Videotranscripties in LangChain

Kort gezegd zijn er twee manieren. Voor indexering zet een kleine loader een transcriptie om in objecten van het type Document uit LangChain, één per ondertitelsegment met de starttijd. Voor agents koppelt de Transcript Dock MCP-server via langchain-mcp-adapters aan LangChain, en dan haalt de agent de transcripties zelf op.

Een documentloader#

Twintig regels, geen extra pakket. Elk Document houdt de video-URL en de timing bij, zodat zoekresultaten het moment kunnen aanwijzen waar ze vandaan komen. Groepeer segmenten in grotere stukken voordat je ze embedt, zoals getoond in transcripties voor RAG.

loader.py

# pip install langchain-core requests
import requests
from langchain_core.documents import Document
 
API = "https://www.transcriptdock.com"
H = {"Authorization": "Bearer td_live_YOUR_KEY"}
 
def load_video(url: str, mode: str = "captions_only") -> list[Document]:
    """One Document per caption segment, with the video URL and start time as metadata."""
    job = requests.post(f"{API}/v1/jobs", headers={**H, "Idempotency-Key": f"lc-{url}"[:128]},
        json={"source": {"url": url}, "mode": mode}).json()
    while job["status"] not in ("succeeded", "failed", "cancelled"):
        job = requests.get(f"{API}/v1/jobs/{job['id']}", params={"wait": 25}, headers=H).json()
    if job["status"] != "succeeded":
        raise RuntimeError(job["error"]["code"])
    t = requests.get(f"{API}/v1/transcripts/{job['result_id']}", headers=H).json()
    meta = {"source": t["source"]["canonical_url"], "title": t["source"]["title"], "language": t["language"]}
    return [Document(page_content=s["text"], metadata={**meta, "start": s["start"], "end": s["end"]})
            for s in t["segments"]]
 
docs = load_video("https://www.youtube.com/watch?v=dQw4w9WgXcQ")

Agenttools via MCP#

MultiServerMCPClient verbindt met de externe server en zet de tools om in LangChain-tools: get_video_transcript, YouTube-zoeken, een overzicht van kanalen en afspeellijsten, en een overzicht van TikTok-profielen.

agent.py

# pip install langchain-mcp-adapters langgraph langchain-anthropic
import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
 
async def main():
    client = MultiServerMCPClient({
        "transcriptdock": {
            "url": "https://www.transcriptdock.com/mcp",
            "transport": "streamable_http",
            "headers": {"Authorization": "Bearer td_live_YOUR_KEY"},
        }
    })
    tools = await client.get_tools()
    agent = create_react_agent("anthropic:claude-sonnet-5-5", tools)
    out = await agent.ainvoke({"messages": "Summarize https://www.youtube.com/watch?v=dQw4w9WgXcQ"})
    print(out["messages"][-1].content)
 
asyncio.run(main())

Tool-namen, argumenten en creditkosten staan op de MCP-pagina. LlamaIndex en andere frameworks die MCP spreken, verbinden op dezelfde manier.

Meer handleidingen

Een YouTube-transcriptie ophalen

Vijf manieren om de transcriptie van een YouTube-video te krijgen: in YouTube zelf, met yt-dlp, in Python, via de Transcript Dock API, of door Claude te vragen.

Een TikTok-transcriptie ophalen

Haal de transcriptie van een TikTok-video op als tekst of ondertitels, bekijk de nieuwste video's van een profiel, en ga om met video's zonder ondertitels.

Videotranscripties voor RAG- en LLM-pijplijnen

Zet YouTube- en TikTok-video's om in stukken die een LLM kan doorzoeken en citeren: haal getimede segmenten op, deel op tijd en bewaar tijdstempellinks.

YouTube- en TikTok-transcripties in n8n

Haal videotranscripties op in een n8n-workflow met drie HTTP Request-nodes, of geef een n8n AI-agent de MCP-tools van Transcript Dock.