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。
Related MCP server: mcp-ytTranscript
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：
视频下载：从支持的平台下载视频
音频下载：从受支持平台上的视频中提取音频
视频文本提取：从视频中提取文本（下载并转录）
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
视频下载：从支持的平台下载视频
音频下载：从受支持平台上的视频中提取音频
视频文本提取：从视频中提取文本（下载并转录）
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：10FRAGMENT_RETRIES：片段下载重试次数，默认值：10SOCKET_TIMEOUT：套接字超时（秒），默认值：30
性能优化技巧
GPU加速：
安装 CUDA 和 cuDNN
确保安装了 PyTorch 的 GPU 版本
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
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