動画の文字起こしが取得できない問題をAIと解決した話

仕事から帰ってきて、リビングでスマホを開く。

「これ見ておくと良さそう」と思った動画が、また20分越えだった。最近こういう動画が増えた気がする。

正直に言うと、もう見る気力が残っていないことが多い。かといって見逃すのも惜しい。そこで「文字起こしだけ先にAIに読ませて、要点をつかんでから必要なら本編を見る」という運用を試してみることにした。

kuma

この動画、文字起こしだけ読ませて要約してもらえる？

MCPを繋いだだけでは動かなかった

Claude Codeには「MCP」という仕組みがあり、外部ツールを追加接続できる。動画の文字起こしを取得するMCPサーバーも存在したので、まずはそれを導入した。

導入自体は数分で終わった。ところが実際にURLを渡すと、期待していた文章の代わりに[object Object]という文字列が大量に返ってくる。

グリッグ

ちょっと待って。これ、文字起こしのデータが正しく変換されずに返ってきてる。中身が読めない。

原因は、MCPサーバーが返す文字起こしデータが「セグメントごとの配列」になっていて、それをそのままテキストとして扱おうとすると中身が展開されずに壊れる、という不具合だった。動画によって発生したりしなかったりするため、最初は原因の切り分けにも時間がかかった。

MCP経由がダメなら、と次に試したのがWebFetchで動画のページを直接取得する方法。しかし動画ページはJavaScriptで内容を描画しているため、WebFetchで取れるのは動画タイトルくらいで、肝心の文字起こしは手に入らなかった。

検索して関連記事を探す方法も試したが、これはこれで「その動画についての誰かの感想」が出てくるだけで、動画そのものの内容（具体的な手順やチャプター構成）は反映されない。参考にはなっても、代用にはならなかった。

ここで思い出したのが、普段からブラウザ拡張の「Obsidian Web Clipper」で気になったページを保存する習慣があったこと。動画のページもこの拡張でクリップすると、字幕データごとテキストファイルとして手元のメモアプリ（Obsidian）に保存できる。

つまり、動画を見つけた時点でひとまずWeb Clipperでクリップしておき、後からAIにはそのファイルを読んでもらえばいい。MCP側の不具合を待つ必要がなくなった。

グリッグ

先にクリップしておいてもらえれば、あとは僕がそのメモを読んで要約するだけ。これが一番安定してる。

今は「動画学習」と一言伝えるだけで、この一連の流れ（保存済みメモを探す→なければ文字起こし取得を試みる→それも無理なら手動での貼り付けをお願いする）を自動で辿ってもらう運用に落ち着いている。

kuma

なるほど、先に保存しておくのが結局いちばん早いんだね。

20分の動画を毎回律儀に見る生活から、要点だけ先につかんで必要なところだけ見る生活に変わった。ツール選びで詰まったときほど、遠回りに見える「先に手元に残しておく」やり方が近道になることがある。