multi-modal-mcp

基于智谱 AI 的 MCP 服务器，提供文本生成、图片生成、视频生成和多模态理解等功能。

功能特性

• 文本生成: 基于 GLM-4.5-Flash 模型，支持对话、写作、翻译、代码生成等多种文本生成任务
• 多模态理解: 基于 GLM-4.6V-Flash 模型，支持图片、视频、文档等多种媒体类型的智能分析与理解
• 图片生成: 基于 Cogview-3-Flash 模型，根据文本描述生成高质量图片
• 视频生成: 基于 CogVideoX-Flash 模型，根据文本描述生成高质量视频

安装

npm install -g multi-modal-mcp

或使用 npx 直接运行：

npx multi-modal-mcp@latest

配置

在使用前，需要设置智谱 AI 的 API 密钥：

export KEY="your-api-key"

或在 MCP Inspector 中配置环境变量。

使用方法

直接运行

npx multi-modal-mcp@latest

使用 MCP Inspector 调试

npx @modelcontextprotocol/inspector npx multi-modal-mcp@latest

在 MCP 客户端中配置

在 Claude Desktop 或其他 MCP 客户端的配置文件中添加：

{
  "mcpServers": {
    "multi-modal": {
      "command": "npx",
      "args": ["-y", "multi-modal-mcp@latest"],
      "env": {
        "KEY": "your-api-key"
      }
    }
  }
}

工具列表

1. text_generation

基于 GLM-4.5-Flash 模型的文本生成工具，支持对话、写作、翻译、代码生成等多种文本生成任务。支持思考模式，可展示模型思考过程。通过温度参数控制生成文本的随机性和创造性。

参数:

• messages: 消息文本，必传参数
• thinking: 是否启用思考模式，可选值：enabled/disabled，默认 disabled
• temperature: 温度参数，控制生成文本的随机性，范围 0-1，默认 1

2. multi_modal_understanding

基于 GLM-4.6V-Flash 模型的多模态理解工具，支持图片、视频、文档等多种媒体类型的智能分析与理解。可执行 OCR 文字识别、表格解析、内容分析、缺陷检测、图像转提示词、视频标签提取、关键帧提取、时间线生成、脚本生成、视频问答、文档问答、文档对比等多种任务。支持同时处理多种媒体类型。

参数:

• content: 媒体内容列表，支持图片、视频、文档
• question: 关于媒体内容的问题，必传参数
• thinking: 是否启用思考模式，可选值：enabled/disabled，默认 disabled
• temperature: 温度参数，控制生成文本的随机性，范围 0-1，默认 1

3. image_generation

基于 Cogview-3-Flash 模型的图片生成工具，根据文本描述生成高质量图片。支持多种尺寸选择，包括横屏、竖屏和方形等多种比例。可选择是否添加水印。适用于插画、设计素材、场景生成等多种应用场景。

参数:

• prompt: 图片的文本描述，必传参数
• size: 图片尺寸，可选值：1024x1024/768x1344/864x1152/1344x768/1152x864/1440x720/720x1440，默认 1024x1024
• watermark_enabled: 是否添加水印，默认 false

4. video_generation

基于 CogVideoX-Flash 模型的视频生成工具，根据文本描述生成高质量视频。支持多种分辨率选择，包括 720p、1080p、2K、4K 等多种规格。支持质量优先和速度优先两种输出模式。可选择是否生成 AI 音效和添加水印。采用异步处理机制，自动轮询任务状态直至完成。

参数:

• prompt: 视频的文本描述，最大输入长度为 512 个字符，必传参数
• quality: 输出模式，可选值：quality/speed，默认 speed
• withAudio: 是否生成 AI 音效，默认 false
• watermarkEnabled: 是否添加水印，默认 false
• size: 视频分辨率，支持多种规格，默认 1024x1024
• fps: 视频帧率，可选值：30/60，默认 30

API 密钥获取

1. 访问 智谱 AI 开放平台
2. 注册并登录账号
3. 在控制台创建 API 密钥

许可证

MIT License

作者

橘子

相关链接

• 智谱 AI 开放平台
• Model Context Protocol