピーできます。あとはChatGPTに貼り付けて、1行の指示を添えます。たとえば「この文字起こしを3つのパートで要約してください。中心的な主張を1文で、最も強い根拠を3つ、そして話し手が確信がないと述べた点。それぞれについて該当する行をそのまま引用してください」といった具合です。もっと良いプロンプトはこの記事の後半にありますが、これだけでも使える答えは返ってきます。

この方法は無料で、何もインストールする必要がありません。ほかのすべての方法は、結局この方法の近道にすぎません。問題はモバイルです。YouTubeアプリのパネルで行をタップするとプレーヤーがその場面に飛びます。これは便利ですが、テキスト自体は選択できないため、貼り付けるものがありません。モバイルブラウザからデスクトップ版サイトを表示するか、Glaspのモバイルアプリのようにテキストを取得してくれるものを使いましょう。YouTubeの文字起こしを取得する方法のガイドで、あらゆる回避策を紹介しています。

方法2：文字起こしを自動で流し込む拡張機能

9,000語の文字起こしを手でコピーするのは、すぐに嫌になります。YouTubeのページ上で動くブラウザ拡張機能なら、文字起こしを取得してそのままモデルへ送れるので、この一連の作業がクリック1回に縮まります。GlaspのYouTube Summaryはまさにこれを行い、クリックできるタイムスタンプ付きの構造化された要約を返し、しかも文字起こしを隣に残しておくので、どの主張もその元になった行と突き合わせて確認できます。先に文字起こしだけを見たい場合は、Glaspの文字起こしツールがURLから抽出してくれます。

URLを貼るタイプのウェブサイトより拡張機能を選ぶ理由は、速さではなく検証のしやすさです。元のテキストが要約の隣にあれば、間違った主張を数秒で見つけられます。隣にないなら、そのツールはあなたに「信じてほしい」と言っているだけです。

方法3：ChatGPTのChrome拡張機能、またはデスクトップアプリのブラウザ

OpenAIがブラウザ関連の開発をChatGPTへ統合して以来、ChatGPTのChrome拡張機能やデスクトップアプリ内蔵のブラウザから、今見ているページについて質問できます。どちらも契約プラン、地域、ワークスペースによって使えるかどうかが変わるので、その項目が見当たらないならそれが理由です。その場合も方法1は使えます。YouTubeのページでは条件がひとつあります。先に文字起こしパネルを開いておくことです。アシスタントはページに表示されているものから答えるため、文字起こしが描画されていればそれを使えます。パネルが閉じていればタイトルと説明文からの推測に逆戻りで、しかも答えは、そのどちらが起きたのかを教えてくれません。

方法4：自分で音声を文字起こしする

字幕トラックがない場合、上のどれも使えません。テキストが存在しないからです。ならば作りましょう。ダウンローダーで音声を取り出し、Whisperのような音声認識モデル（ホスト版でも、ターミナルに慣れているならローカルでも構いません）に通してから、出てきたテキストを要約します。いちばん時間のかかる経路ですが、誰も字幕をつけなかった動画で唯一使える方法であり、強い訛りや専門用語の濃い内容では、YouTubeの自動字幕を明確に上回ります。

---

Atlasは2026年8月に終了しました。その後継は何か

2025年後半のチュートリアルに従っていたなら、おそらくChatGPT Atlasの中でやるように書かれていたはずです。その手順はもう使えません。

OpenAIは2025年10月21日にAtlasを発表し、macOS向けにリリースしました。目玉の機能は「Ask ChatGPT」サイドバーで、別のチャットへ何かをコピーしなくても、閲覧中のページについて質問に答えてくれるというものでした。これはYouTubeの問題に対するすっきりした答えでした。動画を開き、サイドバーを開き、尋ねる。

Atlasは2026年8月9日に終了しました。ローンチから10か月も経たないうちのことです。OpenAIは独立したブラウザを廃止し、ブラウザ上でのエージェント的な作業をChatGPTとCodexへ移しました。具体的にはGoogle Chrome向けのChatGPT拡張機能と、ChatGPTデスクトップアプリ内蔵のブラウザです。後者は複数タブ対応、ダウンロード、ナビゲーションの改善、アカウントのログイン処理を引き継ぎました。OpenAIは終了前に、AtlasのブックマークをHTMLファイルとして書き出し、別のブラウザへ読み込むようユーザーに案内しました。開いていたタブと閲覧履歴は、まったく引き継がれませんでした。

現実的に言い換えるとこうです。機能は生き残り、製品は生き残りませんでした。今日YouTubeのページでサイドバー体験がほしいなら、必要なのはChrome拡張機能かデスクトップアプリ内蔵のブラウザであって、Atlasではありません。この入れ替わりの速さこそが教訓です。10月にひとつのブラウザを定義していた機能が、翌年の夏には別製品の一項目になっていました。これは、そのときどきの最新の入り口に頼るのではなく、自分の文字起こしと自分のノートを手元に持っておくべき十分な理由になります。

