Talkthroughとは？
Talkthrough は GitHub ユーザー korovin-aa97 による Python 製の MCP サーバーで、手元のマシンで動画や音声ファイルを処理します。Whisper による音声認識、シーン切り替わりでのキーフレーム抽出、画面上のテキストの OCR、任意の話者ラベル、実際の時刻に対応づけたタイムスタンプを作ります。エージェントは保存されたジョブから文字起こしの一部、フレーム、検索結果を取り出し、同梱のプロンプトで録画をバグ報告の下書き、指摘一覧、仕様、バックログ、会議のアクション項目に変えられます。
MIT ライセンスで、PyPI から uvx でインストールでき、公式 MCP レジストリにも登録されています。バージョン 0.4.4 は 2026年10月23日に公開され、11月11日時点でリポジトリのスターは 34、未解決の issue は 14 件でした。0.4.0 で追加された process_url ツールは、直接リンク、YouTube、または yt-dlp が読める任意のページから公開動画を 1 本ダウンロードします。
Talkthroughのインストール方法
uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]"Talkthroughは使う価値があるか？
Talkthrough の有用な点は実時刻への対応づけです。タイムスタンプ付きの結果にはすべて、動画内の位置と ISO 8601 形式の実時刻の両方が付きます。実時刻は recorded_at の上書き値、QuickTime やコンテナのメタデータ、ファイルの更新時刻から求められ、それぞれに信頼度のラベルが付きます。これにより「ここでスピナーが固まった」という発言が、サーバーログを grep する 30 秒の時間窓に変わります。クリップを見るマルチモーダルモデルにはできないことです。correlate-with-logs プロンプトはこの仕組みを中心に作られています。
サーバーは 9 個のツールと 6 個のプロンプトを公開します。process_media と process_url がジョブを作成し、内容のハッシュで冪等になるので 2 回目の呼び出しは即座に返ります。get_transcript、get_frames（1 回に最大 6 枚）、get_moment、文字起こしと OCR テキストを対象にした search、正確な時刻で切り出す extract_frame、label_speakers、list_jobs がそれを読み出します。エージェントはフレームをまとめて受け取るのではなく必要に応じて取得するので、1 時間の録画が一度にコンテキストに入ることはありません。FAQ の比較は公平で、機密でない短いクリップならマルチモーダルモデルにアップロードするほうが簡単だと認めています。
注意点：重さです。コールドスタートには約 2 GB のメモリが必要で、既定の Whisper small モデルは 464 MB のダウンロード、ffmpeg は同梱の 80 MB のビルドにフ ォールバックします。ドキュメントは、コールド状態の uvx 環境がクライアントの起動タイムアウトを超えることがあると警告しています。処理速度は Apple Silicon の CPU で実時間の約 3 倍なので、2 分のクリップは約 40 秒かかります。キーフレームはシーンの切り替わりであって動きの解析ではないため、その間に起きた不具合は extract_frame でその瞬間を確認するまで見落とされることがあります。
セキュリティについて README は珍しいほど正確です。録画がマシンの外に出ることはなく、テレメトリもなく、話者分離は声紋をディスクに残しません。process_media はエージェントが指定した任意のローカルパスを受け付け、あなたの権限で ffmpeg を実行します。process_url は実行時に唯一ネットワークを使うツールで、直接リンクと YouTube についてはリダイレクトのたびにプライベートアドレスやクラウドのメタデータアドレスでないかを再確認します。ただしセキュリティポリシーは、それ以外の動画ページでは yt-dlp 自身のリクエストは再確認されないこと、YouTube の JavaScript チャレンジはローカルの Deno で実行されることを認めています。他人の録画から得た文字起こしや OCR テキストはエージェントにプロンプトインジェクションを運び得るもので、ポリシーはこれをこの分野に固有の問題としています。
真価を発揮する場面
顧客から画面録画を受け取る SaaS 企業のサポートエンジニア
顧客のナレーション付き .mov を、正確なフレームと時刻付きの GitHub issue にする
ファイルに対してバグ用プロンプトを実行すると、エージェントが発言を引用し、フレームを添付し、実時刻の時間窓を示します。Talkthrough は何も投稿しないので、issue の作成は自分の GitHub ツールで行います。無料で、短いクリップ 1 本あたり 1、2 分のローカル処理を見込んでください。
録音された障害対応の通話を振り返るオンコールの SRE
障害中の発言をサーバーログのエントリと突き合わせる
録画機器のメタデータが弱ければ recorded_at を渡し、correlate-with-logs で各発言を時間窓に対応づけてログを grep します。話者ラベルには diarize=true が必要で、長い通話では 1〜1.5 GB ほど追加のメモリを使います。
録画したデザインワークショップの後のプロダクトマネージャー
