आपने वीडियो देख लिया। अब काम पूरा करें।
कोई रिकॉर्डिंग डालें और बताएँ कि आप क्या चाहते हैं। यह सुनता है, या तस्वीर देखता है, और एक प्लान वापस लिखता है जिसे आप लागू कर सकते हैं, कोई चीज़ कैसे बनाई गई थी उसके पीछे के चरण, या एक सटीक ब्रीफ़िंग — हर विशिष्ट दावे के पीछे टाइमस्टैम्प के साथ।
यह कैसे काम करता है
तीन चरण, और उनमें से कोई भी “कॉन्फ़िगर करना” नहीं है।
- 01
वीडियो यहाँ डालें
कोई mp4, स्क्रीन रिकॉर्डिंग, लेक्चर कैप्चर या ऑडियो फ़ाइल खींचकर लाएँ। एक पंक्ति में बताएँ कि आप क्या चाहते हैं — वही कॉन्फ्रेंस टॉक एक प्लान, सारांश या यह तय करने का आधार बन जाती है कि इसे देखना है या नहीं, यह इस बात पर निर्भर करता है कि आप इसे क्यों लाए हैं।
- 02
यह सुनता है, या देखता है
जब मुख्य बात बोले गए शब्दों में हो, तो ऑडियो को ट्रांसक्राइब करना सही रहता है। चुपचाप दिखाई गई चीज़ों को पकड़ने का एकमात्र तरीका तस्वीर देखना है। यह चुनता है, आपको बताता है कि क्या और क्यों, और आप इसे बदल सकते हैं।
- 03
आपको चैट नहीं, एक फ़ाइल मिलती है
आउटपुट वर्कस्पेस में plan.md, how-it-was-made.md या briefing.md के रूप में लिखा जाता है। बातचीत वह जगह है जहाँ आप इससे बहस करते हैं; फ़ाइल वह है जिसे आप अपने पास रखते हैं।
यह क्या कर सकता है
यह केवल सुनता नहीं, देखता भी है
ट्रांसक्रिप्ट उन सभी चीज़ों को छोड़ देती है जो वीडियो दिखाता है: क्लिक किया गया मेनू, बदला गया सेटिंग, या कोण पर काटा गया जोड़। जब जानकारी स्क्रीन पर होती है, तो यह फ़ाइल को एक ऐसे मॉडल को सौंप देता है जो देख सकता है, और केवल सुनाई दी बात के बजाय वहाँ जो मौजूद है उसकी रिपोर्ट देता है।
यह वही लिखता है जिसकी वीडियो पुष्टि करता है
ट्यूटोरियल नाम वाले सेटिंग्स के साथ संख्याबद्ध चरणों में बदल जाता है। 'यह कैसे बना है' इस बात में बदल जाता है कि इसे कैसे किया गया और इसे स्वयं करने में क्या लगेगा। कोई टॉक एक ब्रीफ़िंग बन जाती है। यह टेम्पलेट भरने के लिए किसी म्यूज़िक वीडियो को ज़बरदस्ती प्रोजेक्ट प्लान नहीं बनाता।
यह बताता है कि यह क्या नहीं समझ सका
धुंधला टर्मिनल, न सुनाई देने वाला अंश, कैमरे से बाहर किया गया चरण — ये निष्कर्ष हैं और यह इनकी रिपोर्ट करता है। "कॉन्फ़िग 4:12 पर स्क्रीन पर है लेकिन पढ़ा नहीं जा सकता" यह अंदाज़ा लगाने से अधिक उपयोगी है कि वहाँ क्या कहा गया था।
इसे कैसे सेटअप किया गया है
यह कैसे काम करता है, ताकि साइन इन करने से पहले आपको पता हो कि आपको क्या मिल रहा है।
- एनवायरनमेंट
- नेटवर्क के साथ एक Linux सैंडबॉक्स। आपके द्वारा डाला गया वीडियो सत्र के वर्कस्पेस में रहता है।
- टूल
- ऑडियो के लिए ट्रांसक्रिप्शन, तस्वीर के लिए वीडियो-सक्षम मॉडल, एक शेल, और इसके द्वारा लिखी जाने वाली सामग्री के लिए फ़ाइल टूल।
- मॉडल
- कैटलॉग में मौजूद कोई भी चैट मॉडल, और आप इसे बातचीत के बीच में बदल सकते हैं। तस्वीर देखना आपकी पसंद के बावजूद वीडियो-सक्षम मॉडल का उपयोग करता है।
- शुरुआती फ़ाइलें
- भरने के लिए एक संक्षिप्त विवरण — आप इससे क्या चाहते हैं, और विकल्प के तौर पर इसे कितनी गहराई से पढ़ना है।
- क्या सहेजा जाता है
- वीडियो और इसके बारे में लिखा गया सब कुछ वर्कस्पेस में रहता है, ताकि बाद का सत्र वहीं से शुरू हो सके जहाँ यह रुका था।
लोग इससे जो पूछते हैं
- “इस आउटबाउंड वर्कफ़्लो रिकॉर्डिंग को ऐसे प्लान में बदलें जिसे मैं इस हफ़्ते लागू कर सकूँ”
- “यह कैसे बनाया गया था, और क्या मैं इसे ख़ुद कर सकता हूँ?”
