तुम्ही व्हिडिओ पाहिला. आता काम करा.

एक रेकॉर्डिंग टाका आणि तुम्हाला काय हवे आहे ते सांगा. हे ऐकते किंवा चित्र पाहते आणि तुम्ही राबवू शकाल अशी योजना, एखादी गोष्ट कशी बनवली गेली त्यामागील पायऱ्या किंवा प्रत्येक विशिष्ट दाव्यासह टाईमस्टॅम्पसह प्रामाणिक माहिती लिहून देते.

व्हिडिओ वाचावापरण्यासाठी मोफत. काहीही इंस्टॉल करण्याची गरज नाही.

हे कसे काम करते

तीन पायऱ्या, आणि त्यातील एकही “कॉन्फिगर करा” नाही.

01
व्हिडिओ येथे टाका
एखादी mp4, स्क्रीन रेकॉर्डिंग, लेक्चर कॅप्चर किंवा ऑडिओ फाईल ड्रॅग करून आणा. एका ओळीत तुम्हाला काय हवे आहे ते सांगा — तुम्ही ते का आणले आहे यावर अवलंबून, तेच कॉन्फरन्स भाषण योजना, सारांश किंवा ते पाहायचे की नाही याबद्दलचा निर्णय बनेल.
02
हे ऐकते, किंवा पाहते
जेव्हा जे सांगितले गेले आहे त्यात मूल्य असते, तेव्हा ऑडिओ ट्रान्सक्राइब करणे योग्य ठरते. मूकपणे काय दाखवले आहे ते पकडण्याचा एकमेव मार्ग म्हणजे चित्र पाहणे. हे निवडते, कोणते आणि का ते सांगते, आणि तुम्ही ते बदलू शकता.
03
तुम्हाला एक फाईल मिळते, चॅट नाही
आऊटपुट वर्कस्पेसमध्ये plan.md, how-it-was-made.md किंवा briefing.md म्हणून लिहिले जाते. संवाद ही अशी जागा आहे जिथे तुम्ही त्याच्याशी चर्चा करता; फाईल ही ती गोष्ट आहे जी तुम्ही ठेवता.

हे काय करू शकते

हे फक्त ऐकत नाही, तर पाहतेही
ट्रान्सक्रिप्टमुळे व्हिडिओमध्ये दाखवलेले सर्व काही सुटून जाते: क्लिक केलेले मेनू, बदललेले सेटिंग, कोनात कापलेला सांधा. जेव्हा माहिती स्क्रीनवर असते तेव्हा हे ती फाईल पाहू शकणाऱ्या मॉडेलकडे सोपवते आणि काय सांगितले होते त्याऐवजी तिथे काय आहे याचा अहवाल देते.
हे व्हिडिओत काय दाखवले आहे तेच लिहिते
ट्युटोरिअल हे सेटिंग्जच्या नावांसह क्रमांकांच्या पायऱ्यांमध्ये बदलते. हे कसे बनवले गेले ते हे कसे केले गेले आणि स्वतः करण्यासाठी काय लागेल यामध्ये बदलते. भाषण संक्षिप्त माहितीत बदलते. हे टेम्पलेट भरण्यासाठी म्युझिक व्हिडिओला प्रकल्प योजनेत जबरदस्तीने बसवत नाही.
हे जे सांगू शकले नाही ते स्पष्ट सांगते
अस्पष्ट टर्मिनल, ऐकू न येणारा भाग, कॅमेऱ्याबाहेर केलेली पायरी — हे निष्कर्ष आहेत आणि हे त्यांचा अहवाल देते. "कॉन्फिग ४:१२ वर स्क्रीनवर आहे पण वाचता येत नाही" हे तिथे काय असावे याच्या आत्मविश्वासी अंदाजापेक्षा जास्त उपयुक्त आहे.

हे कसे सेट केले आहे

कार्यपद्धती, जेणेकरून साइन इन करण्यापूर्वी तुम्हाला काय मिळत आहे हे तुम्हाला माहीत असेल.

