Cómo conectar AssemblyAI a Microsoft Copilot vía MCP

💡 ¿Sin instalación? Usa cloud.anythingmcp.com directamente. Inicia sesión, pulsa Connectors → AssemblyAI, pega tus credenciales, genera una MCP API key y listo. Sin Docker, sin git clone, sin servidor local.

AssemblyAI + Microsoft Copilot

Voz a texto con AssemblyAI: transcribe archivos de audio y vídeo desde un enlace público con etiquetas de hablante, detección de idioma, ocultación de datos personales, resúmenes, capítulos, entidades y sentimiento, lee transcripciones como texto, frases, párrafos o subtítulos SRT/VTT, busca palabras, traduce o pon nombre a los hablantes, pregunta a un LLM sobre una transcripción y crea tokens de streaming. Datos en EE. UU. o la UE; de pago por hora de audio, con crédito gratuito para cuentas nuevas.

Requisitos previos

Las instrucciones de configuración completas están incluidas en el conector (visibles en el store al seleccionarlo). Las variables de entorno requeridas:

ASSEMBLYAI_API_KEY, ASSEMBLYAI_DOMAIN

Paso 1 — Obtener credenciales

La configuración lleva unos 2 minutos. Necesitas una cuenta de AssemblyAI; las cuentas nuevas reciben 50 $ de crédito gratuito para transcripción y Speech Understanding.

1. Regístrate en https://www.assemblyai.com/dashboard/signup.
2. En el panel abre API Keys, copia una clave y pégala en ASSEMBLYAI_API_KEY. Se envía tal cual como valor de la cabecera Authorization, así que pega solo la clave, sin Bearer ni comillas.
3. Pon ASSEMBLYAI_DOMAIN en assemblyai.com (EE. UU., por defecto) o eu.assemblyai.com (residencia de datos en la UE: el audio, las transcripciones y los prompts se procesan y guardan en la UE), sin https:// ni api.. Las transcripciones creadas en una región no se ven desde la otra, y en el LLM Gateway de la UE solo hay modelos Claude y Gemini.
4. Instala el conector y ejecuta assemblyai_list_transcripts: lista las transcripciones de la cuenta (ninguna en una cuenta nueva) y confirma la clave.

Qué cuesta dinero:

• assemblyai_submit_transcript se cobra por hora de audio, prorrateada al segundo: Universal-3.5 Pro 0,21 $/h, Universal-2 0,15 $/h. Complementos: etiquetas de hablante 0,02 $/h, keyterms o prompt 0,05 $/h (Universal-3.5 Pro), modo médico 0,15 $/h. Con multichannel se cobra cada canal, y las funciones de Speech Understanding se cobran aparte.
• assemblyai_understand_transcript se cobra por tarea.
• assemblyai_ask_transcript se cobra por token de entrada y de salida al precio del modelo, que assemblyai_list_llm_models muestra en USD por millón de tokens. El crédito gratuito no lo cubre.
• assemblyai_create_streaming_token es gratis, pero la sesión de streaming abierta con el token se cobra por tiempo de conexión.

Las transcripciones fallidas son gratis. Todas las lecturas y assemblyai_list_llm_models son gratis. Con archivos largos, la IA te dice el coste y pregunta antes de transcribir.

Transcribir: assemblyai_submit_transcript recibe audio_url, un enlace público directo a un archivo de audio o vídeo (mp3, wav, m4a, mp4, webm y otros, hasta 2,2 GB y 10 horas), por ejemplo un enlace de almacenamiento en la nube o el MP3 de un podcast. Una página web como YouTube no sirve, y los archivos locales no se pueden subir con este conector. Por defecto se usa Universal-3.5 Pro (18 idiomas), con Universal-2 (99 idiomas) para el resto. Entre las opciones: speaker_labels con speakers_expected, language_code o language_detection, keyterms_prompt para nombres y términos, prompt para describir la grabación, redact_pii con redact_pii_policies (y redact_pii_audio para una copia del audio con pitidos), summarization o auto_chapters, auto_highlights, entity_detection, sentiment_analysis, iab_categories, content_safety, speech_understanding para traducción o nombres de hablantes, audio_start_from y audio_end_at, domain medical-v1 y un webhook_url opcional. La llamada devuelve un id con estado queued; la IA consulta assemblyai_get_transcript cada pocos segundos hasta que el estado es completed, o error con el motivo en error. El proceso suele durar una fracción de la duración del audio.

