MCP ビデオ & オーディオ テキスト抽出サーバー

様々な動画プラットフォームや音声ファイルからテキスト抽出機能を提供するMCPサーバー。このサーバーは、モデルコンテキストプロトコル（MCP）を実装し、音声文字変換サービスへの標準化されたアクセスを提供します。

サポートされているプラットフォーム

このサービスは、以下を含むさまざまなプラットフォームからのビデオのダウンロードとオーディオの抽出をサポートしています:

• ユーチューブ

• ビリビリ

• ティックトック

• インスタグラム

• ツイッター/X

• フェイスブック

• ヴィメオ

• デイリーモーション

• サウンドクラウド

サポートされているプラットフォームの完全なリストについては、 yt-dlp がサポートされているサイトをご覧ください。

Related MCP server: mcp-ytTranscript

コアテクノロジー

このプロジェクトでは、OpenAIのWhisperモデルを活用し、MCPツールを介して音声テキスト処理を行います。サーバーは4つの主要なツールを公開しています。

1. ビデオのダウンロード: サポートされているプラットフォームからビデオをダウンロードします

2. オーディオダウンロード: サポートされているプラットフォーム上のビデオからオーディオを抽出します

3. ビデオテキスト抽出: ビデオからテキストを抽出 (ダウンロードして文字起こし)

4. 音声ファイルのテキスト抽出:音声ファイルからテキストを抽出します

MCP統合

このサーバーは、次の機能を提供するモデル コンテキスト プロトコルを使用して構築されています。

• LLMにツールを公開するための標準化された方法

• ビデオコンテンツとオーディオファイルへの安全なアクセス

• Claude DesktopなどのMCPクライアントとの統合

特徴

• Whisperに基づく高品質の音声認識

• 多言語テキスト認識

• さまざまなオーディオ形式（mp3、wav、m4a など）をサポート

• MCP準拠ツールインターフェース

• 大きなファイルの非同期処理

技術スタック

• Python 3.10以上

• モデルコンテキストプロトコル (MCP) Python SDK

• yt-dlp（YouTube動画のダウンロード）

• openai-whisper（コア音声テキスト変換エンジン）

• ピダンティック

システム要件

• FFmpeg（オーディオ処理に必要）

• 最低8GBのRAM

• 推奨される GPU アクセラレーション (NVIDIA GPU + CUDA)

• 十分なディスク容量（モデルのダウンロードと一時ファイル用）

初回実行に関する重要なお知らせ

**重要：**初回実行時に、システムはWhisperモデルファイル（約1GB）を自動的にダウンロードします。このプロセスは、ネットワークの状況に応じて数分から数十分かかる場合があります。モデルファイルはローカルにキャッシュされるため、次回の実行時に再度ダウンロードする必要はありません。

インストール

uvの使用（推奨）

uvを使用する場合、特別なインストールは必要ありません。uvxを使用してビデオ抽出サーバーを直接実行します。

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

FFmpegをインストールする

オーディオ処理にはFFmpegが必要です。以下の方法でインストールできます。

# 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

使用法

クロード/カーソルの設定

Claude/Cursor 設定に追加:

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

利用可能なMCPツール

1. ビデオのダウンロード: サポートされているプラットフォームからビデオをダウンロードします

2. オーディオダウンロード: サポートされているプラットフォーム上のビデオからオーディオを抽出します

3. ビデオテキスト抽出: ビデオからテキストを抽出 (ダウンロードして文字起こし)

4. 音声ファイルのテキスト抽出:音声ファイルからテキストを抽出します

構成

サービスは環境変数を通じて設定できます:

ウィスパー構成

• WHISPER_MODEL : ウィスパーモデルのサイズ（tiny/base/small/medium/large）、デフォルト: 'base'

• WHISPER_LANGUAGE : 転写の言語設定、デフォルト: 'auto'

YouTubeダウンロード設定

• YOUTUBE_FORMAT : ダウンロードするビデオ形式、デフォルト: 'bestaudio'

• AUDIO_FORMAT : 抽出するオーディオ形式、デフォルト: 'mp3'

• AUDIO_QUALITY : オーディオ品質設定、デフォルト: '192'

ストレージ構成

• TEMP_DIR : 一時ファイルの保存場所、デフォルト: '/tmp/mcp-video'

ダウンロード設定

• DOWNLOAD_RETRIES : ダウンロードの再試行回数、デフォルト: 10

• FRAGMENT_RETRIES : フラグメントダウンロードの再試行回数、デフォルト: 10

• SOCKET_TIMEOUT : ソケットのタイムアウト（秒）、デフォルト: 30

パフォーマンス最適化のヒント

1. GPUアクセラレーション:

   • CUDAとcuDNNをインストールする

   • PyTorchのGPUバージョンがインストールされていることを確認する

2. モデルサイズ調整:

   • tiny: 最も速いが精度は低い

   • ベース：バランスの取れた速度と精度

   • 大きい: 最高の精度だが、より多くのリソースが必要

3. I/O パフォーマンスを向上させるために一時ファイルに SSD ストレージを使用する

注記

• 初回実行時にWhisperモデル（約1GB）をダウンロードする必要があります

• 一時的なオーディオファイル用の十分なディスク容量を確保する

• YouTube動画のダウンロードには安定したネットワーク接続が必要です

• より高速なオーディオ処理にはGPUを推奨

• 長い動画の処理にはかなり時間がかかる場合があります

MCP統合ガイド

このサーバーは、次のような MCP 互換クライアントで使用できます。

• クロードデスクトップ

• カスタムMCPクライアント

• その他のMCP対応アプリケーション

MCP の詳細については、モデル コンテキスト プロトコルを参照してください。

ドキュメント

このドキュメントの中国語版については、 README_zh.mdを参照してください。

ライセンス

マサチューセッツ工科大学