40 ページの PDF を読み終えれば、そこに何が書いてあったかは分かります。けれど各パートがどう繋がっているか——どの概念がどれに依存し、論旨がどこで分岐し、一見無関係な 2 つの章がどこで同じ根本メカニズムに合流するのか——は分かりません。その構造的な理解は、頭の中のぼんやりした空間感覚として存在するだけで、指させる場所にも、共有できる場所にも、続きを積み上げられる場所にも存在しません。

マインドマップは数十年にわたってこの問題の標準解でした。ネックは形式ではなく、労力です。ソースから概念を手で抜き出し、階層を並べ、関連を線で引く——資料そのものを読むより時間がかかります。多くの人は一度試して、その時間コストに気づき、二度とやらなくなります。

NotebookLM は Studio パネルにマインドマップ機能を追加し、この抽出作業を自動化しました。ただし notebooklm.google.com のブラウザタブの中に閉じ込められていて、書き出しもローカルレンダリングもなく、研究者が実際に使っているナレッジ管理ツールとも繋がりません。

GeminiDesktop はマインドマップを一級のデスクトップ機能として実装しました：構造化された出力、ローカルレンダリング、Obsidian Canvas への直接書き出し。

TL;DR：30 秒で決める判断ガイド

Obsidian をメインのノートにしている：GeminiDesktop なら .canvas を直接書き出し、手作業の変換はゼロ。
Miro / Whimsical でチーム共同作業をしている：GeminiDesktop から JSON を書き出し、Miro API か手動貼り付けでノードを持ち込む。
構造をざっと眺めたいだけで、後から編集しない：NotebookLM Studio で十分。ブラウザでワンクリック。
複数の文書を横断した統合マインドマップが欲しい：GeminiDesktop の sources 配列があるので NotebookLM より圧倒的に有利。
オフラインで描画し、数百ノードの大きな図でも重くならない環境が要る：デスクトップネイティブ + ReactFlow の GPU アクセラレーションは GeminiDesktop.app だけ。

AI 生成マインドマップはなぜ崩れるのか？

崩れる原因は、多くの実装が文字列の解析に頼っているからです。「マインドマップを作って」とプロンプトを投げると、モデルは入れ子リスト付きの Markdown を返し、アプリはそのテキストを木構造に読み解こうとします。これは絶えず失敗します——モデルはノードの合間にコメントを挟み、途中でインデントの書式を変え、ラベルに引用符を付けたり付けなかったりします。

GeminiDesktop は文字列の解析を通りません。マインドマップの正確な形——ID・ラベル・分類・重要度スコアを持つノード、始点・終点・関係ラベル・重みを持つエッジ——をあらかじめスキーマとして定義し、AI にはその型どおりに埋めてもらいます。返ってくるデータは構造として最初から正しく、解析の運任せになりません。

各ノードは分類と重要度スコアを持ち、各エッジは方向を持つ関係ラベルと重みを持ちます。これは平坦な階層ツリーではなく、ソース資料の実際の概念構造を捉えた重み付き有向グラフです。この設計のおかげで、「A が B を引き起こす」「C は D に依存する」「E と F は対立する見解」といった複雑な関係を表現でき、「親子」階層だけに縛られません。

生成されたデータはどう対話型キャンバスになる？

構造化データはそのまま ReactFlow ベースの描画エンジンに流し込まれ、GeminiDesktop の webview 上で動きます。結果は対話型のキャンバスです：ノードをドラッグしてレイアウトを組み替え、枝を畳んでサブツリーに集中し、ノードをクリックすれば抽出元の原文パラグラフを確認できます。色は分類フィールドに対応し、視覚的な重みは重要度スコアに応じて拡大縮小します。描画はすべてクライアント側のローカルで完結します。

できる操作：

ノードにホバー：ラベル全文 + 出典パラグラフのハイライト表示。
ノードをダブルクリック：サブツリーの展開/折りたたみ、局所構造にフォーカス。
ドラッグ：自由に配置し、自分の見やすさを保存。
検索：Cmd+F で該当ノードへ直接ジャンプ。
書き出し：.canvas（Obsidian）、.json（生データ）、.png（高解像度ビットマップ）、.svg（ベクター）。

