gijiroku-mcp

Claude DesktopやChatGPTデスクトップのチャットからAIに頼むだけで、会議の録音開始から文字起こし、議事録の作成までを済ませるためのMac用のローカルMCPサーバーです。MCP Appsの操作画面も同梱しています。音声認識はRustサーバーから起動する同梱のspeech.cppが端末内で行います。

使い方

1. MCPB（Claude Desktop）またはプラグインZIP（ChatGPTデスクトップ）をインストールします。

2. チャットで「会議の文字起こしを始めて」「gijiroku-mcpの操作画面を開いて」などと頼みます。モデルが未取得なら、AIか画面の「モデルを準備」で先に取得します。

3. 終わったら「停止して議事録にまとめて」と頼みます。AIは read_transcript で全文を読み、議事録を書きます。

インストールしたり画面を開いたりしただけでは録音は始まりません。マイクの許可はホストアプリ（Claude Desktop / ChatGPT）に対して求められます。パネルを表示できないホストでも、すべての操作をツール呼び出しだけで行えます。

Claude Desktop（MCPB）

1. 設定のExtensions（拡張機能）→ Advanced settings → Install Extensionから .mcpb を選びます。項目名はClaudeのバージョンによって違うことがあります。

2. 新しいチャットで「gijiroku-mcpの操作画面を開いて」と頼むと、open_gijiroku が画面を開きます。

3. モデルが未準備なら「モデルを準備」を押し、取得量、進捗、完了を確認します。

4. 「録音を開始」を押します。マイクの許可を求められたら許可してください。確定文と未確定文は分けて表示され、自動で更新されます。上へスクロールすると表示位置を保ち、末尾に戻ると自動で追従します。

5. 「停止」で終了します。録音に時間制限はありません。「停止」を押すかMCP接続が切れるまで続き、画面を閉じても止まりません。

「会議の文字起こしを開始して」のようにAIへ直接頼んだ場合も、MCP Apps対応のクライアントならモデル準備や録音開始のツールに同じ画面が付きます。

ChatGPTデスクトップ

chatgpt-plugin/README.md を参照してください。サーバー、speech.cpp、操作画面はMCPBと同じで、パッケージ形式と起動設定だけが違います。

Related MCP server: ScribeHoard

ツール

会話全体の取得

read_transcript({"id":"<録音ID>"}) は録音全体を1発話1行の平文で返します。

録音 1767225600000-12345 / 確定発話 120件 / 終了
[00:00:01] [話者A] それでは定例会議を始めます
[00:00:04] [話者B] よろしくお願いします

時刻は録音開始からの経過時間です。未確定文は含みません。録音中に呼ぶと、その時点までの全文を返します。read_recording は認識イベントの末尾64 KiBを返し、操作画面はこちらを使います。

状態の追跡

recording_status と開始系ツールの応答は、テキストのJSONと structuredContent の両方で次の値を返します。

• operation: idle / preparing / recording。phase: models_missing / downloading_models / awaiting_audio_events / transcribing / ready / failed / stopped / timed_out / model_status_unknown。

• models: 全体のready、モデルごとの取得済みbytesと総bytes、合計のpercent。エンジンのローカルカタログの値で、準備中は最大約1秒、それ以外は最大約5秒キャッシュします。bytesが100%でもready=trueになるまでは準備完了と判断しません。エラー時はready=nullとerrorを返します。

• lastOperation: 最新の処理のID、種類、結果（completed / failed / stopped / timed_out）、終了コード、実行時間。モデル準備は30分で打ち切り、timed_outになります。

• elapsedSeconds / remainingSeconds: 経過時間と自動停止までの残り時間。録音には時間制限がないので、録音中のremainingSecondsと開始応答のautoStopSecondsはnullです。

• transcript: 最新の確定文、未確定文、末尾イベントの種類（最新録音の末尾64 KiBの範囲内）。無音や初期化中はawaiting_audio_eventsです。プロセスが起動しただけではマイク入力に成功したとはみなしません。

• log / operationOutput: stderrとモデル準備のstdoutの末尾4 KiB。

• revision / nextAction: この接続内の状態番号と、AIが次にすべき操作。経過秒数が進むだけではrevisionは変わりません。

{"name":"wait_for_update","arguments":{"afterRevision":3,"timeoutSeconds":10}}

wait_for_update は、指定したrevisionから状態が変わるか、最大20秒（既定10秒）が経つと、状態一式と changed / timedOut を返します。timedOut=true は待ち時間が切れただけで、ダウンロードや録音が終わったわけではありません。追跡を続けるときは、返ってきたrevisionで再び待ちます。待機中もping、状態取得、停止には応答します。新しい接続ではrevisionを使い回さず、recording_status で取り直してください。

モデル準備の流れは「prepare_models → wait_for_update を繰り返す → idleで lastOperation.outcome=completed かつ models.ready=true を確認 → 録音を開始」です。モデルが未準備のまま start_recording を呼ぶと、準備を促すエラーを返します。進捗の通知だけでAIの会話が自動で再開する保証はありません。

接続をまたいだ録音の参照

録音はMCP接続とは独立したIDで参照できます。認識イベントは recordings/<id>.jsonl に逐次保存されるので、同じデータフォルダを使う別の接続からも読めます。

