# 语音转文字 MCP 服务器 一个功能强大的语音转文字 MCP 服务器，支持多种音频格式和识别引擎。 ## 功能特性 ### 🎯 核心功能 - **多引擎支持**: 远程API调用（阿里云百炼、OpenAI Whisper、讯飞等）、Google Speech Recognition、CMU Sphinx - **多格式支持**: WAV、MP3、M4A、FLAC、OGG、AAC - **多语言支持**: 中文、英文、日文、韩文、法文、德文、西班牙文、俄文 - **批量处理**: 支持批量转写多个音频文件 - **实时进度**: 提供详细的转写进度信息 - **无本地模型**: 全部通过远程API调用，无需下载大模型 ### 🛠️ 工具功能 - `transcribe_audio_file`: 转写音频文件 - `transcribe_audio_data`: 转写音频数据 - `transcribe_with_remote_api`: 通过远程API转写音频 - `batch_transcribe`: 批量转写多个文件 - `analyze_audio_file`: 分析音频文件信息 - `convert_audio_file_format`: 转换音频格式 - `get_supported_formats`: 获取支持的格式 ### 📚 资源功能 - `audio://info/{file_path}`: 获取音频文件信息 - `audio://formats`: 获取支持的音频格式 ### 💡 提示模板 - 语音转文字助手 - 音频格式转换助手 ## 安装 ### 使用 uv (推荐) ```bash # 克隆项目 git clone <repository-url> cd DW_MCP_Server # 安装依赖 uv sync # 运行服务器 uv run python main.py ``` ### 使用 pip ```bash # 安装依赖 pip install -r requirements.txt # 运行服务器 python main.py ``` ## 使用方法 ### 1. 启动服务器 ```bash # 开发模式 uv run mcp dev main.py # 或者直接运行 uv run python main.py ``` ### 2. 在 Claude Desktop 中安装 ```bash uv run mcp install main.py ``` ### 3. 使用示例 #### 转写单个音频文件 ```python # 使用 Google Speech Recognition result = await transcribe_audio_file( file_path="/path/to/audio.wav", language="zh-CN", engine="google" ) # 使用远程API（需配置API密钥） result = await transcribe_audio_file( file_path="/path/to/audio.mp3", language="zh-CN", engine="remote_api" ) # 直接调用远程API result = await transcribe_with_remote_api( file_path="/path/to/audio.wav", api_type="bailian", # 支持 bailian, openai, xunfei api_key="your_api_key", api_url="your_api_url", language="zh-CN" ) ``` #### 批量转写 ```python file_paths = [ "/path/to/audio1.wav", "/path/to/audio2.mp3", "/path/to/audio3.m4a" ] results = await batch_transcribe( file_paths=file_paths, language="zh-CN", engine="whisper" ) ``` #### 分析音频文件 ```python info = await analyze_audio_file("/path/to/audio.wav") print(f"格式: {info.format}") print(f"时长: {info.duration}秒") print(f"采样率: {info.sample_rate}Hz") ``` #### 转换音频格式 ```python output_path = await convert_audio_file_format( input_path="/path/to/audio.mp3", output_path="/path/to/output.wav", target_format="wav" ) ``` ## 支持的格式 ### 输入格式 - WAV - MP3 - M4A - FLAC - OGG - AAC ### 输出格式 - WAV - MP3 - TXT (转写文本) - SRT (字幕文件) - VTT (WebVTT 字幕) ### 支持的语言 - 中文 (zh-CN) - 英文 (en-US) - 日文 (ja-JP) - 韩文 (ko-KR) - 法文 (fr-FR) - 德文 (de-DE) - 西班牙文 (es-ES) - 俄文 (ru-RU) ## 识别引擎对比 | 引擎 | 优点 | 缺点 | 适用场景 | |------|------|------|----------| | 远程API（百炼/OpenAI/讯飞） | 准确率高，支持多种语言，无需本地模型 | 需要网络连接和API密钥 | 在线应用 | | Google Speech Recognition | 准确率高，支持多种语言 | 需要网络连接 | 在线应用 | | CMU Sphinx | 完全离线，轻量级 | 准确率相对较低 | 嵌入式设备 | ## 配置选项 ### 环境变量 ```bash # 设置默认语言 export DEFAULT_LANGUAGE=zh-CN # 设置默认引擎 export DEFAULT_ENGINE=remote_api # 设置默认API类型 export DEFAULT_API_TYPE=bailian # 配置API密钥和地址 export BAILIAN_API_KEY=your_bailian_api_key export BAILIAN_API_URL=https://bailian.aliyuncs.com/v1/audio/transcriptions ``` ### 服务器配置 ```python # 在 main.py 中修改服务器配置 mcp = FastMCP( "语音转文字服务", dependencies=["speechrecognition", "pydub", "openai-whisper", "torch"] ) ``` ## 开发 ### 安装开发依赖 ```bash uv sync --extra dev ``` ### 运行测试 ```bash uv run pytest ``` ### 代码格式化 ```bash uv run black main.py uv run isort main.py ``` ### 类型检查 ```bash uv run mypy main.py ``` ## 故障排除 ### 常见问题 1. **API密钥配置错误** ```bash # 检查环境变量 echo $BAILIAN_API_KEY echo $BAILIAN_API_URL # 或在代码中直接传入 result = await transcribe_with_remote_api( file_path="audio.wav", api_key="your_api_key", api_url="your_api_url" ) ``` 2. **音频格式不支持** ```bash # 安装 ffmpeg # Windows: 下载 ffmpeg 并添加到 PATH # macOS: brew install ffmpeg # Linux: sudo apt install ffmpeg ``` 3. **网络连接错误** - 检查网络连接 - 检查API地址是否正确 - 考虑使用本地引擎（Google Speech Recognition） ### 日志调试 ```python # 启用详细日志 import logging logging.basicConfig(level=logging.DEBUG) ``` ## 贡献 欢迎提交 Issue 和 Pull Request！ ### 开发指南 1. Fork 项目 2. 创建功能分支 3. 提交更改 4. 推送到分支 5. 创建 Pull Request ## 许可证 MIT License ## 更新日志 ### v0.1.0 - 初始版本 - 支持 Google Speech Recognition、Whisper、CMU Sphinx - 支持多种音频格式 - 支持批量处理 - 提供进度反馈 ## 联系方式 如有问题或建议，请通过以下方式联系： - 提交 Issue - 发送邮件 - 加入讨论群 --- **注意**: 使用远程API需要配置API密钥和地址，请在使用前设置相应的环境变量或在调用时传入参数。推荐使用阿里云百炼、OpenAI Whisper、讯飞等主流语音识别API。

