¿Qué es Talkthrough?
Talkthrough, del usuario de GitHub korovin-aa97, es un servidor MCP en Python que procesa un archivo de vídeo o audio en tu equipo: voz a texto con Whisper, fotogramas clave por cambio de escena, OCR del texto en pantalla, etiquetas de hablante opcionales y marcas de tiempo traducidas a la hora real. Después, un agente consulta el trabajo guardado para obtener fragmentos de la transcripción, fotogramas y resultados de búsqueda, y los prompts incluidos convierten una grabación en un borrador de informe de bug, una lista de hallazgos, una especificación, un backlog o las acciones de una reunión.
Tiene licencia MIT, se instala desde PyPI con uvx y figura en el registro oficial de MCP. La versión 0.4.4 se publicó el 23 de octubre de 2026; el repositorio tenía 34 estrellas y 14 issues abiertos el 11 de noviembre. Una herramienta process_url, añadida en la 0.4.0, descarga un vídeo público desde un enlace directo, YouTube o cualquier página que yt-dlp pueda leer.
Cómo instalar Talkthrough
uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]"¿Merece la pena Talkthrough?
La idea útil de Talkthrough es el anclaje a la hora real. Cada resultado con marca de tiempo lleva tanto la posición en el vídeo como una hora real ISO 8601, obtenida de un valor recorded_at, de los metadatos de QuickTime o del contenedor, o de la fecha de modificación del archivo, con una etiqueta de confianza para cada caso. Eso convierte «aquí se congeló el spinner» en una ventana de 30 segundos para buscar con grep en los logs del servidor, algo que no te da un modelo multimodal que mire el clip. El prompt correlate-with-logs gira en torno a ello.
El servidor expone 9 herramientas y 6 prompts. process_media y process_url crean un trabajo, idempotente por hash de contenido para que una segunda llamada sea instantánea; get_transcript, get_frames (hasta 6 por llamada), get_moment, search sobre la transcripción y el texto OCR, extract_frame en una marca de tiempo exacta, label_speakers y list_jobs lo leen. El agente pide los fotogramas a medida que los necesita en lugar de recibir un volcado, así que una grabación de una hora no cae entera en el contexto. La comparación de las propias FAQ es justa: para un clip corto que no sea sensible, subirlo a un modelo multimodal es más sencillo.
La pega: el peso. Un arranque en frío necesita unos 2 GB de memoria, el modelo Whisper small por defecto es una descarga de 464 MB, ffmpeg recurre a una compilación incluida de 80 MB, y la documentación advierte de que un entorno uvx en frío puede superar el tiempo de arranque de un cliente. El procesamiento va a unas 3 veces el tiempo real en una CPU Apple Silicon, así que un clip de 2 minutos tarda unos 40 segundos. Los fotogramas clave son cambios de escena, no análisis de movimiento, y un fallo entre ellos puede pasar desapercibido hasta que extract_frame revisa ese instante.
En seguridad, el README es inusualmente preciso. Las grabaciones nunca salen del equipo, no hay telemetría y la diarización no guarda huellas de voz en disco. process_media acepta cualquier ruta local que indique el agente y ejecuta ffmpeg sobre ella con tus privilegios. process_url es la única herramienta de red en tiempo de ejecución; vuelve a comprobar cada redirección contra direcciones privadas y de metadatos de la nube para enlaces directos y YouTube, pero la política de seguridad admite que en otras páginas de vídeo las peticiones propias de yt-dlp no se vuelven a comprobar, y el desafío de JavaScript de YouTube se ejecuta en local en Deno. La transcripción y el texto OCR de la grabación de otra persona pueden llevar inyección de prompts a tu agente, algo que la política considera inherente al ámbito.
Dónde se gana su sitio
Un ingeniero de soporte en una empresa SaaS que recibe screencasts de clientes
Convertir el .mov narrado de un cliente en un issue de GitHub con el fotograma y la hora exactos
Ejecuta el prompt de bug sobre el archivo; el agente cita el comentario, adjunta el fotograma y da una ventana de hora real. Para abrirlo usas tus propias herramientas de GitHub, porque Talkthrough nunca publica nada. Gratis; calcula uno o dos minutos de procesamiento local por clip corto.
Una SRE de guardia que revisa una llamada de incidente grabada
Relacionar lo que se dijo durante la caída con entradas de los logs del servidor
Pasa recorded_at si los metadatos de la grabadora son pobres y usa correlate-with-logs para asignar cada comentario a una ventana de tiempo y buscarla en los logs con grep. Las etiquetas de hablante necesitan diarize=true y entre 1 y 1,5 GB de memoria extra en llamadas largas.