- “इस टॉक में क्या है? मेरे पास दस मिनट हैं, पचास नहीं”
- “इस UI वॉकथ्रू को देखें और उनके द्वारा बदली गई हर सेटिंग को लिखें”
यह क्या नहीं करेगा
इनमें से हर एक ऐसी वास्तविक बाधा है जिसका हमने सामना किया है, कोई योजना की सूची वाली चीज नहीं।
- यह आम तौर पर किसी लिंक से डाउनलोड नहीं कर सकता। YouTube सर्वरों को मना कर देता है, इसलिए URL पेस्ट करने पर अक्सर आपको प्लान के बजाय शीर्षक और माफ़ी ही मिलेगी। यह आपको बताएगा कि आपने कौन सा वीडियो लिंक किया है और फ़ाइल माँगेगा। फ़ाइल यहाँ डालें और सब कुछ काम करने लगेगा।
- अपलोड 20 MB पर रुक जाते हैं, जो लगभग सात मिनट का वीडियो है। एक लंबी टॉक अभी फिट नहीं बैठती — केवल ऑडियो अपलोड करें और आपको लगभग बीस मिनट मिलते हैं, जो सीमा बढ़ने तक एक सही विकल्प है।
- एक लंबा वीडियो पढ़ने में धीमा होता है और इसकी वास्तविक लागत होती है। लगभग चालीस मिनट से अधिक होने पर, यह खर्च करने से पहले अनुमानित लागत बताएगा और इसके बजाय उस हिस्से पर काम करने की पेशकश करेगा जिसकी आपको परवाह है।
- यह आपकी पसंदीदा चीज़ देखने का विकल्प नहीं है। यह उस चालीस मिनट की टॉक के लिए है जिसे आपको देखने के लिए कहा गया था और उस ट्यूटोरियल के लिए है जिससे आपको सेटिंग्स चाहिए।
कौन सा मॉडल इसे सबसे बेहतर करता है
इस एजेंट के वास्तविक रन पर मापा गया, प्रति मॉडल। एक रन को तब समाप्त माना जाता है जब उसने अपने दम पर उत्तर दिया — कुछ भी विफल नहीं हुआ, किसी से कुछ भी स्वीकृत करने के लिए नहीं कहा गया, और इसके चरण समाप्त नहीं हुए। तीनों स्तंभों को एक साथ पढ़ें: एक मॉडल जो हार मानकर जल्दी समाप्त होता है, वह पहले पर खराब स्कोर करता है, और जो कड़ी मेहनत करके सब कुछ पूरा करता है, वह दूसरे पर खराब स्कोर करता है।
| मॉडल | पूरा होने की दर | मीडियन लागत | मीडियन समय | रन |
|---|---|---|---|---|
| gemini-3.5-flash-litegoogle | 80% | $0.0085 | 27से | 5 |
| claude-sonnet-5anthropic | 100% | $0.093 | 81से | 4 |
| kimi-latest~moonshotai | 100% | $0.217 | 3मि 16से | 3 |
- पूरा होने की दर
- ऐसे रन जिन्होंने आपके बिना हस्तक्षेप किए काम पूरा कर दिया।
- मीडियन लागत
- एक सामान्य रन की लागत क्या है, क्रेडिट में।
- मीडियन समय
- कुल समय, पहले संदेश से लेकर उत्तर तक।
प्रत्येक पंक्ति के पीछे के रन का मध्यक। एक मॉडल तब दिखाई देता है जब उसके पास इस एजेंट पर 3 रन होते हैं, और रन की संख्या दिखाई जाती है ताकि आप आंक सकें कि कोई आंकड़ा किस पर आधारित है।
आपने वीडियो देख लिया। अब काम पूरा करें।
यह पहले से ही सेट है। इसे खोलें और इससे कुछ पूछें।
वीडियो पढ़ें