whisper-mcp

ローカル Whisper 文字起こしを MCP サーバーとして公開 — これにより、任意の MCP クライアント（Claude Desktop、Claude Code など）が、ツール呼び出しとして直接、音声・動画ファイルの文字起こし、.srt 字幕の生成、動画へのキャプション焼き込みを行えます。クラウド API は不要で、「スクリプトを実行して出力ファイルを読みに行く」手作業もありません。

推論には faster-whisper を、音声抽出・キャプション焼き込みには ffmpeg を利用しています。

アーキテクチャ

MCP client (Claude, etc.) --stdio--> whisper-mcp server --> faster-whisper (Whisper model)
                                                        \--> ffmpeg (audio extract / burn-in)

サーバーは読み込んだ Whisper モデルをプロセスの稼働中メモリにキャッシュするため、1 セッション内でツールを繰り返し呼び出しても、モデル読み込みの時間を再度かけずに済みます。

Related MCP server: Whisper MCP Server

ツール

要件

• Python 3.10+

• ffmpeg が PATH 上にあること

• 任意: CUDA 対応 GPU（自動的に CPU にフォールバックします）

インストールと実行

pip install -e ".[dev]"
whisper-mcp

または、インストール不要:

uvx --from git+https://github.com/Chain-P/whisper-mcp whisper-mcp

MCP クライアントでの設定

クライアントの MCP 設定（例: Claude Code の .mcp.json や Claude Desktop の claude_desktop_config.json）に追加します:

{
  "mcpServers": {
    "whisper": {
      "command": "whisper-mcp"
    }
  }
}

その後、クライアントにファイルの文字起こしを依頼します。例: 「samples/podcast_clip.mp4 を文字起こしして SRT をください。」

開発

pip install -e ".[dev]"
ruff check .
pytest                        # unit tests only
pytest -m integration         # + real transcription against a sample file

ロードマップ

• SRT 出力で複数話者をラベル付けするための話者分離 (pyannote.audio / whisperx)。

• 長時間の文字起こしのための MCP 進行状況通知。

• 最近の文字起こし履歴を公開する resource。

ライセンス

MIT