---

Geminiは動画を「見られる」。ChatGPTはいまだにできない

ここは、2つの大手アシスタントが本当に違う唯一の点であり、細部が重要です。「GeminiはYouTubeに対応している」という話は、ドキュメントが裏づけている以上の自信をもって語られがちだからです。

Googleは確かに、Gemini APIでYouTubeのURLをそのまま扱えると公式ドキュメントに明記しています。リクエストの一部としてYouTubeのURLを直接APIへ渡せば、モデルがマルチモーダルな理解を適用してくれます。こちら側でのダウンロードは不要です。2026年9月時点で公開されている制約は次のとおりで、いずれも一般向けGeminiアプリの制限ではなくAPIの制限です。

フレームのサンプリングの行をもう一度読んでください。ここが「見る」という言葉の上限を決めています。1秒あたり1フレームでは、モデルが見ているのは動きではなくスライドショーです。議論の要約は上手にこなしますが、速いカット割りのモンタージュでデモが何回失敗したかについては、判断の材料がまったくありません。実際の手がかりの大半は音声と文字起こしが担っています。それはChatGPTでもまったく同じで、違いは取得を代わりにやってくれる点だけです。

ここから導かれる選択はシンプルで、しかも必ずGeminiが勝つわけではありません。

どちらを使うにせよ、出力を確認する必要がなくなるわけではありません。1本の動画ではなく学習のためにアシスタントを選ぶなら、学習用途で比べるClaude vs ChatGPTが実際の学習タスクで両者を戦わせています。また、どのチャットボットも用意してくれないクリック可能なタイムスタンプについては、2026年のおすすめYouTube要約ツールが専用ツールを扱っています。

---

使える要約を引き出すプロンプト

多くの人のプロンプトは「これを要約して」です。それでは形の定まらない段落が返ってきます。構造も、長さも、根拠づけの要求も指定していないからです。

覚えておく価値のあるプロンプトを3つ。文字起こしを貼り付けたうえで、次のどれかを添えてください。

講演や講義の場合：

この文字起こしを3つのパートで要約してください。中心的な主張を1文で、その根拠として挙げられた最も強いものを3つ、そして話し手が確信がないと認めた点。根拠それぞれについて、文字起こしから該当する行をそのまま引用してください。文字起こしに含まれていないことは、埋め合わせずに「書かれていません」と述べてください。

チュートリアルの場合：

この文字起こしを、発表者が行う操作の番号付きチェックリストに変換してください。順番どおりに、1項目1行、命令形で書いてください。うまくいかない場合の注意を述べている手順には、横にタイムスタンプを添えてください。

長いインタビューやポッドキャストの場合：

この文字起こしに出てくる個別のトピックを、開始タイムスタンプとともにすべて挙げてください。まだ要約はしないでください。そのうえで、議論に最も時間が使われた3つのトピックだけを要約してください。

効いているのは2つの要素で、3つすべてに付け足しておいてください。ひとつ目は引用を求める指示です。逐語の行を出さなければならないモデルは元のテキストに固定され、行を見つけられなければそう伝えるしかなくなります。これによって要約は「主張」から「確認できるもの」に変わります。ふたつ目は「文字起こしにはありません」と言ってよいという明示的な許可で、これが作り話をする圧力を取り除きます。

---

破綻するポイント：字幕、長さ、でっち上げのタイムスタンプ

失敗のしかたは5つ。入り口で完全に足止めされるものから、出力を静かに汚していくものまであります。

字幕トラックがない。 字幕がまったくない投稿もあります。音楽、一部の英語以外の投稿、字幕を無効にしている制作者、終わったばかりの配信などです。字幕がなければ文字起こしもなく、文字起こしがなければテキストもないので、音声の文字起こし以外のすべての方法は最初から使えません。

でっち上げのタイムスタンプ。 これは覚えておく価値のあるサインです。YouTubeの文字起こしパネルにはタイムスタンプが表示されますが、単純にコピーすると失われることがあり、多くの文字起こしツールはそれを取り除きます。貼り付けたテキストにタイムスタンプがなかったのに要約にずらりと並んでいるなら、その数字はすべて作られたものです。見た目は正しく、間隔ももっともらしく見えます。それでも、書かれている場面へは連れて行ってくれません。

