tts-mcp-server — 中文TTS聚合MCP Server

一个 MCP Server，把中文语音合成 + 精确字幕对齐做成 Agent 可调用的工具。 多引擎聚合：Edge-TTS（在线免费） + Piper（离线免费），统一音色目录，用户无感切换。

演示

文本 → 语音 + 逐词对齐字幕（真实引擎时间戳，非估算）

Related MCP server: GPT-SoVITS MCP Server

为什么做这个

现有 TTS MCP 生态里：

• Edge-TTS 的 MCP 都是单引擎薄壳（最高 8★、只活 2 天、只有 1 个 text_to_speech 工具）

• 没有任何一个能生成字幕 —— 但字幕对齐才是视频/播客/有声书的刚需

• CosyVoice 等本地克隆的中文 MCP 有效实现 = 0

本项目的杀手锏：synthesize_with_subtitles —— 文本转语音的同时，从引擎的真实边界事件生成逐词对齐的 SRT 字幕，可直接烧录到视频。

核心能力

字幕对齐原理

不是估算，是引擎的真实时间戳：

Edge-TTS: WordBoundary 事件 → 词级 {start_s, end_s}
Piper:    本地离线，字符级时间戳（无网可用，CPU极快 RTF<0.1）
→ 统一合并为 SRT 行（硬断点优先 + 字符/时长双限）

实测：最后一条字幕的结束时间 = 音频真实总时长，误差 <0.5s。

安装

pip install tts-mcp-server        # 干净底座（字幕算法 + 框架）
pip install tts-mcp-server[edge]  # + Edge-TTS 引擎（推荐，默认）
pip install tts-mcp-server[piper] # + Piper 离线引擎（可选，断网兜底）

使用

Claude Desktop

claude_desktop_config.json:

{
  "mcpServers": {
    "tts-server": {
      "command": "tts-mcp",
      "args": [],
      "env": { "TTS_OUTPUT_DIR": "/path/to/tts_out" }
    }
  }
}

Cursor

.cursor/mcp.json:

{
  "mcpServers": {
    "tts-server": {
      "type": "stdio",
      "command": "tts-mcp",
      "args": []
    }
  }
}

演示用例：会议纪要 → 带字幕的播客

调用 synthesize_with_subtitles(
  text="各位同事早上好，本次周会将讨论三个议题……",
  preset="meeting"
)
→ 得到 meeting.mp3 + meeting.srt
→ 播放器加载 SRT，逐句跟读，重点可跳转

预设

路线图

• P0: Edge-TTS 引擎 + 字幕对齐 + 预设

• P1: 百度 TTS 接入（个人实名免费额度）+ whisper 转写

• P2: 视频翻译配音工作流（ffmpeg 合成）

License

MIT。引擎适配层（engines/edge 依赖 edge-tts GPL-3.0、engines/piper 依赖 piper-tts GPL-3.0）通过 optional-dependencies + 晚绑定隔离，主包许可证干净。

系列（Chinese MCP Suite）

中文内容创作/工具 MCP 全家桶，全本地、CPU、离线：

• tts-mcp-server（本仓库）— TTS聚合+字幕对齐

• idphoto-mcp — 本地证件照

• audio-post-mcp — 音频后期

• video-workflow-mcp — 视频工作流

• poetry-mcp — 古诗文

• script-mcp — 口播文案

• asset-mcp — 素材库

• idiom-mcp — 成语典故

• weather-mcp — 天气/空气