fork from MCP Video Extraction

MCP Video Extraction plus - 语音识别服务集成修改说明

概述

本次修改将项目的语音识别服务从仅支持 Whisper（本地模型） 扩展为支持三种方式：

1. Whisper - OpenAI 的本地语音识别模型（原有）

2. JianYing (CapCut) - 字节跳动简影/CapCut 的在线语音识别服务

3. Bcut (B站剪辑) - 哔哩哔哩剪辑的在线语音识别服务

Overview

This update expands the project's speech recognition service from supporting only Whisper (local model) to supporting three methods:

1. Whisper – OpenAI's local speech recognition model (original)

2. JianYing (CapCut) – ByteDance's JianYing/CapCut online speech recognition service

3. Bcut (Bilibili Cut) – Bilibili's online speech recognition service

新增文件

核心 ASR 模块

修改的文件

1. src/mcp_video_service/services/video_service.py

主要改动：

• 添加 ASR 提供者配置支持（asr_provider）

• 修改 __init__ 方法，支持从配置文件读取 ASR 提供者选择

• 新增 _create_asr_instance() 方法，根据配置创建对应的 ASR 实例

• 修改 extract_text() 方法，支持多种 ASR 提供者

  • 如果选择 Whisper，使用本地模型

  • 如果选择 JianYing 或 Bcut，调用在线 API

• 添加导入语句，支持相对导入和绝对导入兼容

配置参数：

2. config.yaml

新增配置项：

使用方式

1. 使用 Whisper（本地模型，默认）

2. 使用 JianYing（在线服务）

3. 使用 Bcut（在线服务）

4. 通过环境变量配置

架构设计

类继承关系

BaseASR 的主要特性

• 统一接口：所有 ASR 实现都继承自 BaseASR

• 缓存支持：通过 CRC32 校验和生成缓存键

• 速率限制：内置速率限制机制，防止 API 过载

• 进度回调：支持异步进度回调函数

• 错误处理：统一的错误处理和日志记录

数据结构

ASRDataSeg（分段数据）

ASRData（完整数据）

状态管理

ASR 任务的状态通过 ASRStatus 枚举管理：

导入兼容性

所有新增的 ASR 模块都支持相对导入和绝对导入的双重兼容：

这确保了模块在不同的导入场景下都能正常工作。

依赖项

新增依赖

• requests - 用于 HTTP 请求（JianYing 和 Bcut API）

现有依赖

• yt-dlp - 视频下载

• whisper - 本地语音识别（仅在使用 Whisper 时需要）

• pyyaml - 配置文件解析

环境变量支持

向后兼容性

本次修改完全向后兼容：

• 默认 ASR 提供者为 whisper，保持原有行为

• 原有的 extract_text() 接口保持不变

• 所有新增功能都是可选的

测试验证

所有新增模块已通过以下验证：

• ✓ Python 语法检查

• ✓ 模块导入测试

• ✓ 类继承关系验证

• ✓ 配置文件解析测试

后续扩展

该架构支持轻松添加新的 ASR 提供者：

1. 创建新类继承 BaseASR

2. 实现 _run() 和 _make_segments() 方法

3. 在 VideoService._create_asr_instance() 中添加条件分支

4. 在 config.yaml 中添加相应配置项

许可证

保持原项目许可证不变。