watch-youtube

YouTube を視聴する

Google の Gemini API を使用して YouTube 動画を実際に 視聴 し、動画についての質問に回答します。

仕組み

Gemini は YouTube 動画の音声と映像のストリームを 1 FPS で処理します。URL とプロンプトを渡すと、分析結果が返されます。

使用する場合

• ユーザーが YouTube の URL を共有し、要約、文字起こし、または分析を求めている場合
• ユーザーが「この動画では X について何と言っていましたか？」と尋ねている場合
• ユーザーが重要な場面のタイムスタンプを求めている場合
• ユーザーが複数の動画を比較したい場合（Gemini 2.5 以降では 1 回のリクエストにつき最大 10 本）

使用しない場合

• 非公開または限定公開の動画（公開動画のみ利用できます）
• ユーザーが動画のリンクまたはメタデータだけを求めている場合

セットアップ

GOOGLE_API_KEY 環境変数が必要です。https://aistudio.google.com/apikey で無料のキーを取得できます。

使い方

スクリプトを実行します：

GOOGLE_API_KEY="$GOOGLE_API_KEY" python3 ~/.openclaw/workspace/skills/watch-youtube/watch.py "<youtube_url>" "<prompt>"

例

要約：

watch.py "https://www.youtube.com/watch?v=VIDEO_ID" "Summarize this video in 5 bullet points"

タイムスタンプ：

watch.py "https://www.youtube.com/watch?v=VIDEO_ID" "List the key moments with timestamps"

質疑応答：

watch.py "https://www.youtube.com/watch?v=VIDEO_ID" "What tools or products did they mention?"

特定のセクション：

watch.py "https://www.youtube.com/watch?v=VIDEO_ID" "What happens at 05:30?" 

制限

• 無料枠： YouTube 動画は 1 日あたり 8 時間まで
• 有料枠： 制限なし
• リクエストあたりの最大動画数： 10 本（Gemini 2.5 以降）
• 動画の最大長： 約 1 時間（コンテキスト 1M）、約 3 時間（低解像度）
• 動画 1 秒あたり約 300 トークン

モデル

• gemini-2.5-flash — 高速かつ低コストで、ほとんどの用途に適しています
• gemini-2.5-pro — より深い分析や長時間の動画に適しています
• gemini-3-flash-preview — 最新モデルで、最高品質です

フォールバック：文字起こしモード

Gemini が失敗した場合（割り当て超過、動画が長すぎる、API キーがないなど）、スクリプトは自動的に youtube_transcript_api を使用して YouTube の文字起こしを取得します。

フォールバックで行われる処理：

1. URL から動画 ID を抽出します
2. タイムスタンプ付きの自動生成字幕を取得します
3. 元のプロンプトとともに、全文の文字起こしをテキストで返します

返される内容： タイムスタンプ付きの生の文字起こしです。呼び出し元のエージェントはそのテキストを読み、プロンプトに回答する必要があります。フォールバックモードでは、Gemini レベルの映像・音声分析は利用できません。

フォールバックの制限：

• 映像分析はできません（画面に何が映っているかを説明できません）
• 音声以外のコンテンツについては回答できません
• 動画に自動生成字幕または手動字幕が必要です
• 字幕のない非公開・限定公開の動画では、処理全体が失敗します

フォールバックが実行される条件：

• Gemini の割り当て超過（429 / RESOURCE_EXHAUSTED）
• 動画がコンテキストウィンドウを超えている場合（>1M トークン / 約 1 時間）
• GOOGLE_API_KEY が設定されていない場合
• 「quota」、「token」、「context」、「too long」、「exceeds」を含むその他の Gemini API エラー