Qué lee:

• La transcripción: texto completo, intervenciones por hablante, idioma detectado, duración del audio, confianza y los resultados de cada función pedida (resumen, capítulos, entidades, sentimiento, frases clave, content safety, traducciones).
• Frases (con hablante) y párrafos, cada uno con inicio, fin y confianza.
• Subtítulos en SRT o WebVTT, opcionalmente con chars_per_caption, listos para guardar como .srt o .vtt.
• Búsqueda de palabras: para cada palabra o frase, el número de coincidencias y sus marcas de tiempo.
• El enlace al audio con datos ocultos, cuando el estado es redacted_audio_ready.
• Los modelos del LLM Gateway (Claude, GPT, Gemini y modelos abiertos) con longitud de contexto, precios y regiones donde está disponible cada uno.

Analizar: assemblyai_ask_transcript envía un prompt a un modelo del LLM Gateway, el sucesor de la API LeMUR, ya retirada. El prompt contiene {{ transcript }} donde va la transcripción, por ejemplo List the action items with owners in this meeting: {{ transcript }}. La respuesta está en choices[0].message.content, con el uso de tokens; el modelo por defecto es claude-sonnet-4-6. assemblyai_understand_transcript aplica traducción, identificación de hablantes (nombres o roles en lugar de A y B), formato personalizado o resumen a una transcripción terminada, sin volver a transcribir.

Streaming: assemblyai_create_streaming_token devuelve un token de corta duración con el que un navegador o dispositivo abre el WebSocket de Universal-Streaming (wss://streaming.assemblyai.com/v3/ws?token=...) sin la clave de API. Con el token se puede abrir una conexión durante 1 a 600 segundos; una sesión dura como máximo 10.800 segundos.

Formatos de datos: todos los tiempos (start, end, audio_start_from, marcas de tiempo de palabras) están en milisegundos, salvo audio_duration, que está en segundos. confidence va de 0 a 1. Los hablantes se etiquetan A, B, C dentro de una transcripción. Las fechas como created son ISO 8601 en UTC. Las marcas de tiempo por palabra se quitan de transcripciones, frases y párrafos para que las respuestas sean pequeñas, y las transcripciones muy largas se cortan en unos 600 KB.

Paginación: assemblyai_list_transcripts devuelve hasta 200 transcripciones por página (20 por defecto), de la más reciente a la más antigua, filtradas por status o created_on. Para las más antiguas, la IA pasa el id de la última transcripción de la página como before_id.

Desactivada al instalar: assemblyai_delete_transcript, que elimina de forma definitiva el texto y los datos de una transcripción (el registro queda, marcado como eliminado, y los archivos subidos para ella también se borran). No se puede deshacer, así que un administrador del espacio de trabajo la activa cuando el equipo la necesita.

Errores comunes: 401 "Authentication error, API token missing/invalid" significa una clave incorrecta, o un Bearer delante. 400 indica en error el parámetro incorrecto, por ejemplo una función que no existe para el idioma o el modelo. 404 significa que la transcripción no existe o se creó en la otra región. Una transcripción con estado error y "Download error" significa que no se pudo descargar audio_url: no es público o es una página web en vez de un archivo. 429 indica demasiadas peticiones simultáneas. En el token de streaming, una clave incorrecta responde 404 "Invalid API key".

