HomeBlogTranscribePlansAPI Keys

OpenAI Responses API MCP: GPT-5のYouTube文字起こし

OpenAI Responses APIがリモートMCPサーバーに接続してYouTube文字起こしを取得

OpenAI Responses APIはリモートMCPサーバーを直接呼び出すことができます―toolsでサーバーを宣言すると、モデルはそのツールを自動的に検出して呼び出します。youtube2text.orgのMCPサーバーを接続すれば、GPT-5は会話中に任意のYouTube文字起こしを取得できます。単一のfetch呼び出しも書く必要がありません。今日、この正確なセットアップをgpt-5に対してテストしました。以下の設定はコピー&ペースト可能です。

ツールブロック

これが全統合です:

{
  "type": "mcp",
  "server_label": "youtube2text",
  "server_url": "https://youtube2text.org/mcp",
  "headers": {"x-api-key": "YOUR_KEY"},
  "require_approval": "never"
}

headersフィールドはyoutube2text APIキーをすべての呼び出しでサーバーに渡します。require_approval: "never"は人間の承認ラウンドトリップをスキップします―ここでは合理的です。唯一のツールは読み取り専用の文字起こし取得だからです。youtube2text.org/app/keysでGoogleサインイン経由でキーを取得するか、GET https://youtube2text.org/api/demo-keyから共有デモキーを取得します（月5ビデオあたりIP）。

完全なPythonの例

from openai import OpenAI

client = OpenAI()

resp = client.responses.create(
    model="gpt-5",
    tools=[{
        "type": "mcp",
        "server_label": "youtube2text",
        "server_url": "https://youtube2text.org/mcp",
        "headers": {"x-api-key": "YOUR_KEY"},
        "require_approval": "never",
    }],
    input="Summarize https://www.youtube.com/watch?v=dQw4w9WgXcQ "
          "in five bullet points.",
)

print(resp.output_text)

以上です。文字起こし取得コードなし、解析なし、プロンプトアセンブリなし。モデルは文字起こしが必要であると判断し、ツールを呼び出し、結果を読み、概要を書きます。

舞台裏で何が起こるか

resp.outputを見ると、メカニズムがわかります:

  1. まずmcp_list_toolsアイテムが現れます。Responses APIはhttps://youtube2text.org/mcpに接続してツールマニフェストをプルしました―私たちの場合、単一のツールtranscribe_video(url, maxChars?)で、{title, content, contentSize, videoId, pubDate, truncated}を返します。このインポートは会話ごとに1回発生し、後続のターンでキャッシュされます。
  2. モデルがそれを呼び出すことを決定すると、mcp_callアイテムが表示され、選択した引数（{"url": "https://www.youtube.com/watch?v=..."}）と、サーバーが応答した後、完全なツール出力が表示されます。
  3. 最後に、モデルの答え、つまりoutput_textが提供するものを含む通常のmessageアイテムが表示されます。

サーバーはストリーミング可能なHTTPでステートレスなため、管理するセッションハンドシェイクはありません―各呼び出しは独立しています。ビデオに字幕がない場合、ツールはTRANSCRIPT_UNAVAILABLEエラーを返し、モデルはそれを実行を停止する代わりに平文の英語で中継します。

知る価値のあるちょっとした癖

GPT-5は文字起こしから短い断片を喜んで要約、分析、引用します。長い逐語的なパッセージを再現するように要求すると、拒否する可能性があります―OpenAIの著作権ガードレールは第三者のコンテンツの拡張された逐語的再現に対して動作します。今日のテストでは、要約、トピック抽出、Q&Aはすべて摩擦なく機能しました。「全トランスクリプトを返して」はそうではありませんでした。生のテキストが必要な場合、モデルを完全にスキップしてcurlを使用したRESTエンドポイントにヒットします―そうしないと、自分のAPI応答をロンダリングするためにトークンを支払っています。

コストに関する注記

文字起こしは大きいです。1時間の会話はおおよそ8,000～10,000単語で、すべてGPT-5のコンテキストにツール出力として到着し、入力トークンとして請求されます。大量で要約している場合、プロンプト指示でmaxCharsを渡す（モデルはそれをツール引数として転送する）か、より安いもので前処理します。

同じサーバー、他のクライアント

同じMCPエンドポイントはClaudeで機能します―Messages API mcp_serversブロック経由またはclaude.aiコネクタおよびClaude Codeで―したがって、1つのyoutube2textキーはエージェント動物園全体をカバーします。

キーとプラン（無料5/月から無制限まで$19.99）はyoutube2text.org/app/keysにあります。