はい。AIは動画を座って見ることはできませんが、その文字起こしを読むことはできます。そしてほとんどのYouTube動画では、中身はそこにあります。何が、いつ話されたかです。2026年11月21日、私たちはAIに文字起こしを読ませる方法で、YouTube動画101本、計34時間分を「視聴」させました。かかった時間は3分28秒です。
文字起こしの取得には自社ツールのYouTubeTranscript.devを、読み取りにはAIモデルを使いました。以下に、入力したもの、出てきたもの、AIの間違い、そして自分のリストで同じことをする方法をまとめます。
何を渡して、費用はいくらだった?
誰もが持っていて、決して見終わらないリストです。AI系のYouTubeチャンネル29本が9日間に投稿したすべての動画。以前の調査で使ったAIツール系31チャンネルから、2026年11月12日〜21日に公開された3分以上の動画をすべて選びました。2チャンネルはその長さの投稿がなかったため、101本になりました。
実際の検証、2026年11月21日(UTC)、YouTubeTranscript.devのAPI経由。
| 測定したもの | 結果 |
|---|---|
| 動画 | 101本、29チャンネル |
| 長さ | 34.0時間(中央値17分49秒、最長56分55秒) |
| 見つかった文字起こし | 101本すべてに字幕あり、音声のAI文字起こしが必要な動画はゼロ |
| 語数 | 407,082語 |
| 全文字起こしの取得時間 | 120.6秒、1回のバッチリクエスト |
| AIの読み取り時間 | 74.4秒(1本ずつ)+ 12.7秒(全体の比較) |
| YouTubeTranscript.devのクレジット | 101(1本1クレジット) |
| AIモデルの利用料 | 0.41ドル |
測定方法: チャンネル一覧とバッチは2026年11月21日04:00〜04:05 UTCに当社のAPI経由で処理しました。バッチ時間はバッチ自体の作成・完了タイムスタンプから算出。語数は返されたテキストで数えています。クレジットは処理前(2,189)と処理後(2,088)の残高です。AI費用は各リクエストが報告したトークン数に、モデルの定価を掛けたものです。
何度も出てきた教訓は何だった?
AIに各動画の教訓を、文字起こしからそのまま写した引用付きで挙げてもらいました。次に、同じことを言っている教訓をまとめさせました。以下の数字はそのまとまりから算出した動画の本数で、AIが書いた数字ではありません。
結果:34時間の代わりに読んだであろう1ページ。
- Fable 5.2は結果が良いが、Opus 5.5より高い(6本)。Jack Robertsは「twice as expensive as Opus 5.5 and 50% slower」と述べています(24:50)。
- 大きな仕事はエージェントの「スウォーム」に分担させる(6本)。
- Gemini 4 Neonは安く、トップモデルに近い(5本)。
- Claudeがビデオ通話に参加できるようになり、話している間にドキュメントやホワイトボードを作る(4本)。
- 簡単な作業には小さく安いモデルを使う(4本)。
- エージェントの危険な操作の前には人間の承認を入れる(4本)。
- モデルはベンチマークではなく自分の仕事で試す(4本、3チャンネル)。「Make your own benchmark. Take five to 10 real tasks you do every single week」(TheAIGRID、29:22)。
AIを使わない単純な単語カウントでも、この週の話題が分かります。101本の文字起こしのうち、Claudeは78本、Fableは58本、Opusは56本、GPTは41本、Geminiは35本に登場しました。
最も驚きの主張は何だった?
AIを追っている人が驚く主張を挙げてもらいました。これはクリエイターがその時点で話した内容です。私たちは検証していません。人に伝える前に確認してください。
- AnthropicのIPOは「raised $81.3 billion」(Matt Wolfe、0:31)。
- GPT-6.2 Astraは「scored 100% on ARC-AGI 3」、初の満点(TheAIGRID、5:33)。
- Fableは「coordinated over a thousand sub agents working around the clock for eight days and built a working operating system」(Ben AI、7:35)。
- Anthropicでは、AIエージェントの作業時間が社員の作業時間を「by six or 7 to one」で上回っている(Nick Saraev、3:40)。
- 小さなオープンモデルが「refused 92 out of 100」件を拒否し、安全性の学習を外した後は100件中4件だった(Jack Roberts、30:29)。
クリエイターの意見が分かれたのはどこ?
これは1本の動画の要約では得られない部分です。異なるチャンネルが正反対の答えを出した問いをAIに探させました。
- Fable 5.2は価格に見合う? 「見合う」が2人:MattVidPro(「for some people it's definitely worth it」、8:16)と、普段使いにしているJack Roberts(26:03)。「Opus 5.5のままで」が2人:Ben AI(「faster and it's half the price」、4:16)とDavid Ondrej(2:14)。
- どのモデルを選ぶかはまだ重要? corbin:「at a certain point it's just going to get so good it doesn't matter who you choose」(3:21)。AI Explained:「the main three families of models on your particular task」を試すべき(2:03)。
- AIによる動画編集はもう使える? Wes RothはFableを「top of the line」と評価(20:52)。Nate Herkは2つのトップモデルを試し「they were both really bad」(9:12)。
AIは何か間違えた?
