AI エージェント 文字起こしを、LLMの検索・引用・要約につなぐ

transcribeは文字起こしを待ち、完了すれば最初のページを返します。まだ処理中なら、返されたidを保存してget_transcriptionで確認します。同じ動画を再送する必要はありません。引数はMCPツールのリファレンスで確認できます。

エージェントへの指示では、ジョブを作る操作と、既存のジョブを読む操作を分けてください。新しい文字起こしを依頼すると、利用できる分数を消費することがあります。進捗や完成したテキストを確認するだけなら、既存のジョブを読んでください。

ジョブIDは会話のコンテキストだけに置かず、再起動後も読めるタスクの状態に保存します。複数の動画を処理するときは、入力したURLもIDと組にして残してください。

投稿のURLを短縮せずに渡すと、同じ設定で作った最近の文字起こしと照合できます。短縮URLは送信時に照合できません。重複を避けるには、保存したIDで元のジョブを読む方法が確実です。

次の例では、Blueskyの公開動画投稿を指定します。

Agent Skillに対応するエージェントは、インデックスからtranscript1を見つけ、SKILL.mdの手順を読み込めます。

MCPは呼び出せるツールを提供し、Agent Skillは呼び出す順序やエラーへの対処を伝えます。MCPクライアントを使わないREST APIの連携でも、同じ手順を参考にできます。

llms.txtはドキュメントへの入口です。文字起こしを取得するエンドポイントではありません。

対話型のアシスタントには、ページ単位でテキストを読めるMCPが向いています。バックグラウンドで録音を取り込むサービスには、REST APIと署名付きの完了Webhookを組み合わせられます。

どの接続方法でも、アカウントの上限と文字起こしの分数は共通です。同時実行数を管理するときは、同じアカウントを使うほかのクライアントの処理も含めてください。

APIからタイムスタンプ付きのテキストを取得して、モデルに渡せます。MCPで長い文字起こしを読む場合は、コンテキストに収まるようページ単位で取得します。REST APIで複数のジョブを動かす場合は、Webhookで完了を受け取れます。

文字起こしをLLMのパイプラインに入れるときも、動画のURLやID、セグメントの開始・終了時刻を残します。出典のない文章だけを渡すと、要約後に元の発言を確かめにくくなります。

検索用にテキストを分けるなら、セグメントの切れ目や話題の変わり目を使います。単語の途中や発言の途中で切らず、分けたテキストにも出典IDと時刻を付けて保存してください。

要約や情報の抽出を行うのは、文字起こしを読んだアシスタントです。引用と要約を区別し、元の発言にない情報はないと示すよう指示します。

Instagramの操作デモでは、画面だけで説明している手順が抜けることがあります。テキストにない操作を、モデルの推測で補わないようにしてください。

MCPのレスポンスにnext_from_secondsがあれば、まだ続きがあります。その値を次のfrom_secondsに指定し、どのページを読んだか記録してください。

最初のページが導入だけで終わることもあります。ツールの呼び出しが成功しただけでは、動画全体を読んだことにはなりません。全体を要約する前に、最後まで取得できたか確認します。

長い録音は、各ページから根拠を集めてから全体をまとめます。途中のメモにも時刻を残し、後半で発言を訂正したり、条件を付け加えたりしていないか確かめてください。

複数の動画を比べるときは、読めた録音と取得できなかった録音を分けて残します。取得の失敗を、意見の一致や根拠の不在として扱わないためです。

login_requiredやno_audioなら、別の入力が必要です。まだ処理中なら、同じジョブの状態を読みます。この違いをユーザーや呼び出し元にも伝えてください。取得できなかった録音を空のテキストで返すと、モデルが無音だったと誤解することがあります。

ローカルファイルを送るには、ファイルをアップロードできる実行環境が必要です。MCPでアップロードを予約して完了を通知しますが、ファイル本体はMCPの外でHTTPのPUTリクエストにより送信します。

アシスタントの環境から送信できない場合は、ダッシュボードでアップロードするよう案内します。その後は作成されたジョブIDを使い、通常のツールで文字起こしを読めます。