MCP Video & Audio Text Extraction Server

MCP 视频和音频文本提取服务器

一个 MCP 服务器，提供从各种视频平台和音频文件提取文本的功能。该服务器实现了模型上下文协议 (MCP)，以提供对音频转录服务的标准化访问。

支持的平台

本服务支持从各个平台下载视频和提取音频，包括但不限于：

• YouTube
• 哔哩哔哩
• 抖音
• Instagram
• Twitter/X
• Facebook
• Vimeo
• Dailymotion
• SoundCloud

如需查看受支持平台的完整列表，请访问yt-dlp 支持的网站。

核心技术

该项目利用 OpenAI 的 Whisper 模型，通过 MCP 工具进行音频转文本处理。服务器主要提供以下四个工具：

1. 视频下载：从支持的平台下载视频
2. 音频下载：从受支持平台上的视频中提取音频
3. 视频文本提取：从视频中提取文本（下载并转录）
4. 音频文件文本提取：从音频文件中提取文本

MCP 集成

该服务器使用模型上下文协议构建，该协议提供：

• 向 LLM 公开工具的标准化方法
• 安全访问视频内容和音频文件
• 与 Claude Desktop 等 MCP 客户端集成

特征

• 基于 Whisper 的高质量语音识别
• 多语言文本识别
• 支持各种音频格式（mp3、wav、m4a等）
• MCP 兼容工具接口
• 大文件的异步处理

技术栈

• Python 3.10+
• 模型上下文协议 (MCP) Python SDK
• yt-dlp（YouTube 视频下载）
• openai-whisper（核心音频转文本引擎）
• 派丹蒂克

系统要求

• FFmpeg（音频处理所需）
• 最低 8GB RAM
• 推荐使用GPU加速（NVIDIA GPU + CUDA）
• 足够的磁盘空间（用于模型下载和临时文件）

首次运行重要通知

**重要提示：**首次运行时，系统将自动下载 Whisper 模型文件（约 1GB）。此过程可能需要几分钟到几十分钟，具体取决于您的网络状况。模型文件将缓存在本地，后续运行时无需再次下载。

安装

使用 uv（推荐）

使用 uv 时无需特殊安装。我们将使用 uvx 直接运行视频提取服务器：

安装 FFmpeg

音频处理需要 FFmpeg。您可以通过多种方式安装它：

用法

为 Claude/Cursor 配置

添加到您的 Claude/Cursor 设置：

可用的 MCP 工具

1. 视频下载：从支持的平台下载视频
2. 音频下载：从受支持平台上的视频中提取音频
3. 视频文本提取：从视频中提取文本（下载并转录）
4. 音频文件文本提取：从音频文件中提取文本

配置

该服务可以通过环境变量进行配置：

耳语配置

• WHISPER_MODEL ：Whisper 模型大小（小/基础/小/中/大），默认值：'基础'
• WHISPER_LANGUAGE ：转录的语言设置，默认值：'自动'

YouTube 下载配置

• YOUTUBE_FORMAT ：下载的视频格式，默认值：'bestaudio'
• AUDIO_FORMAT ：提取的音频格式，默认值：'mp3'
• AUDIO_QUALITY ：音频质量设置，默认值：'192'

存储配置

• TEMP_DIR ：临时文件存储位置，默认值：'/tmp/mcp-video'

下载设置

• DOWNLOAD_RETRIES ：下载重试次数，默认值：10
• FRAGMENT_RETRIES ：片段下载重试次数，默认值：10
• SOCKET_TIMEOUT ：套接字超时（秒），默认值：30

性能优化技巧

1. GPU加速：
   • 安装 CUDA 和 cuDNN
   • 确保安装了 PyTorch 的 GPU 版本
2. 模型尺寸调整：
   • tiny：速度最快但准确率较低
   • 基础：平衡速度和准确性
   • 大：准确率最高，但需要更多资源
3. 使用 SSD 存储临时文件以提高 I/O 性能

笔记

• 首次运行时需要下载 Whisper 模型（约 1GB）
• 确保有足够的磁盘空间用于临时音频文件
• YouTube 视频下载需要稳定的网络连接
• 建议使用 GPU 来实现更快的音频处理
• 处理长视频可能需要相当长的时间

MCP 集成指南

该服务器可与任何兼容 MCP 的客户端一起使用，例如：

• 克劳德桌面
• 自定义 MCP 客户端
• 其他支持 MCP 的应用程序

有关 MCP 的更多信息，请访问模型上下文协议。

文档

本文档的中文版本请参考README_zh.md

执照

麻省理工学院