Lấy transcript cho AI agent và pipeline LLM

Gọi transcribe để lấy transcript video cho AI agent. Công cụ chờ và trả trang đầu nếu đã xong. Nếu chưa xong, lưu id rồi gọi get_transcription để kiểm tra, đừng gửi lại link. Xem tham số trong tài liệu công cụ MCP.

Trong hướng dẫn cho agent, tách rõ thao tác tạo job và thao tác đọc job. Tạo job có thể dùng phút trong tài khoản; đọc job đã có chỉ để xem tiến độ hoặc lấy bản transcript. Lưu ID vào trạng thái tác vụ được lưu bền vững, không chỉ trong cuộc trò chuyện với mô hình. Agent khởi động lại vẫn cần tìm được ID đó.

Nếu xử lý cả danh sách video, lưu link nguồn cạnh từng ID. Link đầy đủ có thể khớp với job gần đây dùng cùng tùy chọn; link chia sẻ rút gọn thì không được đối chiếu khi gửi. Cách đơn giản nhất để tránh tạo thêm job vẫn là đọc ID đã biết. Ví dụ dưới dùng một link bài đăng video công khai trên Bluesky làm chỗ điền.

Agent hỗ trợ skill có thể tìm transcript1 qua file index rồi đọc hướng dẫn trong SKILL.md. MCP cung cấp công cụ; Agent Skill giải thích lúc nào và cách nào nên dùng chúng.

Skill hướng dẫn thứ tự gọi và cách xử lý lỗi. Pipeline dùng REST cũng có thể làm theo quy trình đó mà không cần MCP client. llms.txt chỉ là lối vào tài liệu, không phải endpoint lấy transcript.

Chọn theo nơi agent chạy: trợ lý tương tác dùng các trang văn bản qua MCP; dịch vụ nhập dữ liệu chạy nền dùng REST và webhook có chữ ký khi hoàn tất. Cả hai dùng chung giới hạn tài khoản và phút chuyển thành văn bản. Khi kiểm soát số job chạy đồng thời, tính cả các client khác đang dùng tài khoản đó.

Lấy văn bản kèm mốc thời gian qua API, rồi gửi cho mô hình. Với MCP, đọc theo trang để quản lý giới hạn ngữ cảnh. Với nhiều job REST, dùng webhook để nhận thông báo thay vì kiểm tra liên tục.

Đừng bỏ link nguồn và thời gian khi đưa văn bản vào mô hình. Nếu lưu các phần nhỏ để truy xuất sau, giữ ID nguồn cùng thời điểm bắt đầu, kết thúc. Chia ở ranh giới đoạn hoặc khi đổi chủ đề, không cắt giữa từ hay giữa lượt nói. Nhờ vậy, bạn còn đối chiếu được một ý sau khi mô hình đã tóm tắt.

Việc tóm tắt hay trích thông tin do trợ lý thực hiện, không phải transcript1. Yêu cầu trợ lý phân biệt câu trích nguyên văn với ý diễn đạt lại và chỉ rõ thông tin nào không có trong nguồn. Chẳng hạn, transcript của một video hướng dẫn trên Instagram có thể thiếu thao tác chỉ xuất hiện trên màn hình; mô hình không nên đoán để lấp chỗ trống.

Nếu phản hồi MCP còn next_from_seconds, dùng giá trị đó làm from_seconds để đọc tiếp. Ghi lại những trang đã đọc. Trang đầu có thể chỉ giới thiệu chủ đề, còn lập luận chính và kết luận nằm phía sau. Một lần gọi công cụ thành công chưa đủ để tóm tắt cả video.

Với bản ghi dài, gom dẫn chứng từ mọi trang cần thiết trước khi tổng hợp. Giữ mốc thời gian trong ghi chú và tìm cả những chỗ người nói sửa ý hoặc bổ sung điều kiện ở phần sau. Khi so sánh nhiều nguồn, liệt kê bản ghi đã đọc được và bản ghi gặp lỗi. Nguồn không truy cập được không có nghĩa là đồng ý với các nguồn còn lại, hay không có dẫn chứng.

Gặp login_required hoặc no_audio thì cần nguồn khác; job vẫn chạy thì cần đọc lại trạng thái. Báo rõ sự khác biệt đó cho người dùng hoặc quy trình đang gọi agent. Đừng biến lỗi nguồn thành bản transcript rỗng: mô hình có thể hiểu nhầm rằng bản ghi không có lời nói.

Muốn AI agent xử lý audio từ file trên máy, môi trường chạy phải gửi được dữ liệu file. MCP khởi tạo và hoàn tất lượt tải lên; nội dung file đi qua các request HTTP PUT bên ngoài MCP. Nếu trợ lý không làm được bước này, hướng người dùng tải file lên trong bảng điều khiển. Sau đó dùng ID của job vừa tạo để đọc bản transcript như bình thường.