長さ。 人が普通の速さで話すと1分あたりおよそ150語なので、1時間の講演はおよそ9,000語、3時間のポッドキャストは27,000語近くになります。今のコンテキストウィンドウはそれを飲み込めますが、飲み込むことと注意を向けることは別です。Liuらは2024年、Transactions of the ACLの「Lost in the Middle」で、関連する情報が長い入力の冒頭か末尾にあるときにモデルの性能が最も高く、途中に埋もれると大きく低下することを示しました。長い動画の要約が、最初の10分と最後の5分については鋭いのに、そのあいだの1時間についてはぼんやりしがちなのは、これが理由です。ウィンドウの狭い小さなモデルは別の壊れ方をします。切り詰めが起きて、終盤がまるごと失われるのです。この2つの仕組みはコンテキストの劣化と長文コンテキスト検索で詳しく扱いました。実践的な対策は、文字起こしを2,000語から3,000語のかたまりに分け、それぞれを要約し、その要約をさらに要約することです。

字幕の誤り。 自動字幕は固有名詞、専門用語、数字を崩します。「Lee Kwan you」や「10のマイナス9乗」のような崩れたテキストを渡されても、モデルはそれを指摘せず、いちばんもっともらしいものへとなめらかに直してしまいます。名前や数値は、まさにあとで引用したくなる部分です。要約ではなく動画そのものと突き合わせて確認してください。

スポンサーの読み上げとイントロ。 文字起こしには広告も、チャンネルの宣伝も、支援者リストも含まれます。本編以外のセグメントを飛ばすようモデルに伝えないかぎり、スポンサー付き動画の要約は、マットレスについての自信たっぷりの段落から始まりかねません。

---

30秒でできる精度チェック

要約をそのまま鵜呑みにする必要はありません。チェックは2つあり、1つ目が30秒版です。

まずは引用テストです。要約の中心的な主張を裏づける文を、動画から逐語で1文出すよう求め、その中の特徴的なフレーズで文字起こしを検索します。その行が存在すれば、モデルは読んでいました。存在しなければ、あるいは動画そのもののように聞こえるのにどこにも見つからない文が返ってきたなら、それは再構成です。その要約に含まれる他のすべての主張も、同じだけ疑うに値します。

2つ目のチェックは引っかけ質問で、こちらのほうが意地悪です。動画にまったく出てこないことについて尋ねます。Kubernetesに一度も触れていない動画に対して「話し手はKubernetesについて何と言っていましたか」と聞くのです。根拠づけられたモデルなら、それは話題に上がらなかったと答えます。それ以外の答えが返ってきたら、そのツールが「知らないとき」に何をするのかが正確に分かったことになります。

新しいツールやワークフローを初めて使うときと、アップデートのあとには、両方を実行してください。既定値は静かに変わりますし、先月まで根拠づけられていたワークフローが、何も告げずに文字起こしの取得をやめることがあります。要約が確認できたら、YouTube動画を要約する方法が、それを記憶に残るものへ変えるプロンプト、手作業の手法、復習のスケジュールを扱っています。

---

要約は学びではない理由

素晴らしい動画の完璧な要約であっても、来週のあなたが何を知っているかには、ほとんど何も貢献しません。

要約を読むと学んだ気がします。流暢で、労力がいらないからです。そして流暢さは、記憶の定着を測る指標としては悪名高いほど当てになりません。Dunloskyらは2013年、Psychological Science in the Public Interestでよく使われる10の学習法を検討し、ハイライトと下線を有用性の低い手法と評価しました。「In most situations that have been examined and with most participants, highlighting does little to boost performance.」（検討されたほとんどの状況で、そしてほとんどの参加者において、ハイライトは成績をほとんど向上させない、という意味です。）最高評価を得た2つの手法は、練習テストと分散学習でした。AIの要約を受動的に読むことは、そのどちらよりも弱い行為です。自分の判断が関わる唯一の部分、つまり何が重要かを選ぶ作業が、すでにあなた抜きで終わってしまっているからです。

本当に効果があるのは、要約に2分ほど上乗せする次の作業です。

1. 文字起こしの中で、30行ではなく3行だけハイライトする。 確かにDunloskyらはハイライトを有用性が低いと評価しました。その理由は、多くの人がすべてをハイライトしてしまうからです。3行という厳しい上限が、それを逆転させます。ある行に印をつけるには他の行を捨てなければならず、その「捨てる」作業こそ、要約があなたの代わりにやってしまった判断なのです。
2. 読み返す前に、記憶だけで1文書く。 要約を閉じてください。主張は何でしたか。この思い出そうとする試みそのものが記憶を作ります。しかも、間違えたときでさえ効果があります。理由はアクティブリコールで扱っています。
3. 動画が答えてくれなかった問いをひとつ書き足す。 これが次回引っ張るための糸になり、要約の山を、本当の探究の筋道へと変えます。