El conector no sube archivos locales, no usa las API síncronas Sync y Dictation, no convierte texto en voz ni usa prompts guardados o llamadas a herramientas en el LLM Gateway.

Paso 2 — Instalar el adapter

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Paso 3 — Añadir el conector en Microsoft Copilot

La URL de tu servidor: en AnythingMCP abre MCP Servers → el servidor donde está este conector y copia su URL (https://cloud.anythingmcp.com/mcp/…). Úsala donde esta guía muestra YOUR_SERVER_ID.

Microsoft Copilot usa servidores MCP a través de agentes creados en Copilot Studio: añades AnythingMCP a un agente como herramienta y luego publicas el agente en Microsoft 365 Copilot y Teams. Copilot Studio se conecta desde la nube de Microsoft por Streamable HTTP, que AnythingMCP admite.

1. En Copilot Studio, abre tu agente (o crea uno), ve a Tools y elige Add a tool → New tool → Model Context Protocol.
2. Escribe un Server name (por ejemplo AnythingMCP), una Server description que diga qué hace el conector y la Server URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID. Copilot Studio usa la descripción para decidir cuándo llamar al servidor.
3. En la autenticación, elige API key, pon Type en Header y X-API-Key como nombre de la cabecera, y selecciona Create.
4. En Add tool, elige Create a new connection, pega una clave de API MCP de AnythingMCP (MCP Servers → tu servidor → API keys) y selecciona Add to agent.
5. Pruébalo en el panel Test del agente: pide algo que necesite las herramientas de AssemblyAI.
6. Selecciona Publish y luego Channels → Microsoft 365 and Microsoft Teams, deja marcada Make agent available in Microsoft Copilot y elige Add channel. See agent in Teams lo instala para ti; en Microsoft 365 Copilot, escribe @ y elige el agente.

¿Prefieres que cada persona inicie sesión? En lugar de la clave de API elige OAuth 2.0 → Dynamic discovery: cada usuario inicia sesión en AnythingMCP la primera vez que el agente lo llama.

¿Lo alojas tú mismo? Usa la dirección HTTPS pública de tu instancia en lugar de https://cloud.anythingmcp.com. Copilot Studio se conecta desde la nube de Microsoft, así que localhost no funciona.

Herramientas disponibles

Ejemplos de prompts

• "Transcribe este episodio del podcast con etiquetas de hablante, pero antes dime cuánto cuesta: https://example.com/episode-42.mp3"
• "Resume la transcripción de la reunión de ayer y lista las tareas con sus responsables."
• "Exporta la transcripción como subtítulos SRT con un máximo de 42 caracteres por línea."
• "¿En qué momento de la llamada alguien mencionó el presupuesto o el próximo trimestre?"
• "Transcribe esta entrevista en alemán, oculta nombres y números de teléfono y tradúcela al inglés."

FAQ

¿Para qué Copilot es? Para Microsoft 365 Copilot en el trabajo, mediante agentes de Copilot Studio. La app de Microsoft Copilot para cuentas personales no permite añadir tu propio servidor MCP.

¿Qué necesito? Una cuenta de trabajo con acceso a Copilot Studio (licencia o prueba) para crear el agente. Quien lo use en Microsoft 365 Copilot o Teams necesita acceso al agente: compártelo o pide a un administrador que lo publique para la organización. Si tu organización aplica directivas de datos a los conectores de Power Platform, también cubren los servidores MCP.

El agente no llama a las herramientas. Comprueba que el nombre de la cabecera sea exactamente X-API-Key y que la clave pertenezca al mismo servidor MCP que la URL, y escribe una Server description concreta: Copilot Studio la usa para decidir cuándo llamar al servidor. Vuelve a publicar el agente después de cada cambio; en un chat abierto, escribe "start over" para usar la nueva versión.

Siguientes pasos

• Página del conector
• Conectar a Claude
• Conectar a ChatGPT
• Conectar a Cursor
• Conectar a Gemini
• Conectar a Meta Muse