midi

midi 是一个 TypeScript MCP 服务器，通过官方 MuScriptor CLI 将音频转录为多乐器 MIDI。它支持受限本地路径和公网 HTTPS URL，并默认串行执行转录，避免多个模型进程同时耗尽 CPU/GPU 内存。

功能

• vocal_audio_to_midi：对含主唱音乐运行 Demucs，分别转写人声和伴奏，再输出带独立主唱轨的完整 MIDI。

• instrumental_audio_to_midi：直接把纯音乐或其他非人声音频转成多乐器 MIDI，不运行 Demucs。

• check_model：检查 MuScriptor CLI、输出目录和 Hugging Face 认证线索，不加载模型权重。

• 本地输入目录白名单及符号链接逃逸防护。

• HTTPS-only 下载、建连时 DNS 校验、私网/保留地址拦截、逐跳重定向复查。

• 下载大小、下载超时和转录进程超时限制。

• MuScriptor 子进程使用参数数组启动，不经过 shell。

• MCP 请求取消或超时时先终止 MuScriptor 进程组，必要时升级为强制终止。

Related MCP server: MIDI Composition Tools MCP Server

前置条件

• Linux

• Node.js 22 或更高版本

• 已安装可执行的 muscriptor CLI；本项目开发环境使用 ALLLLLL703/muscriptor fork

• 已在 Hugging Face 接受所选 MuScriptor 模型许可

• 首次下载模型时已通过 hf auth login 登录，或设置 HF_TOKEN

• vocal_audio_to_midi 需要可执行的 Demucs；首次使用会下载人声分离模型。

• Arch Linux 开发环境优先使用 pacman/AUR Python 包与 python-pytorch-xpu，不要求项目 .venv 或 uv tool。

模型权重使用 CC BY-NC 4.0，仅限非商业用途。此仓库的 TypeScript 代码使用 MIT 许可。

开发

npm install
npm run check
npm test
npm run build

启动 stdio MCP 服务器：

node dist/index.js

MCP 配置

构建后可在 MCP 宿主中添加：

{
  "mcpServers": {
    "midi": {
      "command": "node",
      "args": ["/absolute/path/to/midi/dist/index.js"],
      "env": {
        "MIDI_MCP_ALLOWED_INPUT_DIRS": "/home/user/Music:/home/user/Downloads",
        "MIDI_MCP_OUTPUT_DIR": "/home/user/Music/midi-output",
        "MIDI_MCP_DEMUCS_COMMAND": "/home/user/.local/bin/demucs",
        "MIDI_MCP_DEMUCS_DEVICE": "xpu"
      }
    }
  }
}

配置变量

环境变量在进程启动时一次性验证并形成不可变快照。修改配置后重启 MCP 服务器即可应用完整新配置。

工具

check_model

无参数。返回：

• ready：CLI 可执行且输出目录可写。

• cli：muscriptor --help 的检查结果。

• outputDirectory：专用输出目录状态。

• authentication：是否发现 Hugging Face token 环境变量。unknown 不代表不可用，因为本机可能已有缓存登录或模型权重。

• leadVocal：Demucs 是否可执行；人声与伴奏 stem 均复用已检查的 MuScriptor。该状态不影响普通转录的 ready。

该工具不会下载或加载模型。

instrumental_audio_to_midi

主要参数：

batchSize > 1 要求 preludeForcing=false。模型来源只允许官方 small/medium/large，避免自定义路径或 URL 绕过 MCP 的文件和网络边界。

该工具直接转写输入音频，适合纯音乐或不需要单独提取主唱的场景。

vocal_audio_to_midi

共享 source、输出名、模型和解码参数，但默认使用已试听验收的高质量配置：

上述默认值均可覆盖并用于人声 stem。人声始终使用 voice 约束和空块回退；伴奏 stem 保留调用者的 instruments 过滤，使用上次流程的确定性 beamSize=1、cfgCoef=1，且不启用空块回退。

MCP 固定使用 --detect-tempo false，保持人声与伴奏的秒级对齐，并避免依赖可选的 beat_this。

成功结果包含 outputPath、outputBytes、model、sourceKind、leadVocalIncluded；人声工具还包含 leadVocalNotes。本地和 URL 音频都会复制到 0600 权限的私有快照，转录完成或失败后删除。生成结果经 Standard MIDI File 解析验证后才从私有暂存区原子发布。

人声工具先用 Demucs 生成 vocals.wav 和 no_vocals.wav，先转写人声，再转写伴奏。伴奏 MIDI 只从 no_vocals.wav 生成；人声音符按秒折叠为一个 lead vocal 轨。该轨使用 General MIDI Choir Aahs（Program 53，零基代码 52），默认 velocity 127 且 CC7/CC11 为最大值；非鼓伴奏通道默认写入 CC7=89（约 70%）。MIDI 只保存旋律音高与节奏，不保存真实嗓音或歌词。

安全说明

公网地址拒绝策略降低了 SSRF 风险，但不能代替部署环境的出站防火墙。如果内部服务使用公网 IP，应额外配置网络层 allowlist。MCP 服务器拥有其运行账户的权限，建议使用最小化的输入目录和独立输出目录。