1. list_recordings({}) で録音を新しい順に取得します。各項目は id、startedAtMs（Unixミリ秒）、bytes です。録音中のものも含みます。

2. 対象を選び、read_recording({"id":"<ID>"}) で読みます。選択はサーバーに保存されないので、毎回IDを指定します。最新だからという理由だけで対象を決めず、必要ならユーザーに確認してください。

3. 録音中の追記は同じIDで読み直せます。別の接続の録音は running=null（稼働状況不明）です。

truncated=true のときは、それより前のイベントは返していません。全文は返された path のファイルにあります。

マイクの選択

操作画面の「マイク」で選ぶか、list_microphones で得た名前を start_recording({"microphone":"<名前>"}) に渡します。省略すると既定のマイクを使います。選択は保存しません。同じ名前のデバイスが複数あると区別できず、最初の1つを使います。

操作画面

公式の @modelcontextprotocol/ext-apps SDKで作り、ui://gijiroku-mcp/panel-v0.6.0.html を text/html;profile=mcp-app として配信します。UIのメタデータは、クライアントがMCP Apps対応を通知したときだけ付けます。ポーリング用のツールには画面URIを付けないので、追跡のたびに新しいパネルが開くことはありません。

画面は wait_for_update で最大1秒ずつ待って状態を更新し、read_recording で認識イベントを読みます。外部CDN、ローカルHTTPサーバー、ブラウザのマイク権限はどれも使いません。認識した文章はHTMLとして解釈せず、文字列として表示します。ライト/ダーク表示はホストに合わせます。

MCP Appsにはチャットを識別する情報がなく、すべてのチャットが1つのサーバーを共有します。そのためパネルは空の状態で開き、そのパネルで開始した録音、一緒に返った start_recording の結果、open_gijiroku({"id":"<録音ID>"}) で渡された録音だけを表示します。ほかのパネルが録音中なら「別のチャットで録音中」と表示します。録音を止める手段を失わないよう、「停止」はどのパネルからでも押せます。

話者ラベル

prepare_models と start_recording に、同じ値を渡して有効にします。

diarize: false と diarizer を同時に指定するとエラーです。操作画面の「話者ラベル」でも選べます。確定した発話に [話者A] のようなラベルが付きます。ラベルは録音ごとに振り直され、実名の識別はしません。

FASTDIARは1フレームに1話者しか付けないため、重なった発話は誤りになります。日本語での精度はまだ評価していません。メモリ使用量は録音時間に比例して増えます（埋め込みだけで約33MiB/時）。

データと制限

モデルは初回の prepare_models で各配布元から取得します。リポジトリやバンドルには含まれず、各モデルの配布元のライセンスに従います。

認識イベントは録音ごとのJSONLに、直近のエンジンログは speech.log に保存します。音声そのものは保存しません。履歴は自動では削除も暗号化もされません。モデルを削除するツールはありません。AIや画面が文字起こしを読むと、その内容はホストアプリに渡ります。ログにも認識内容が含まれることがあります。

• 停止は強制終了なので、未確定文は確定しません。

• 接続終了、SIGTERM、SIGINTで子プロセスを止めます。サーバー自体がSIGKILLされたときやOSのクラッシュ時に止まる保証はありません。

• 接続ごとに独立したサーバーなので、複数のチャットから同時に録音やモデル準備をしないでください。

問題を切り分けるときは、macOSとホストアプリのバージョン、拡張のインストールとサーバー起動の成否、マイク許可の表示と「システム設定 → プライバシーとセキュリティ → マイク」に出たアプリ名、recording_status の operation / lastExit / log を記録してください。

開発・ビルド

Node.js 22以降、Rust 1.90、Git、CMake 3.20以降、Xcode Command Line Toolsが必要です。

pnpm install
pnpm test             # 文字起こしの整形とspeech.cppビルドスクリプトのテスト
pnpm run mcp:test     # Rustサーバー、MCP Apps画面
pnpm run mcp:pack     # dist-mcp/gijiroku-mcp-darwin-arm64.mcpb
pnpm run chatgpt:pack # dist-chatgpt/gijiroku-mcp-darwin-arm64.zip
pnpm run chatgpt:test

cargo build を直接実行する前には pnpm run mcp:app:build で画面をビルドしてください。パックとテストのコマンドは自動でこれを行います。バンドルの licenses/ には、本体の gijiroku-mcp-LICENSE、speech.cppとggml、画面のSDKなど（MCP-App-THIRD_PARTY_NOTICES.txt）、Rustの依存クレート（Rust-THIRD_PARTY_NOTICES.txt、Cargo.lock から生成）のライセンスが入ります。

パックするときは、FASTDIAR対応のspeech.cppフォーク（Z9RTM/speech.cpp）をソースからビルドし、binaries/ に置いて同梱します。対象のコミットは SPEECH_COMMIT に先頭7桁で指定します（省略時は eef1e9e）。コミットかビルドスクリプトが変わったときだけ再ビルドします。コンパイラやSDKを変えたときは binaries/ を削除してください。

サーバーとspeech.cppにはDeveloper ID署名も公証もしていません。MCPBにも署名はありません。