Qu’est-ce que Talkthrough ?
Talkthrough, de l'utilisateur GitHub korovin-aa97, est un serveur MCP en Python qui traite un fichier vidéo ou audio sur votre machine : reconnaissance vocale avec Whisper, images clés aux changements de scène, OCR du texte affiché, étiquettes de locuteur facultatives et horodatages convertis en heure réelle. Un agent interroge ensuite la tâche enregistrée pour obtenir des extraits de transcription, des images et des résultats de recherche, et les prompts fournis transforment un enregistrement en brouillon de rapport de bug, liste de constats, spécification, backlog ou actions de réunion.
Il est sous licence MIT, s'installe depuis PyPI avec uvx et figure dans le registre officiel MCP. La version 0.4.4 est sortie le 23 octobre 2026 ; le dépôt comptait 34 étoiles et 14 issues ouvertes au 11 novembre. Un outil process_url, ajouté dans la 0.4.0, télécharge une vidéo publique depuis un lien direct, YouTube ou toute page que yt-dlp sait lire.
Installer Talkthrough
uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]"Talkthrough vaut-il le coup ?
L'idée utile de Talkthrough est l'ancrage sur l'heure réelle. Chaque résultat horodaté porte à la fois la position dans la vidéo et une heure réelle ISO 8601, déduite d'une valeur recorded_at, des métadonnées QuickTime ou du conteneur, ou de la date de modification du fichier, avec un niveau de confiance pour chacune. « Le spinner s'est figé ici » devient ainsi une fenêtre de 30 secondes à fouiller avec grep dans les logs du serveur, ce qu'un modèle multimodal qui regarde le clip ne peut pas vous donner. Le prompt correlate-with-logs est construit autour de cela.
Le serveur expose 9 outils et 6 prompts. process_media et process_url créent une tâche, idempotente par hash du contenu, si bien qu'un second appel est instantané ; get_transcript, get_frames (jusqu'à 6 par appel), get_moment, search sur la transcription et le texte OCR, extract_frame à un horodatage précis, label_speakers et list_jobs la relisent. L'agent récupère les images au fur et à mesure au lieu de recevoir un lot complet, si bien qu'un enregistrement d'une heure n'arrive pas d'un coup dans le contexte. La comparaison de la FAQ du projet est honnête : pour un clip court et non sensible, l'envoyer à un modèle multimodal est plus simple.
Le hic : le poids. Un démarrage à froid demande environ 2 Go de mémoire, le modèle Whisper small par défaut pèse 464 Mo à télécharger, ffmpeg se rabat sur un build fourni de 80 Mo, et la documentation prévient qu'un environnement uvx à froid peut dépasser le délai de démarrage d'un client. Le traitement tourne à environ 3 fois le temps réel sur un CPU Apple Silicon, donc un clip de 2 minutes prend environ 40 secondes. Les images clés sont des changements de scène, pas une analyse du mouvement, et un défaut entre deux peut passer inaperçu jusqu'à ce qu'extract_frame vérifie l'instant.
Côté sécurité, le README est d'une précision rare. Les enregistrements ne quittent jamais la machine, il n'y a pas de télémétrie et la diarisation ne conserve aucune empreinte vocale sur disque. process_media accepte n'importe quel chemin local indiqué par l'agent et y exécute ffmpeg avec vos privilèges. process_url est le seul outil réseau à l'exécution ; il revérifie chaque redirection contre les adresses privées et de métadonnées cloud pour les liens directs et YouTube, mais la politique de sécurité reconnaît que sur les autres pages vidéo, les requêtes propres à yt-dlp ne sont pas revérifiées, et le défi JavaScript de YouTube s'exécute en local dans Deno. La transcription et le texte OCR de l'enregistrement de quelqu'un d'autre peuvent porter une injection de prompt jusqu'à votre agent, ce que la politique juge inhérent au domaine.
Là où il fait la différence
Un ingénieur support dans une entreprise SaaS qui reçoit des screencasts de clients
Transformer le .mov commenté d'un client en issue GitHub avec l'image et l'heure exactes
Lancez le prompt de bug sur le fichier ; l'agent cite la remarque, joint l'image et donne une fenêtre en heure réelle. L'issue s'ouvre avec vos propres outils GitHub, car Talkthrough ne publie jamais rien. Gratuit ; comptez une ou deux minutes de traitement local par clip court.
Une SRE d'astreinte qui revoit un appel d'incident enregistré
Rapprocher ce qui a été dit pendant la panne des entrées des logs du serveur
Passez recorded_at si les métadonnées de l'enregistreur sont faibles, puis utilisez correlate-with-logs pour associer chaque remarque à une fenêtre de temps et la chercher dans les logs avec grep. Les étiquettes de locuteur demandent diarize=true et environ 1 à 1,5 Go de mémoire en plus sur les longs appels.