複数ソースをまたぐマインドマップは何が違う？

複数ソースをまたぐと、グラフの形そのものが「どこで合意があり、どこで意見が割れているか」を教えてくれます。PDF 1 本のマインドマップも役には立ちますが、驚きはありません。複数のソースを一度に渡して横断的に統合させたとき、この機能は初めて代替不可能になります。

GeminiDesktop が複数ソースのマインドマップを生成すると、各ノードには sources 配列が入り、その概念にどの原典が寄与したかが示されます。複数のソースに現れるノードはグラフの交差点に位置し、単一ソースのノードは外周に集まります。要約は構造を平らに潰しますが、マインドマップは構造を残します。

実例：「2026 Q1 の大規模モデル技術動向」のレビューを準備するとします。arXiv 論文 20 本 + ブログ 10 本 + 会議録音の書き起こし 5 本を GeminiDesktop に投げると、生成されたマップの中心ノードには「拡散モデル / Transformer の改良 / マルチモーダルアーキテクチャ」といった繰り返し現れるテーマが並び、外周には特定の 1 本だけが持つニッチな貢献が置かれます。35 本すべてを読み終えなくても、「みんなが何を語っていて、誰が新しいことを言っているか」が分かります。

他のマインドマップツールと比べてどうなの？

ツール	AI 生成	複数ソース取り込み	対話型	書き出し	ローカル描画	デスクトップ app
NotebookLM Mind Map	あり	あり	ブラウザ内	なし（閲覧のみ）	なし	なし
GeminiDesktop	あり（モデル切替可）	あり	あり	Obsidian Canvas + JSON + PNG/SVG	あり	あり
Miro AI	限定的	あり	あり（共同編集）	Miro 独自形式 + PDF	なし	Web + Mac あり
Whimsical AI	限定的	なし	あり	Whimsical 独自形式	なし	主に Web
Markmap	なし（手書きが必要）	なし	あり	SVG/HTML	あり	VS Code 拡張
XMind AI	あり	限定的	あり	`.xmind` + PDF/SVG	あり	Mac ネイティブ

気づいたこと：

「複数ソースから自動生成 + ローカル描画 + 標準形式で書き出し」の三点を同時に満たしているのは、現時点で GeminiDesktop だけです。
Miro AI はチーム共同のホワイトボード用途に向いていますが、AI 生成の踏み込みは浅め（主に「ここに何を置くか」の提案）です。
XMind AI は Mac ネイティブの老舗で、AI 生成は「一文からアウトラインに広げる」寄り。「PDF から構造を抽出する」のは得意ではありません。
Markmap は技術文書の書き手が手書きの Markdown アウトラインを図に変える用途向け。AI ツールではありませんが、並べて比較する価値はあります。

Obsidian Canvas への書き出しはどう動く？

GeminiDesktop はマインドマップをそのまま Obsidian Canvas 形式（.canvas JSON 仕様）で書き出します。ノードは Canvas のカードに、エッジは接続線に、分類はカードの色にマッピングされます。生成されたファイルは Obsidian で完全に操作可能なキャンバスとして開き、vault 内のノートへのリンク、コンテンツの埋め込み、注釈の追加、レイアウトの再構成ができます。

マインドマップは行き止まりの成果物ではありません。ナレッジ管理ワークフローの出発点です——GeminiDesktop で生成し、Obsidian に書き出し、自分のノートに繋ぎ、理解が深まるにつれて注釈を足していく。AI が生成した構造は、あなた自身の思考の足場になります。