# 克隆项目
git clone <repository-url>
cd DW_MCP_Server

# 安装依赖
uv sync

# 运行服务器
uv run python main.py

# 安装依赖
pip install -r requirements.txt

# 运行服务器
python main.py

# 开发模式
uv run mcp dev main.py

# 或者直接运行
uv run python main.py

uv run mcp install main.py

# 使用 Google Speech Recognition
result = await transcribe_audio_file(
    file_path="/path/to/audio.wav",
    language="zh-CN",
    engine="google"
)

# 使用远程API（需配置API密钥）
result = await transcribe_audio_file(
    file_path="/path/to/audio.mp3",
    language="zh-CN",
    engine="remote_api"
)

# 直接调用远程API
result = await transcribe_with_remote_api(
    file_path="/path/to/audio.wav",
    api_type="bailian",  # 支持 bailian, openai, xunfei
    api_key="your_api_key",
    api_url="your_api_url",
    language="zh-CN"
)

file_paths = [
    "/path/to/audio1.wav",
    "/path/to/audio2.mp3",
    "/path/to/audio3.m4a"
]

results = await batch_transcribe(
    file_paths=file_paths,
    language="zh-CN",
    engine="whisper"
)

info = await analyze_audio_file("/path/to/audio.wav")
print(f"格式: {info.format}")
print(f"时长: {info.duration}秒")
print(f"采样率: {info.sample_rate}Hz")

output_path = await convert_audio_file_format(
    input_path="/path/to/audio.mp3",
    output_path="/path/to/output.wav",
    target_format="wav"
)

# 设置默认语言
export DEFAULT_LANGUAGE=zh-CN

# 设置默认引擎
export DEFAULT_ENGINE=remote_api

# 设置默认API类型
export DEFAULT_API_TYPE=bailian

# 配置API密钥和地址
export BAILIAN_API_KEY=your_bailian_api_key
export BAILIAN_API_URL=https://bailian.aliyuncs.com/v1/audio/transcriptions

# 在 main.py 中修改服务器配置
mcp = FastMCP(
    "语音转文字服务",
    dependencies=["speechrecognition", "pydub", "openai-whisper", "torch"]
)

uv sync --extra dev

uv run pytest

uv run black main.py
uv run isort main.py

uv run mypy main.py

# 启用详细日志
import logging
logging.basicConfig(level=logging.DEBUG)