Un product manager tras un taller de diseño grabado
Obtener una especificación con decisiones citadas y preguntas abiertas
Usa el prompt spec-from-workshop; las citas se mantienen literales con marcas de tiempo para poder contrastar cada decisión con la grabación. Pasa num_speakers si se conoce el número de asistentes.
Antes de decidirte
- Puesta en marcha
- Instala uv y añade el servidor con uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]"; los fragmentos del README cubren Claude Code (servidor o plugin), Claude Desktop, Cursor, Codex CLI, Gemini CLI, VS Code, Zed, Windsurf y otros. La primera llamada a process_media descarga los modelos de Whisper y OCR.
- Integraciones
- 9 herramientas (process_media, process_url, get_transcript, get_frames, get_moment, search, label_speakers, extract_frame, list_jobs) y 6 prompts. Las escrituras se limitan a su propio almacén de trabajos en ~/.talkthrough; una CLI comparte el mismo almacén.
- Datos y privacidad
- Lee cualquier ruta de medios local que le pase el agente y guarda transcripciones, fotogramas y OCR en ~/.talkthrough; sin telemetría ni subidas. El uso de red se limita a descargas únicas de modelos y ffmpeg y a la descarga individual de process_url, que guarda un hash en lugar de la URL. Solo stdio, sin puerto. La transcripción y el texto OCR son entrada no fiable para el agente.
- Coste a escala
- Gratis. El coste local es CPU y memoria: unas 3 veces el tiempo real en Apple Silicon con el modelo por defecto, modelos Whisper más grandes de unos 1,5 GB para narraciones que no estén en inglés, y grabaciones limitadas a 7.200 segundos por defecto.
- Límites
- 14 issues abiertos. La ingesta por URL admite un vídeo público cada vez, sin inicios de sesión, listas de reproducción ni directos; más de dos voces solapadas degradan las etiquetas de hablante; el texto diminuto o de bajo contraste sale mal en el OCR; Windows no tiene bloqueo entre procesos.
Lo bueno
- Marcas de hora real para cruzar con logs
- Transcripción, OCR y etiquetas de hablante totalmente locales
- Trabajos idempotentes que responden sin reprocesar
- Seis prompts de flujo listos, incluidos borradores de bug
Lo malo
- Unos 2 GB de memoria en un arranque en frío
- Descargas grandes de modelos y ffmpeg al primer uso
- Los fotogramas clave pueden saltarse fallos entre cambios de escena
- Las grabaciones de terceros exponen al agente a texto inyectado
Ideal para
Desarrolladores e ingenieros de QA que reciben grabaciones de pantalla narradas y quieren que un agente las convierta en issues respaldados por pruebas y ligados a las horas de los logs del servidor.
Alternativas a Talkthrough
Talkthrough: preguntas frecuentes
- ¿Merece la pena Talkthrough?
- Una forma cuidada y bien documentada de pasarle a un agente una grabación de pantalla en lugar de un informe de bug escrito, que compensa los 2 GB de memoria y las descargas del primer arranque. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Talkthrough?
- Gratuito y de código abierto (MIT). Funciona en local sin cuenta; no hay plan de pago.
- ¿Qué inconvenientes tiene Talkthrough?
- Unos 2 GB de memoria en un arranque en frío; descargas grandes de modelos y ffmpeg al primer uso; los fotogramas clave pueden saltarse fallos entre cambios de escena; las grabaciones de terceros exponen al agente a texto inyectado.
- ¿Para quién es Talkthrough?
- Desarrolladores e ingenieros de QA que reciben grabaciones de pantalla narradas y quieren que un agente las convierta en issues respaldados por pruebas y ligados a las horas de los logs del servidor.
- ¿Cuánto cuesta Talkthrough para un equipo o en producción?
- Gratis. El coste local es CPU y memoria: unas 3 veces el tiempo real en Apple Silicon con el modelo por defecto, modelos Whisper más grandes de unos 1,5 GB para narraciones que no estén en inglés, y grabaciones limitadas a 7.200 segundos por defecto.
- ¿Es Talkthrough seguro para los datos de la empresa?
- Lee cualquier ruta de medios local que le pase el agente y guarda transcripciones, fotogramas y OCR en ~/.talkthrough; sin telemetría ni subidas. El uso de red se limita a descargas únicas de modelos y ffmpeg y a la descarga individual de process_url, que guarda un hash en lugar de la URL. Solo stdio, sin puerto. La transcripción y el texto OCR son entrada no fiable para el agente.
- ¿Cuáles son las mejores alternativas a Talkthrough?
- Las alternativas más cercanas que hemos analizado son OpenEdit y agentic-obs (OBS Studio MCP).
Respuestas comprobadas el 11 nov 2026.