Obsidian ワークフローの例：

PDF を 10 本 ~/Obsidian/Research/Q1-AI/ に置く。
GeminiDesktop でフォルダを右クリックし「Open as Notebook」。
マインドマップを生成 → .canvas を同じフォルダに書き出す。
Obsidian で .canvas を開き、各ノードを vault の既存ノートに双方向リンクする。
読み進めながら、Canvas 上にノードを足し、線を引いて新しい関係を繋ぐ。
最終的に手元に残るのは、あなたが関与したナレッジグラフ。AI に一度見せられて消えていくものではありません。

マインドマップにデスクトップ版が要るのはなぜ？

書き出せて、オフラインで開けて、他のツールと並べて置けるからです。NotebookLM のマインドマップはブラウザ内で描画され、書き出せず、他のツールに埋め込めず、オフラインでも使えず、PDF リーダーと並べて開くこともできません。タブを閉じたら最初からやり直しです。

デスクトップアプリはこの制約をすべて変えます：

ローカル描画の性能。 大量のソースから作ったマインドマップは数百ノードになることがあります。ReactFlow は GPU アクセラレーションの効いたネイティブ webview で動き、ブラウザタブのメモリ上限に縛られず、大きな図でも 60fps でなめらかにズーム・パンできます。500 ノード超の図はブラウザではほぼ固まりますが、GeminiDesktop では秒単位で応答します。

ファイルシステム統合。 書き出した .canvas はあなたのファイルシステムに書かれます。Obsidian のファイル監視が自動で拾い、Spotlight が索引し、Time Machine がバックアップします。「ダウンロード→アップロード→同期」のループは不要です。

並べて使えるワークフロー。 macOS なら、GeminiDesktop のマインドマップ画面を PDF リーダー、テキストエディタ、Obsidian vault と並べて置けます。マインドマップは常に見える参照パネルであって、行ったり来たりするブラウザタブではありません。

オフラインで使える。 生成済みの .canvas と .json は完全にオフラインで開けます。ネットがなくても復習・編集・再書き出しができます。機内、カフェ、ネットワークが制限された研究環境では必須の条件です。

AI マインドマップの限界はどこにある？

正直に言えば、AI が生成するマインドマップは万能薬ではありません。

ニッチ/新領域の概念：モデルが見たことのない新語や、極端に細分化された分野の概念図は、抽象的すぎたり、繋ぎ方を間違えたりすることがあります。GeminiDesktop では複数の先進 AI モデルを切り替えて生成し直せるので、推論力の高いものを選んで再試行するのが有効です。
数式/コードの構造：マインドマップは概念の関係を表すのに向いていますが、数学の証明の連鎖やコードの呼び出しグラフの表現は苦手です。こうしたケースはシーケンス図や呼び出しグラフのほうが適しています。
超長文の文書：500 ページを超える PDF は、まず Deep Research や Audio Overview で章ごとの要約に圧縮してから、その要約でマインドマップを作るのがおすすめです。原文をそのまま渡すと構造が平坦になりがちです。
使い捨ての成果物 vs 育て続ける資産：AI 生成は出発点であって終点ではありません。Obsidian で編集・拡張しないなら、マップの価値は 1 週間で 3 割以下まで落ちます。

実際の使いどころ

学会論文を読んでレビューを書く：論文 20 本 → 横断マインドマップ 1 枚 →「みんなが触れているのに誰も掘っていない」空白を発見 → それがあなたの研究機会。
プロダクト戦略の分析：競合サイト 10 本 + アナリストレポート 5 本 → 「競合がカバーしている機能 vs 空白の機能マトリクス」をマップで表示。
講義の学習：一学期分の教材 + 配布資料 → マインドマップを復習アウトラインにして、試験前は本を開かずマップだけ見る。
技術リサーチ：Cloudflare / Vercel / AWS のブログを 30 本投入 → 「エッジコンピューティングという話題の中核サブ領域」のトポロジーを俯瞰。
コンテンツ制作：SNS の書き手が「2026 AI ツールおすすめ」シリーズを準備 → マインドマップでツールの分類・差分・おすすめ場面を整理 → 各ノードを 1 本の投稿に展開。