Un chef de produit après un atelier de conception enregistré
Obtenir une spécification avec les décisions citées et les questions ouvertes
Utilisez le prompt spec-from-workshop ; les citations restent mot pour mot avec leurs horodatages, pour que chaque décision puisse être vérifiée dans l'enregistrement. Passez num_speakers quand le nombre de participants est connu.
Avant de vous engager
- Mise en route
- Installez uv, puis ajoutez le serveur avec uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]" ; les extraits du README couvrent Claude Code (serveur ou plugin), Claude Desktop, Cursor, Codex CLI, Gemini CLI, VS Code, Zed, Windsurf et d'autres. Le premier appel à process_media télécharge les modèles Whisper et OCR.
- Intégrations
- 9 outils (process_media, process_url, get_transcript, get_frames, get_moment, search, label_speakers, extract_frame, list_jobs) et 6 prompts. Les écritures se limitent à son propre stockage de tâches dans ~/.talkthrough ; une CLI partage le même stockage.
- Données et confidentialité
- Lit tout chemin média local que l'agent transmet et stocke transcriptions, images et OCR dans ~/.talkthrough ; ni télémétrie ni envoi. Le réseau sert aux téléchargements ponctuels des modèles et de ffmpeg et au téléchargement unique de process_url, qui conserve un hash plutôt que l'URL brute. Stdio uniquement, aucun port. La transcription et le texte OCR sont une entrée non fiable pour l'agent.
- Coût à grande échelle
- Gratuit. Le coût local est le CPU et la mémoire : environ 3 fois le temps réel sur Apple Silicon avec le modèle par défaut, des modèles Whisper plus gros d'environ 1,5 Go pour les commentaires non anglais, et des enregistrements plafonnés à 7 200 secondes par défaut.
- Limites
- 14 issues ouvertes. L'ingestion par URL prend une vidéo publique à la fois, sans connexion, playlist ni direct ; au-delà de deux voix qui se chevauchent, les étiquettes de locuteur se dégradent ; le texte minuscule ou peu contrasté passe mal à l'OCR ; Windows n'a pas de verrou entre processus.
Les points forts
- Horodatages en heure réelle pour croiser avec les logs
- Transcription, OCR et étiquettes de locuteur entièrement locaux
- Tâches idempotentes qui répondent sans retraitement
- Six prompts de flux prêts, dont des brouillons de bug
Les points faibles
- Environ 2 Go de mémoire pour un démarrage à froid
- Gros téléchargements de modèles et de ffmpeg au premier lancement
- Les images clés peuvent manquer un défaut entre deux changements de scène
- Les enregistrements de tiers exposent l'agent à du texte injecté
Idéal pour
Développeurs et ingénieurs QA qui reçoivent des enregistrements d'écran commentés et veulent qu'un agent en tire des issues étayées, liées aux heures des logs du serveur.
Alternatives à Talkthrough
Talkthrough : questions fréquentes
- Talkthrough vaut-il le coup ?
- Une manière soignée et bien documentée de confier à un agent un enregistrement d'écran plutôt qu'un rapport de bug écrit, qui vaut les 2 Go de mémoire et les téléchargements du premier lancement. Nous lui donnons 3.8 sur 5.
- Combien coûte Talkthrough ?
- Gratuit et open source (MIT). Fonctionne en local sans compte ; pas d'offre payante.
- Quels sont les inconvénients de Talkthrough ?
- Environ 2 Go de mémoire pour un démarrage à froid; gros téléchargements de modèles et de ffmpeg au premier lancement; les images clés peuvent manquer un défaut entre deux changements de scène; les enregistrements de tiers exposent l'agent à du texte injecté.
- À qui s’adresse Talkthrough ?
- Développeurs et ingénieurs QA qui reçoivent des enregistrements d'écran commentés et veulent qu'un agent en tire des issues étayées, liées aux heures des logs du serveur.
- Combien coûte Talkthrough pour une équipe ou en production ?
- Gratuit. Le coût local est le CPU et la mémoire : environ 3 fois le temps réel sur Apple Silicon avec le modèle par défaut, des modèles Whisper plus gros d'environ 1,5 Go pour les commentaires non anglais, et des enregistrements plafonnés à 7 200 secondes par défaut.
- Talkthrough est-il sûr pour les données de l’entreprise ?
- Lit tout chemin média local que l'agent transmet et stocke transcriptions, images et OCR dans ~/.talkthrough ; ni télémétrie ni envoi. Le réseau sert aux téléchargements ponctuels des modèles et de ffmpeg et au téléchargement unique de process_url, qui conserve un hash plutôt que l'URL brute. Stdio uniquement, aucun port. La transcription et le texte OCR sont une entrée non fiable pour l'agent.
- Quelles sont les meilleures alternatives à Talkthrough ?
- Les alternatives les plus proches que nous avons testées sont OpenEdit et agentic-obs (OBS Studio MCP).
Réponses vérifiées le 11 nov. 2026.