translate-srt-mcp

SRT字幕ファイルを日本語に翻訳するMCPサーバー。LM Studioの翻訳モデルを使用して高品質な字幕翻訳を提供します。

主な機能

SRT形式の完全サポート: タイムスタンプを保持したまま翻訳
チャンクベース処理: 大きなファイルも効率的に処理
LM Studio統合: ローカルLLMを使用した高品質な翻訳
エラーハンドリング: 翻訳失敗時の自動リトライと詳細なエラー報告
統計情報: 翻訳履歴と使用状況の追跡
分析ツール: SRTファイルの検証と詳細分析
接続診断: LM Studioの状態確認機能

利用可能なツール

1. translate_srt

字幕を日本語に翻訳します。

# 基本的な使用法 translated = mcp__translate-srt__translate_srt( srt_content=content ) # カスタム設定 translated = mcp__translate-srt__translate_srt( srt_content=content, model_name="llama-3.2-3b", chunk_size=500, preserve_formatting=True )

2. analyze_srt

SRTファイルの統計情報を分析します。

stats = mcp__translate-srt__analyze_srt( srt_content=content, detailed=True # 詳細な分析を含む )

3. check_lm_studio_status

LM Studioの接続状態を確認します。

status = mcp__translate-srt__check_lm_studio_status( lm_studio_url="http://localhost:1234", model_name="llama-3.2-3b" )

4. preview_srt

字幕のプレビューを生成します。

preview = mcp__translate-srt__preview_srt( srt_content=content, num_entries=5, show_start=True, show_end=True )

5. get_server_info

サーバー情報と統計を取得します。

info = mcp__translate-srt__get_server_info()

使用例

MCPクライアントでの実際の使用手順

# 1. LM Studioの状態を確認 status = await check_lm_studio_status() if not status["api_reachable"]: print("LM Studioが起動していません") # 2. SRTファイルを読み込み srt_content = read_file("movie.srt") # 3. 分析して内容を確認 analysis = await analyze_srt(srt_content, detailed=True) print(f"字幕数: {analysis['subtitle_count']}") print(f"総時間: {analysis['duration_formatted']}") # 4. プレビュー表示 preview = await preview_srt(srt_content, num_entries=3) print("最初の3つの字幕:") for entry in preview["preview_entries"]["start"]: print(f"{entry['time']}: {entry['text']}") # 5. 翻訳実行 translated = await translate_srt( srt_content=srt_content, model_name="llama-3.2-3b-instruct", chunk_size=1000 ) # 6. 結果を保存 write_file("movie_ja.srt", translated) # 7. 統計情報を確認 info = await get_server_info() print(f"翻訳回数: {info['statistics']['total_translations']}") print(f"処理文字数: {info['statistics']['total_characters']}")

必要要件

Python 3.13以上
LM Studio または OpenAI互換APIサーバー
uv パッケージマネージャー（推奨）

インストール

方法1: uvx を使用（推奨・最も簡単）

インストール不要！mcp.jsonの設定だけで使用できます。

# テスト実行したい場合 uvx --from git+https://github.com/sumik5/translate-srt-mcp translate-srt-mcp # 環境変数を設定して実行 LM_STUDIO_URL="http://localhost:1234" \ LM_MODEL_NAME="grapevine-AI/plamo-2-translate-gguf" \ uvx --from git+https://github.com/sumik5/translate-srt-mcp translate-srt-mcp

方法2: ローカルインストール

# リポジトリをクローン git clone https://github.com/yourusername/translate-srt-mcp.git cd translate-srt-mcp # 依存関係をインストール（uvを使用） uv sync # または pip を使用 pip install -r requirements.txt

環境変数

# LM StudioのAPI URL (デフォルト: http://localhost:1234/v1) export LM_STUDIO_URL="http://localhost:1234" # 使用する翻訳モデル名 (必須) export LM_MODEL_NAME="llama-3.2-3b-instruct" # デフォルトのチャンクサイズ (デフォルト: 1000) export CHUNK_SIZE="1000"

Claude Codeでの設定例

To use this server with the Claude Desktop app, add the following configuration to the "MCP Servers" section of your Claude settings:

"mcpServers": { "translate-srt": { "command": "uv", "args": [ "--directory", "/path/to/translate-srt-mcp", "run", "translate-srt-mcp" ], "env": { "LM_STUDIO_URL": "http://localhost:1234", "LM_MODEL_NAME": "llama-3.2-3b-instruct", "CHUNK_SIZE": "1000" } } }

MCPクライアントでの使用時のベストプラクティス

使用前の準備
- LM Studioを起動し、適切なモデルをロード
- check_lm_studio_statusで接続確認
大きなファイルの処理
- analyze_srtで事前にファイルサイズを確認
- 適切なchunk_sizeを設定（500-2000を推奨）
エラー対処
- 接続エラー: LM Studioの起動状態を確認
- モデルエラー: 正しいモデル名を指定
- 翻訳エラー: チャンクサイズを調整
品質向上のヒント
- 専門用語が多い場合は小さいチャンクサイズを使用
- preserve_formatting=Trueで元の改行を保持
- 翻訳後にpreview_srtで結果を確認

Development

Install dependencies:

uv install

For development with auto-reloading:

uv run fastmcp dev translate_srt_mcp.main:mcp

トラブルシューティング

LM Studioに接続できない

# 接続状態を確認 status = await check_lm_studio_status() print(status["recommendation"])

モデルが見つからない

# 利用可能なモデルを確認 status = await check_lm_studio_status() print("利用可能なモデル:", status["available_models"])

翻訳が途中で止まる

チャンクサイズを小さくする（例: 500）
タイムアウト時間を増やす（translator.pyで設定）

ライセンス

MIT License

Translate SRT MCP Server