Show HN：将带解说的屏幕录制转化为AI智能体可用的数据（本地运行，MIT许可）

talkthrough-mcp 是一个本地优先的 MCP 服务器，专为处理带解说的屏幕录制而设计。它能够将视频或音频文件转化为 AI 智能体可直接使用的结构化数据，包括带时间戳的转录文本、场景变化的关键帧、屏幕上的文字识别（OCR）、可选的说话人标注，以及将每个时间点映射到真实世界时钟的锚定功能。所有处理都在本地完成，无需连接云端，也不包含任何大语言模型——智能体本身负责理解和决策。

与其他屏幕录制 SaaS 或视频分析 MCP 不同，talkthrough-mcp 可以处理任意本地文件，并附带了智能体工作流程（服务器提示和示例智能体），使常见任务如错误分类、需求提取和待办事项生成变得简单。其时间戳锚定功能特别有用：当开发人员说“就在我说支付界面卡住的时候”，系统能直接对应到服务器日志中的正确时间段。

快速上手只需一条命令：确保已安装 uv（可通过 brew 或官方脚本安装），然后运行 uvx talkthrough-mcp[diarization]。该命令会自动下载所需的 ffmpeg、Whisper 模型和 OCR 引擎。支持多种 MCP 客户端，包括 Claude Code、Cursor、OpenAI Codex CLI、Gemini CLI、GitHub Copilot 等。对于 Claude Code，还提供了完整的插件版本，包含原生斜杠命令和预设的分类智能体。

说话人区分（Diarization）是可选的扩展功能，通过安装 [diarization] 额外包启用。它使用 pyannote 和 NeMo 模型在本地运行，无需 GPU，对一段 26 分钟的会议进行区分大约只需 2 分钟。区分后的标签以 S1、S2 等匿名形式出现，智能体可根据上下文将其映射为实际姓名。

该服务器提供了七个工具：process_media（处理媒体文件）、get_transcript（获取转录）、get_frames（获取关键帧）、get_moment（获取指定时间段的摘要）、search（搜索转录和 OCR 文本）、extract_frame（提取精确帧）和 list_jobs（列出已处理的任务）。每个工具的描述中都包含超过 10 个使用示例，帮助智能体正确选用工具。

此外，还有五个服务器提示（可视为 MCP 客户端中的斜杠命令）：triage-recording（分类录制内容）、spec-from-workshop（从研讨会中提取规范）、backlog-from-demo（从演示中生成待办事项）、meeting-actions（提取会议行动项）和 correlate-with-logs（将录制内容与系统日志关联）。这些提示也以普通文件形式提供，供不支持 MCP 提示的客户端使用。

talkthrough-mcp 采用 MIT 许可，代码托管在 GitHub 上。它的设计理念是保持本地优先、无依赖、可扩展，让 AI 智能体能够更高效地从视频内容中提取有用信息。