वातावरण: नेटवर्कसह एक Linux सँडबॉक्स. तुम्ही टाकलेला व्हिडिओ सेशन वर्कस्पेसमध्येच राहतो.
साधने: ऑडिओसाठी ट्रान्सक्रिप्शन, चित्रासाठी व्हिडिओ-सक्षम मॉडेल, एक शेल आणि ते जे लिहिते त्यासाठी फाईल साधने.
मॉडेल: कॅटलॉगमधील कोणतेही चॅट मॉडेल, आणि तुम्ही ते संवादाच्या मधोमध बदलू शकता. चित्र पाहताना तुमच्या निवडीचा विचार न करता व्हिडिओ-सक्षम मॉडेल वापरले जाते.
सुरुवातीच्या फाइल्स: भरण्यासाठी एक संक्षिप्त माहिती — तुम्हाला त्यातून काय हवे आहे आणि इच्छूक असल्यास ते किती काळजीपूर्वक वाचायचे.
काय राहते: व्हिडिओ आणि त्याबद्दल लिहिलेले सर्वकाही वर्कस्पेसमध्येच राहते, ज्यामुळे पुढील सेशन हे जिथे थांबले होते तिथून पुढे सुरू होऊ शकते.

लोक ज्या गोष्टी विचारतात

“हे आउटबाउंड वर्कफ्लो रेकॉर्डिंग मी या आठवड्यात राबवू शकेन अशा योजनेत बदला”
“हे कसे बनवले गेले, आणि मी ते स्वतः करू शकेन का?”
“या भाषणात काय आहे? माझ्याकडे दहा मिनिटे आहेत, पन्नास नाहीत”
“हे UI वॉक्थ्रू पहा आणि त्यांनी बदललेले प्रत्येक सेटिंग लिहून घ्या”

हे काय करणार नाही

यातील प्रत्येक मर्यादा आम्ही प्रत्यक्षात अनुभवली आहे, हा रोडमॅपचा भाग नाही.

हे सहसा लिंकवरून डाउनलोड करू शकत नाही. YouTube सर्व्हर नाकारते, त्यामुळे URL पेस्ट केल्याने योजनेऐवजी शीर्षक आणि माफीचे उत्तर मिळण्याची शक्यता असते. हे तुम्ही कोणती व्हिडिओ लिंक केली आहे ते सांगेल आणि फाईलची मागणी करेल. फाईल येथे टाका आणि सर्वकाही कार्य करेल.
अपलोड 20 MB वर थांबतात, जे साधारण सात मिनिटांचा व्हिडिओ आहे. मोठे भाषण अजून यामध्ये बसत नाही — फक्त ऑडिओ अपलोड करा आणि तुम्हाला सुमारे वीस मिनिटे मिळतील, मर्यादा वाढेपर्यंत हा एक प्रामाणिक पर्याय आहे.
लांब व्हिडिओ वाचणे मंद असते आणि त्यासाठी खरोखर खर्च येतो. सुमारे चाळीस मिनिटांनंतर, ते वापरण्यापूर्वी साधारण किती खर्च येईल ते सांगेल आणि त्याऐवजी तुम्हाला हवा असलेल्या विभागातून काम करण्याची ऑफर देईल.
तुम्हाला आवडणारी एखादी गोष्ट पाहण्यासाठी हा पर्याय नाही. हे तुम्हाला पाहण्यास सांगितलेले चाळीस मिनिटांचे भाषण आणि ज्यातून तुम्हाला सेटिंग्ज हव्या आहेत त्या ट्यूटोरियलसाठी आहे.

कोणते मॉडेल हे सर्वोत्तम करते

या एजंटच्या वास्तविक रन्सवर, प्रति मॉडेल मोजलेले. जेव्हा एखादा रन स्वतःहून उत्तर तयार करतो तेव्हा तो पूर्ण झालेला मानला जातो — काहीही अयशस्वी झाले नाही, कोणालाही कशास मान्यता देण्यास सांगितले गेले नाही, आणि त्याच्या पायऱ्या संपल्या नाहीत. तीनही स्तंभ एकत्र वाचा: हार मानून वेगाने संपवणारे मॉडेल पहिल्या स्तंभावर वाईट स्कोअर करते, आणि सर्वकाही कसून पूर्ण करणारे मॉडेल दुसऱ्या स्तंभावर वाईट स्कोअर करते.

मॉडेल	पूर्णतेचा दर	मध्यक खर्च	मध्यक वेळ	रन्स
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

पूर्णतेचा दर: तुम्हाला हस्तक्षेप न करता काम पूर्ण करणाऱ्या रन्स.
मध्यक खर्च: क्रेडिट्समध्ये, एका सामान्य रनचा खर्च किती येतो.
मध्यक वेळ: भिंतीवरील घड्याळ, पहिल्या संदेशापासून उत्तरापर्यंत.

प्रत्येक रांगेच्या मागील रन्सवरील मध्यक. या एजंटवर 3 रन्स झाल्यावर एक मॉडेल दिसते, आणि रन संख्या दर्शविली जाते जेणेकरून एखादा आकडा कशावर आधारित आहे याचा तुम्ही अंदाज लावू शकाल.