はい。だからこそ、すべての発見に引用を付けました。
- 作られた引用。 AIは1,053件の引用を返しました。一つずつ文字起こしで検索すると、一字一句そのまま見つかったのは829件で、残りの224件(21%)は除外しました。この記事のタイムスタンプはすべて文字起こしから取ったもので、AIが出したものではありません。
- 食い違いではなかった食い違い。 AIは7件を指摘しました。読んでみると、成り立っていたのは4件。1件ではクリエイターを逆の側に分類していたので修正しました。
- 画面にしかないもの。 文字起こしにあるのは話された内容です。ナレーションのないグラフ、デモ、コードエディターはAIには見えません。
- 字幕のつづり。 ある動画のタイトルには「Riemann Hypothesis」とありますが、この単語は101本の文字起こしのどれにも出てきません。字幕では別のつづりになっているからです。正確な単語だけでなく、意味で探しましょう。
自分の動画リストで同じことをするには?
ウェブサイトで。 チャンネルや再生リストのリンクをYouTubeTranscript.devに貼り付ければ、すべての動画の文字起こしがタイムスタンプ付きで1回の処理で届きます。「後で見る」は非公開なので、先に動画を公開の再生リストにコピーしてください。そのうえで、普段使っているAIアシスタントに次のプロンプトと一緒に文字起こしを渡します。
保存したまま見ていない動画の文字起こしです。動画ごとに、実践できる教訓を最大5つと、最も驚きの主張を挙げてください。各ポイントには文字起こしの言葉をそのまま引用し、タイムスタンプを付けてください。そのうえで全動画を通して、3本以上の動画に出てきた教訓はどれか、2本の動画で意見が食い違ったのはどこかを教えてください。文字起こしにある内容だけを使ってください。
動画が数本より多い場合は、長い文書をAIで要約する方法のようにグループに分けてください。
APIで。 私たちが行った方法です。チャンネルのアップロードを一覧取得し、すべての動画IDを1回のバッチリクエストで送り、好きなAIモデルで文字起こしを読みます。逐語の引用を求め、信用する前に一つずつ文字起こしのテキストと照合してください。数行のコードで済み、私たちの場合は224件の誤った引用を見つけました。
Claude CodeやClaude Desktopで。 YouTubeTranscript.devにはMCPサーバーがあるので、Claudeが自分で文字起こしを取得できます。APIキーを使って追加します:
claude mcp add --transport http youtubetranscript https://mcp.youtubetranscript.dev --header "x-api-token: YOUR_API_KEY"
そして「これらの動画の文字起こしを取得して、見逃した内容をタイムスタンプ付きで教えて」と頼みます。
自分でやるといくらかかる?
- 文字起こし: 字幕のある動画は長さに関係なく1本1クレジット。今回の101本は101クレジットでした。字幕のない動画は音声から文字起こしし、2分ごとに1クレジットです。
- プラン: 無料プランは毎月10クレジット、1回のバッチで最大10本。Basicは月9ドルで1,200クレジット、1回のバッチで最大500本。この検証を月11回できる量です。詳しくは料金へ。
- AIの読み取り: 今回は407,082語で0.41ドル。大きなモデルなら費用は増えますが、1本ずつの読み取りは小さなモデルで十分でした。
34時間の動画を4分足らずで、101クレジットと41セントで読めました。注意点は上のとおりです。引用を求め、確認しましょう。
よくある質問
AIは本当にYouTube動画を見られるのですか?+
人と同じようには見られません。動画の文字起こしを読みます。文字起こしには話された内容がタイムスタンプ付きで入っています。グラフやナレーションのないデモなど、画面にだけ映るものは分かりません。顔出しで話す動画、チュートリアル、ポッドキャストなら、内容のほとんどは文字起こしにあります。
AIで100本のYouTube動画を要約するのにどれくらいかかりますか?+
2026年11月21日の検証では、101本(34時間)で処理時間は3分28秒でした。1回のバッチで全文字起こしを取得するのに2分、AIが1本ずつ読むのに74秒、全体を比較するのに13秒です。
費用はいくらですか?+
今回の検証はYouTubeTranscript.devで101クレジット(字幕のある動画は長さに関係なく1本1クレジット)、AIモデルの利用料が0.41ドルでした。無料プランは毎月10クレジット、Basicは月9ドルで1,200クレジット、1回のバッチで最大500本です。
AIの要約は信用できますか?+
確認してください。今回、AIは1,053件の引用を返しましたが、文字起こしに一字一句そのまま存在したのは829件だけで、残りは除外しました。AIが指摘した7件の意見の食い違いのうち、成り立っていたのは4件です。発見ごとに引用とタイムスタンプを求めれば、数秒で確認できます。
Claudeに「後で見る」リストを見てもらえますか?+
ClaudeはYouTubeTranscript.devのMCPサーバー経由で文字起こしを読めます。「後で見る」は非公開なので、動画を公開の再生リストに追加するかリンクをClaudeに渡し、各文字起こしを取得して要約するよう頼んでください。