Windows ユーザーはどうすればいい？

Windows でもデスクトップアプリで使えます。NotebookLM は Windows でもウェブ版しかなく、デスクトップ app はありません。Google は Windows 向けのネイティブな Gemini チャットクライアントも出していません（Alt+Space のランチャーのみ。詳しくは Google はまだ Gemini の Windows チャットクライアントを作っていないとネイティブな Gemini Windows アプリを参照）。GeminiDesktop.app の Windows 版は Tauri のネイティブバイナリで、マインドマップ機能も Windows で完全に使えます。

FAQ

Q1：NotebookLM のマインドマップと GeminiDesktop のマインドマップの本質的な違いは？ NotebookLM は「ブラウザ内で一度見るだけ」、GeminiDesktop は「ローカルの成果物 + 書き出せる + 編集を続けられる」。前者はプレビュー、後者はワークフローの出発点です。

Q2：YouTube 動画からマインドマップを作れますか？ 作れます。GeminiDesktop は YouTube の URL をソースとして扱え（動画理解と自動字幕に対応）、生成されたノードは動画のタイムスタンプを参照します。

Q3：XMind / MindNode 形式で書き出せますか？ 現時点では Obsidian Canvas + 生の JSON + PNG/SVG に対応しています。XMind / MindNode はコミュニティ製の JSON 変換スクリプトで二次加工できます。将来的に .xmind の直接書き出しを追加予定です。

Q4：大規模なマップ（500 ノード超）は重くなりますか？ デスクトップネイティブの ReactFlow + GPU アクセラレーションなら 1000〜2000 ノードまで 60fps でなめらかに動きます。2000 ノードを超える場合は階層表示やクラスタ統合を先に使うのがおすすめです。ブラウザ内の NotebookLM はおおよそ 200 ノードあたりから重くなり始めます。

Q5：モデルを変えるとマインドマップの品質は上がりますか？ 上がることがあります。推論密度の高い学術論文では概念抽出が正確になるモデルもあれば、複数ソースをまたぐときに強いモデル、ラベルの言い回しが口語的になるモデルもあります。GeminiDesktop では複数の先進 AI モデルを切り替えて同じ sources から生成し直し、結果を比べられます。

Q6：既存の Obsidian Canvas を GeminiDesktop に逆輸入できますか？ できます。.canvas の JSON を初期グラフとして読み込み、AI がその上にノード・接続・分類を追加します。「すでにあるマインドマップを AI で強化する」使い方です。

Q7：マインドマップは Audio Overview や Video Overview と連携できますか？ できます。GeminiDesktop では同じ sources から Audio Overview（ローカル MP3）、Video Overview（ローカル MP4）、マインドマップ（ローカル .canvas）を同時に生成できます。3 つは補完関係です——Audio は通勤中の復習、Video は SNS での共有、マインドマップは深い研究に向いています。NotebookLM Audio Overview と NotebookLM Video Overview も参照してください。

Q8：Google はいつ NotebookLM のマインドマップに書き出しを付けますか？ 不明です。NotebookLM チームは Google Workspace とリズムを合わせており、直近のロードマップに書き出しの公開計画はありません。GeminiDesktop は待たない道を選びました——デスクトップ側で先に作りました。なぜ NotebookLM にはまだネイティブ app がないのかを参照してください。

構造を「見る」から「持つ」へ

NotebookLM のマインドマップと GeminiDesktop のマインドマップの違いは、「見る」と「持つ」の違いです。NotebookLM はブラウザタブの中で構造を見せてくれます。GeminiDesktop は構造を、持ち運べて編集できて書き出せる成果物としてあなたに渡し、既存のナレッジ管理ワークフローに滑らかに繋ぎます。

マインドマップ機能は GeminiDesktop で提供中です。ソース資料をアップロードし、マップを生成し、構造を探索し、Obsidian Canvas に書き出して、その上に積み上げていってください。

お試しはこちら：geminidesktop.app/app。

NotebookLM マインドマップ：AI で任意のソースから対話型ナレッジグラフを作る