iflow-mcp_dw-mcp-server 0.1.0

语音转文字 MCP 服务器 - 支持多种音频格式和识别引擎

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)

# 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

# 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

# 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

uv run mcp install main.py

3. 使用示例

转写单个音频文件

# 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

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

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

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

# 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

# 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

uv sync --extra dev

运行测试

uv run pytest

代码格式化

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

类型检查

uv run mypy main.py

故障排除

常见问题

1. API密钥配置错误

   # 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

   # 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

# 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。