Glaspのウェブハイライターは、このワークフローを中心に作られています。文字起こしや記事の中で重要な行をハイライトし、自分のノートをその隣に置き、チャット履歴を遡らなくても数か月後にコレクション全体をもう一度見つけられます。Glaspのハイライトは既定で公開されるため、コミュニティでは、同じ動画から他の人がどの行を抜き出したのかも見られます。自分が見落としたものを手早く知る方法です。どうすれば定着するかについては、読んだ内容を記憶に残す方法でさらに詳しく扱っています。

---

よくある質問

ChatGPTはリンクだけでYouTube動画を要約できますか？

確実にはできません。文字起こしがなければ、タイトルと説明文、そしてそのテーマについてモデルが元々持っている知識から答えることになるため、返ってくるのは動画ではなくトピックの説明です。文字起こしのテキストを貼り付ければ、動画の説明になります。

YouTube向けのChatGPTプラグインや拡張機能はありますか？

OpenAIは2024年4月に当初のプラグインストアを閉じました。名称は2026年7月に復活し、OpenAIはApp DirectoryをPlugin Directoryへ改名しましたが、そこにあるプラグインはスキルや連携アプリをまとめたもので、YouTubeのページ上であなたと一緒に動くものはひとつもありません。つまり「YouTubeのためのChatGPT」の実用的な答えは、今もブラウザ拡張機能です。ページから文字起こしを取得し、1クリックでモデルに渡してくれます。GlaspのYouTube Summaryがまさにそれを行います。このやり方と素のChatGPTを並べて比較したページもあります。

ChatGPTで無料でYouTube動画を要約できますか？

できます。YouTube標準の「文字起こしを表示」パネルは無料で、ChatGPTの無料プランでも貼り付けたテキストは要約してくれます。実質的なコストはコピーと貼り付けの手間だけで、それは拡張機能が取り除いてくれます。

YouTube動画の要約に最適なプロンプトは何ですか？

構造を指定し、引用を要求するプロンプトです。中心的な主張を1文で、それを支える最も強い3点をそれぞれ該当する文字起こしの行つきで求め、文字起こしに書かれていない場合はそう言ってよいと明示的に許可します。この引用の要求が、モデルを情報源につなぎ止めます。

字幕のないYouTube動画をChatGPTは要約できますか？

そのままではできません。読むためのテキストが存在しないからです。まずWhisperのような音声認識モデルで音声を文字起こしし、そのうえで生成した文字起こしを要約してください。

ChatGPTはどれくらい長いYouTube動画を要約できますか？

長い文字起こしも今のコンテキストウィンドウには収まりますが、非常に長い入力では中盤の精度が落ちます。1時間を超えるものは、文字起こしを2,000語から3,000語のかたまりに分け、かたまりごとに要約し、その要約をさらに要約してください。

YouTube動画の要約では、GeminiのほうがChatGPTより優れていますか？

YouTubeのリンクをそのまま受け取るという特定の用途に限れば、そうです。GoogleはGemini APIでYouTubeのURLをそのまま扱えると公式ドキュメントに明記しており、対象は公開動画のみ、APIの無料枠は1日あたり8時間の動画までです。要約したあとの作業については、見出しの印象ほどの差はありません。どちらも主に音声と文字起こしから作業しているからです。

ChatGPT Atlasはまだ使えますか？

使えません。Atlasは2026年8月9日に終了しました。OpenAIはブラウザ上でのエージェント的な作業を、Chrome向けのChatGPT拡張機能と、ChatGPTデスクトップアプリ内蔵のブラウザへ移しました。

---

結論：根拠づけは推測に勝る

ChatGPTでYouTube動画を要約する信頼できる方法は、どれもひとつの考えの変奏です。本物のテキストをモデルの前に置くこと。文字起こしをコピーする、コピーを代行してくれる拡張機能を使う、ブラウザのアシスタントに尋ねる前に文字起こしパネルを開く、字幕がないときは自分でテキストを作る。うまくいかないことは、すべて同じ原因にたどり着きます。でっち上げのタイムスタンプも、見たこともない動画についての自信たっぷりのエッセイも、そのまま引用していたかもしれない崩れた名前も、すべては、見せられてもいないものについて報告するよう求められたモデルの産物です。

そして引用テストを一度だけ実行してください。30秒で済みますし、もっともらしく聞こえるだけの要約とあなたのあいだに立ってくれる唯一のものだからです。

要約が良いものだったなら、そこで止まらないでください。文字起こしから3行抜き出し、記憶だけで1文書き、動画が残した問いを書き留める。GlaspのYouTube Summaryは文字起こしとタイムスタンプとハイライト機能を1か所にまとめているので、この最後の一歩は「やろうと思って結局やらなかったこと」ではなく、2分で終わる作業になります。要約は下書きです。書き込まなかった下書きを覚えている人は、誰もいません。