決定事項の引用と未解決の論点を含む仕様を得る
spec-from-workshop プロンプトを使います。引用はタイムスタンプ付きで原文のまま残るので、各決定を録画と照らし合わせられます。参加人数が分かっていれば num_speakers を渡します。
導入前に確認すること
- 導入
- uv をインストールし、uvx --python ">=3.11,<3.14" "talkthrough-mcp[diarization,url]" でサーバーを追加します。README の設定例は Claude Code（サーバーまたはプラグイン）、Claude Desktop、Cursor、Codex CLI、Gemini CLI、VS Code、Zed、Windsurf などを扱っています。最初の process_media 呼び出しで Whisper と OCR のモデルがダウンロードされます。
- 連携
- ツールは 9 個（process_media、process_url、get_transcript、get_frames、get_moment、search、label_speakers、extract_frame、list_jobs）、プロンプトは 6 個です。書き込みは ~/.talkthrough にある自身のジョブ保存領域に限られ、CLI も同じ保存領域を使います。
- データとプライバシー
- エージェントが渡した任意のローカルのメディアパスを読み、文字起こし、フレーム、OCR を ~/.talkthrough に保存します。テレメトリもアップロードもありません。ネットワークを使うのはモデルと ffmpeg の初回ダウンロード、そして process_url による 1 回のダウンロードで、URL そのものではなくハッシュを保存します。stdio のみでポートは開きません。文字起こしと OCR のテキストはエージェントにとって信頼できない入力です。
- 大規模利用時のコスト
- 無料です。ローカルのコストは CPU とメモリで、既定モ デルなら Apple Silicon で実時間の約 3 倍、英語以外のナレーション向けの大きな Whisper モデルは約 1.5 GB、録画は既定で 7,200 秒が上限です。
- 制限
- 未解決の issue は 14 件です。URL からの取り込みは公開動画 1 本ずつで、ログイン、プレイリスト、ライブ配信には対応しません。3 人以上の声が重なると話者ラベルの精度が落ち、小さい文字やコントラストの低い文字は OCR がうまくいきません。Windows にはプロセス間ロックがありません。
良い点
- ログ照合に使える実時刻のタイムスタンプ
- 文字起こし、OCR、話者ラベルが完全にローカル
- 冪等なジョブで再処理なしに追加の質問に答える
- バグ下書きを含む 6 つのワークフロープロンプト
気になる点
- コールドスタートで約 2 GB のメモリ
- 初回に大きなモデルと ffmpeg のダウンロード
- シーン切り替わりの間の不具合をキーフレームが逃すことがある
- 第三者の録画は注入されたテキストにエージェントをさらす
おすすめの人
ナレーション付きの画面録画を受け取り、それをサーバーログの時刻と結びついた根拠付きの issue にエージェントで変えたい開発者や QA エンジニアに向いています。
Talkthroughの代替
Talkthrough：よくある質問
- Talkthroughは使う価値があるか？
- 書かれたバグ報告の代わりに画面録画をエージェントに渡せる、丁寧でよく文書化された手段です。2 GB のメモリと初回のダウンロードに見合う価値があります。 評価は5点満点中3.8点です。
- Talkthroughの料金は？
- 無料のオープンソース（MIT）です。アカウント不要でローカルで動き、有料プランはありません。
- Talkthroughの欠点は？
- コールドスタートで約 2 GB のメモリ; 初回に大きなモデルと ffmpeg のダウンロード; シーン切り替わりの間の不具合をキーフレームが逃すことがある; 第三者の録画は注入されたテキストにエージェントをさらす.
- Talkthroughは誰に向いているか？
- ナレーション付きの画面録画を受け取り、それをサーバーログの時刻と結びついた根拠付きの issue にエージェントで変えたい開発者や QA エンジニアに向いています。
- チームや本番環境でTalkthroughを使 うと費用はいくらか？
- 無料です。ローカルのコストは CPU とメモリで、既定モデルなら Apple Silicon で実時間の約 3 倍、英語以外のナレーション向けの大きな Whisper モデルは約 1.5 GB、録画は既定で 7,200 秒が上限です。
- Talkthroughは企業データを扱っても安全か？
- エージェントが渡した任意のローカルのメディアパスを読み、文字起こし、フレーム、OCR を ~/.talkthrough に保存します。テレメトリもアップロードもありません。ネットワークを使うのはモデルと ffmpeg の初回ダウンロード、そして process_url による 1 回のダウンロードで、URL そのものではなくハッシュを保存します。stdio のみでポートは開きません。文字起こしと OCR のテキストはエージェントにとって信頼できない入力です。
- Talkthroughの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はOpenEdit 、 agentic-obs (OBS Studio MCP)です。
回答確認日：2026年11月11日