Difyで「Youtubeの字幕から動画内容を要約するチャットボット」を開発する方法について徹底解説！

URL：https://cloud.dify.ai/signin

「GitHub」または「Google」アカウントを用いてDifyではアカウントを作成します。

手順や複雑さに違いはないため、普段よく使用するアカウントを選んで作成しましょう。
画面の指示に従い「GitHub」または「Google」アカウントでログインを行えば、Difyアカウントの作成は完了です。

アカウント作成またはログインが完了すると、Difyのトップページに移動します。

この画面右上に表示されている「自身のアカウント名」をクリックし、表示されるメニューから「設定」を選択します。

「モデルプロパイダー」を選択し、LLMの設定画面に移動します。

ChatGPTとClaudeに関しては標準でモデルの組み込みが行われているため、この2つのLLMのどちらかを使用してDifyを利用する場合には、

ChatGPTの場合は、OpenAIタブの横にある「API-KEYセットアップ」
Claudeの場合は、ANTHROPICタブの横にある「API-KEYセットアップ」

をクリックして、APIキーのセットアップ画面を表示します。
表示された画面にそれぞれのAPIキーを入力すると接続が完了し、Difyで使用できるようになります。

※ChatGPTの利用に限り、API接続を行わなくても一定回数無料で使用することが可能です。

ステップ2と同様に、「モデルプロパイダー」を選択しLLMの設定画面に移動します。

この画面の下に表示されている、「モデルプロパイダを追加」から、使用したいLLMを探し、カーソルを合わせます。
カーソルを合わせると「モデルを追加」または「セットアップ」という表示が現れるため、そちらをクリックします。

表示された画面の指示に従い、モデルタイプの選択やAPIキーなどの求められた情報を入力すると接続が完了し、Difyで使用できるようになります。

※この設定は必須ではありません。特定のLLMをDifyで使用したい場合のみ設定を行なってください。

LLMの接続を行ったらホーム画面に移動し、「アプリを最初から作成」というボタンを選択します。

表示される画面で以下のように設定を行い、「作成する」ボタンをクリックします。

アプリタイプ：チャットボット
オーケストレーション：Chatflow
アプリアイコン：任意のものを選択
アプリ名：任意の名前を入力

アプリ構築画面で「LLM」を選択し、以下のように設定を変更します。

モデル：ステップ4,5にて追加したLLMを選択(この記事ではGPT-4oを使用します。)
SYSTEM：以下の内容を入力

以下のYouTubeのURLから動画IDを抽出して、抽出した動画IDのみを出力してください。
--
{{#sys.query#}}

「LLM」ブロック右側のプラスボタンを選択します。

表示されるメニューから「ツール」を選択し、「YouTube Transcripts API」を選択して追加します。

追加した「YouTube Transcripts API」を開き、「承認するには」を選択します。

画面左下に表示されている「取得方法」を選択 または以下のURLよりSearchApiの公式サイトに移動します。

URL：https://www.searchapi.io

画面右上の「Sign up」を選択し、SearchApiのアカウントを作成します。

アカウント作成後に表示される画面にてAPIキーを取得することが可能です。

「Your API Key」という項目から、APIキーをコピーします。

取得したAPIキーをDifyに入力し、保存を選択します。

「video_id」と「Language」の項目を以下のように設定します、

video_id：

{{#llm.text#}}

Language：en

ここで入力をした言語の字幕のみをDifyが取得します。
ここでは英語の字幕を取得するため「en」と入力を行いましたが、別の言語の字幕を取得したい場合には、以下のURLから言語コードを確認して入力を行ってください。

URL：https://developers.google.com/custom-search/docs/ref_languages?hl=ja

「YouTube Transcripts API」ブロック右側のプラスボタンを選択し、「LLM」ブロックを追加します。

追加した「LLM2」というブロックを選択し、以下のように設定を変更します。

モデル：ステップ4,5にて追加したLLMを選択(この記事ではGPT-4oを使用します。)
コンテキスト：YouTube Transcripts APIの「text」を選択
SYSTEM：以下の内容を入力

以下はYouTubeの字幕データです。
日本語で要約をしてください。
--
*「/」を入力して表示されるメニューから、YouTube Transcripts APIの「text」を選択*

回答の設定を、「LLM2」というブロックの「text」に修正します。

ここまでの設定を全て終えると、「YouTube字幕から動画内容を要約するチャットボット」の開発は完了です。
画面右上に表示されている「公開する」というボタンからアプリを公開しましょう。

公開後に正しく動画内容の要約が行われない場合、まず以下の内容を確認してください。
・チャットボットに送信するYouTube動画に「ステップ15で設定した言語の字幕」が存在しているか

それでも改善しない場合、ステップ8にて正しく動画IDのみを抽出できていない可能性があります。
SYSTEM欄に入力をするプロンプトを「絶対に動画ID以外のテキストを送信しないように」と念押しするものに修正をして、再度公開を行いましょう。