cerase-media MCP

第一方多模态理解（M-MEDIA-1 = 原 cerase-ocr + cerase-transcriber 的合并）：通过 cerase-litellm，在 multimodal 工具-模型别名之上提供五个 异步 工具，按 agent 计费。最后两个（analyze_ui、compare_screenshots）是 M-CERASE-MEDIA-UX 新增的 UX/UI 截图组合——同样的 multimodal 端点、专门的提示词、无额外依赖。

图像输入有三种方式（任选其一）：path（CERASE_TOOL_WORKSPACE_ROOT 下的文件）、image_url 或 image_base64。compare_screenshots 接受双图像变体（path1/image1_url/image1_base64 和 path2/…）。

设计上即为异步：这些工具 ~100% 的时间都在等待 LLM，因此并发请求会在单个 runner 容器内的并行 I/O 通道上运行（没有按模态划分的队列）。ffmpeg（音频归一化）以异步子进程方式运行。

长音频：分块器

transcribe 会把任何超过一个分块时长的音频切开（chunker.py），并发转录这些片段，再重新组装文本。除第一段外，每个片段都会重复前一段的最后几秒，这样切分处不会丢失任何词；拼接各片段时，重复的词会被定位并删除。如果调用方知道说话者在何处切换，可以提供一个说话者时间线：切分点会移到话轮切换处，那里不需要重复任何内容。

每一段——包括短到无需切分的录音——前面都会加一秒静音。以某个词开头的音频，转录回来时第一句话会缺失。

Related MCP server: mcp-multimedia-server

同一套代码作为 HTTP 端点

transcription_api.py 通过同一个分块器提供 POST /v1/audio/transcriptions——即调用方已经在使用的接口。compose 服务 cerase-transcription 以该入口点运行此镜像：

python -m uvicorn --app-dir /app --factory transcription_api:create_app --host 0.0.0.0 --port 8080

它接受 OpenAI 的字段（file、model、language、response_format、stream），外加两个自有字段：agent_id（或 X-Cerase-Agent-Id 请求头）——每次模型调用都会计入它名下，且为必填；以及 speaker_timeline，一个 {start, end, speaker} 的 JSON 数组。调用方以 bearer 令牌形式出示 CERASE_INTERNAL_SECRET；该密钥未设置时，所有请求都会被拒绝。当 stream=true 时，每个片段一落地就会作为 transcript.text.delta 事件发出，运行以 transcript.text.done 结束。

环境变量：LITELLM_BASE_URL、LITELLM_MASTER_KEY（限定作用域的服务密钥）、CERASE_MULTIMODAL_ALIAS（默认 multimodal）、CERASE_TOOL_WORKSPACE_ROOT（路径遍历防护根目录）、CERASE_INTERNAL_SECRET（HTTP 端点的 bearer）。