audio-transcribe-cli-mcp

音视频转文字，支持 CLI、MCP Server 两种形态：说话人分离，长音频免切片，原生支持微信语音 SILK 格式。

Audio/video transcription in both CLI and MCP Server flavors: speaker diarization, long-audio support with no manual splitting, and native WeChat SILK decoding.

English | 简体中文

基于阿里云百炼录音文件识别接口（qwen-audio-asr 系列 / paraformer）。不依赖 Claude Code：可作为独立命令行工具，也可接入任意 MCP 客户端（Claude Desktop、Cursor 等）。

功能特性

• 全格式输入：mp3 / wav / m4a / aac / flac / ogg / opus / amr / wma 及 mp4 / mkv / mov 等所有 ffmpeg 支持的音视频格式（视频自动抽取音轨）
• 微信语音 SILK 原生支持：自动识别并剥离微信 0x02 + #!SILK_V3 文件头，通过 uv 临时环境调用 pilk 解码（仅转写 silk 文件时需要 uv，其余格式零额外依赖）
• 说话人分离：多人对话按 说话人N：内容 分段输出；单一说话人自动退化为整段纯文本
• 句级时间戳：--timestamps 逐句输出 SRT 风格起止时间戳，AI 生成会议纪要后可按时间戳回原音频核对
• 长音频免切片：走百炼录音文件识别（filetrans）异步接口，一次上传整段处理，DashScope 临时存储转完自动删除
• 清晰的输出约定：stdout 只输出转写文本，进度 / 耗时 / 计费估算走 stderr，方便脚本和 Agent 调用
• 内置 MCP Server：audio-transcribe-mcp 命令，手写 MCP stdio 协议（JSON-RPC 2.0），仅标准库零第三方依赖，任意 MCP 客户端即插即用

安装

pip install audio-transcribe-cli-mcp

也可从源码安装：

git clone https://github.com/OstrichHermit/audio-transcribe-cli-mcp.git
cd audio-transcribe-cli-mcp
pip install .

安装后会得到两个命令：asr（CLI）和 audio-transcribe-mcp（MCP Server）。

安装为 Agent Skill（可选）

仓库内附带 Agent Skill（skills/audio-transcribe-cli-mcp/SKILL.md），把它复制到你所用 AI Agent 的 skills 目录，Agent 即可自动掌握本工具的用法。以 Claude Code 为例：

cp -r skills/audio-transcribe-cli-mcp ~/.claude/skills/audio-transcribe-cli-mcp

1. 安装依赖

• Python 3.10+（pip install . 会自动安装 dashscope 依赖）
• ffmpeg / ffprobe 自行安装并加入 PATH
• 仅转写微信 SILK 文件时额外需要 uv（脚本自动创建 Python 3.11 临时环境安装 pilk，无需手动操作）

2. 配置 API Key

在阿里云百炼控制台创建 API Key，配置到环境变量：

# Windows
setx DASHSCOPE_API_KEY "sk-xxxx"

# macOS / Linux
echo 'export DASHSCOPE_API_KEY="sk-xxxx"' >> ~/.bashrc

默认直连百炼官方主域名，开箱即用。使用业务空间专属 key（sk-ws- 前缀）且分配了专属域名的用户，额外设置 DASHSCOPE_BASE_URL 即可（见下文环境变量）。

使用方法

asr "<音频或视频文件路径>"
asr "<文件>" --no-speakers   # 关闭说话人分离
asr "<文件>" --timestamps    # 逐句输出起止时间戳
asr "<文件>" --out 结果.txt   # 保存到文件
asr "<文件>" --keep-workdir   # 保留中间文件（调试）

示例：

$ asr meeting.mp4
[1/4] ffmpeg 预处理: meeting.mp4
[2/4] 上传音频（32.5 分钟）...
[3/4] 提交识别任务...
识别模型: qwen-audio-3.1-asr-flash-filetrans
  识别中... 45s
[4/4] 完成，耗时 78s，音频 32.5 分钟（计费约 0.06 元，按 3.1 Token 计费估算）
说话人1：大家好，今天我们讨论一下项目排期……
说话人2：好的，我先说下我这边的情况……

加 --timestamps 时逐句输出 SRT 风格时间戳：

$ asr meeting.mp4 --timestamps
[00:00:01,200 -> 00:00:06,360] 说话人0：大家好，今天我们讨论一下项目排期……
[00:00:07,340 -> 00:00:12,180] 说话人1：好的，我先说下我这边的情况……

微信语音（SILK）

微信语音消息文件（*.silk，含 0x02 + #!SILK_V3 头）直接作为输入传入即可，脚本自动完成剥头、pilk 解码（24kHz PCM）→ ffmpeg 封装 WAV → 正常识别管线。

作为 MCP Server 接入

任意支持 MCP 的客户端（Claude Code、Claude Desktop、Cursor 等）都能接入：

# Claude Code
claude mcp add audio-transcribe -- audio-transcribe-mcp

其他客户端在 MCP 配置 JSON 中添加（env 里按需配置 API Key，也可继承系统环境变量）：

{
  "mcpServers": {
    "audio-transcribe": {
      "command": "audio-transcribe-mcp",
      "env": {
        "DASHSCOPE_API_KEY": "sk-xxxx"
      }
    }
  }
}

也可以用模块方式启动：python -m audio_transcribe_cli.mcp_server。

接入后客户端会得到一个 transcribe 工具：file_path 必填，speakers（说话人分离，默认开）、timestamps（逐句输出起止时间戳，默认关）和 out_path（结果另存）可选。

环境变量

计费说明

• 主模型 qwen-audio-3.1-asr-flash-filetrans 按 Token 计费（输入 25 Token/秒 × 0.8 元/百万 + 输出 2.7 元/百万），约 0.11 元/小时音频
• 识别失败自动降级尝试 paraformer-v2
• 脚本结束会在 stderr 输出本次计费估算

已知限制

• 同步提交的文件大小受 DashScope 限制，超长音频依赖 filetrans 异步接口（脚本已处理，无需切片）
• 说话人编号（说话人1 / 说话人2）与真实人物的对应关系需要结合内容自行判断
• SILK 解码依赖 pilk 的预编译 wheel（cp311 及以下），通过 uv 临时环境解决，首次运行需下载环境，之后走缓存