Servidor de extracción de texto de audio y video MCP

Un servidor MCP que ofrece funciones de extracción de texto de diversas plataformas de vídeo y archivos de audio. Este servidor implementa el Protocolo de Contexto de Modelo (MCP) para proporcionar acceso estandarizado a servicios de transcripción de audio.

Plataformas compatibles

Este servicio admite la descarga de vídeos y la extracción de audio de varias plataformas, incluidas, entre otras:

• YouTube

• Bilibili

• TikTok

• Instagram

• Twitter/X

• Facebook

• Vimeo

• Dailymotion

• SoundCloud

Para obtener una lista completa de las plataformas compatibles, visita los sitios compatibles con yt-dlp .

Related MCP server: YouTube Transcript Fetcher (YTT)

Tecnología central

Este proyecto utiliza el modelo Whisper de OpenAI para el procesamiento de audio a texto mediante herramientas MCP. El servidor expone cuatro herramientas principales:

1. Descarga de videos: Descarga videos de plataformas compatibles

2. Descarga de audio: extrae audio de videos en plataformas compatibles

3. Extracción de texto de videos: Extraer texto de videos (descargar y transcribir)

4. Extracción de texto de archivos de audio: Extraer texto de archivos de audio

Integración MCP

Este servidor está construido utilizando el Protocolo de Contexto de Modelo, que proporciona:

• Forma estandarizada de exponer herramientas a los LLM

• Acceso seguro a contenidos de vídeo y archivos de audio

• Integración con clientes MCP como Claude Desktop

Características

• Reconocimiento de voz de alta calidad basado en Whisper

• Reconocimiento de texto en varios idiomas

• Soporte para varios formatos de audio (mp3, wav, m4a, etc.)

• Interfaz de herramientas compatible con MCP

• Procesamiento asincrónico para archivos grandes

Pila tecnológica

• Python 3.10+

• SDK de Python del Protocolo de Contexto de Modelo (MCP)

• yt-dlp (descarga de vídeo de YouTube)

• openai-whisper (motor principal de conversión de audio a texto)

• pidantico

Requisitos del sistema

• FFmpeg (Necesario para el procesamiento de audio)

• Mínimo 8 GB de RAM

• Aceleración de GPU recomendada (NVIDIA GPU + CUDA)

• Suficiente espacio en disco (para descargar el modelo y archivos temporales)

Aviso importante sobre la primera ejecución

Importante: En la primera ejecución, el sistema descargará automáticamente el archivo del modelo de Whisper (aproximadamente 1 GB). Este proceso puede tardar entre varios minutos y decenas de minutos, dependiendo de las condiciones de la red. El archivo del modelo se almacenará en caché local y no será necesario volver a descargarlo para ejecuciones posteriores.

Instalación

Uso de uv (recomendado)

Al usar uv, no se requiere una instalación específica. Usaremos uvx para ejecutar directamente el servidor de extracción de vídeo:

curl -LsSf https://astral.sh/uv/install.sh | sh

Instalar FFmpeg

FFmpeg es necesario para el procesamiento de audio. Puedes instalarlo mediante varios métodos:

# Ubuntu or Debian
sudo apt update && sudo apt install ffmpeg

# Arch Linux
sudo pacman -S ffmpeg

# MacOS
brew install ffmpeg

# Windows (using Chocolatey)
choco install ffmpeg

# Windows (using Scoop)
scoop install ffmpeg

Uso

Configurar para Claude/Cursor

Añade a tu configuración de Claude/Cursor:

"mcpServers": {
  "video-extraction": {
    "command": "uvx",
    "args": ["mcp-video-extraction"]
  }
}

Herramientas MCP disponibles

1. Descarga de videos: Descarga videos de plataformas compatibles

2. Descarga de audio: extrae audio de videos en plataformas compatibles

3. Extracción de texto de videos: Extraer texto de videos (descargar y transcribir)

4. Extracción de texto de archivos de audio: Extraer texto de archivos de audio

Configuración

El servicio se puede configurar a través de variables de entorno:

Configuración de susurro

• WHISPER_MODEL : Tamaño del modelo Whisper (pequeño/base/pequeño/mediano/grande), predeterminado: 'base'

• WHISPER_LANGUAGE : Configuración de idioma para la transcripción, predeterminado: 'auto'

Configuración de descarga de YouTube

• YOUTUBE_FORMAT : Formato de vídeo para descargar, predeterminado: 'bestaudio'

• AUDIO_FORMAT : Formato de audio para extracción, predeterminado: 'mp3'

• AUDIO_QUALITY : Configuración de calidad de audio, predeterminada: '192'

Configuración de almacenamiento

• TEMP_DIR : Ubicación de almacenamiento de archivos temporales, predeterminada: '/tmp/mcp-video'

Descargar configuración

• DOWNLOAD_RETRIES : Número de reintentos de descarga, predeterminado: 10

• FRAGMENT_RETRIES : Número de reintentos de descarga de fragmentos, predeterminado: 10

• SOCKET_TIMEOUT : Tiempo de espera del socket en segundos, predeterminado: 30

Consejos para optimizar el rendimiento

1. Aceleración de GPU:

   • Instalar CUDA y cuDNN

   • Asegúrese de que la versión GPU de PyTorch esté instalada

2. Ajuste del tamaño del modelo:

   • diminuto: más rápido pero de menor precisión

   • base: Velocidad y precisión equilibradas

   • Grande: mayor precisión pero requiere más recursos

3. Utilice almacenamiento SSD para archivos temporales para mejorar el rendimiento de E/S

Notas

• El modelo Whisper (aproximadamente 1 GB) debe descargarse en la primera ejecución

• Asegúrese de tener suficiente espacio en disco para los archivos de audio temporales

• Se requiere una conexión de red estable para descargar videos de YouTube

• Se recomienda GPU para un procesamiento de audio más rápido

• El procesamiento de vídeos largos puede llevar un tiempo considerable

Guía de integración de MCP

Este servidor se puede utilizar con cualquier cliente compatible con MCP, como:

• Escritorio de Claude

• Clientes MCP personalizados

• Otras aplicaciones habilitadas para MCP

Para obtener más información sobre MCP, visita Protocolo de contexto de modelo .

Documentación

Para la versión en chino de esta documentación, consulte README_zh.md

Licencia

Instituto Tecnológico de Massachusetts (MIT)