Skip to main content
Glama
Sign In
asr-mcp

asr-mcp

by fengredrum
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

asr-mcp

基于本地 Whisper Large V3 (MLX) 模型的语音转文本 MCP 服务（stdio 传输）。转写全程本地运行，不联网、不上传音频。

功能

对外暴露两个 MCP 工具：

工具

说明

transcribe_audio

将音频转写为文本，支持三种输出：text 纯文本含标点（默认）/ timestamps 带时间轴 / srt 字幕

correct_transcription

调用当前会话的 LLM 对转写结果纠错，支持 semantic（语义/术语纠错，默认）和 reference（对照标准文稿纠错，适合字幕制作）两种模式

设计要点：

  • 工具调用与重任务解耦：转写在独立子进程（worker.py）中执行，server 以事件驱动方式等待并每 15 秒上报心跳进度，不轮询进程状态。

  • 超时语义诚实：默认超时 10 分钟；超时后不杀子进程，任务继续在后台跑完并自行落盘，工具如实返回「未完成」而非「出错」，并提示稍后检查输出文件。

  • 中文标点修复：该模型转写中文时默认不输出任何标点，本服务按语言注入 initial_prompt 引导生成规范标点。

  • Sampling 优雅回退：纠错优先走 MCP Sampling；客户端不支持时（多数客户端的现状），工具返回一份现成的纠错提示词，由当前会话的 LLM 直接完成纠错。

Related MCP server: whisper-transcribe-mcp

环境要求

  • macOS + Apple Silicon（MLX 仅支持 Apple 芯片）

  • Python ≥ 3.12

  • uv 包管理器

  • 本地模型目录（见下节）

安装

git clone https://github.com/fengredrum/asr-mcp.git
cd asr-mcp
uv sync

本项目默认 PyPI 索引为阿里云镜像（见 pyproject.toml），海外网络可在 [tool.uv] 中删除或替换该配置。

准备模型

下载模型到本地任意目录，例如：

huggingface-cli download mlx-community/whisper-large-v3-mlx --local-dir ~/models/whisper-large-v3-mlx

通过环境变量 ASR_MCP_MODEL_PATH 指定模型目录（也支持直接填 Hugging Face 仓库 ID，mlx_whisper 会自动下载）：

export ASR_MCP_MODEL_PATH=~/models/whisper-large-v3-mlx

接入 MCP 客户端

以 Claude Code 为例：

claude mcp add asr-mcp \
  --env ASR_MCP_MODEL_PATH=$HOME/models/whisper-large-v3-mlx \
  -- uv --directory /绝对路径/asr-mcp run server.py

或在客户端的 MCP 配置中手动添加：

{
  "mcpServers": {
    "asr-mcp": {
      "command": "uv",
      "args": ["--directory", "/绝对路径/asr-mcp", "run", "server.py"],
      "env": {
        "ASR_MCP_MODEL_PATH": "/你的模型目录/whisper-large-v3-mlx"
      }
    }
  }
}

接入后直接让 LLM「转写这个音频文件」即可，它会调用 transcribe_audio 并在完成后询问是否需要纠错。

调试转写链路

可绕过 MCP 直接运行 worker：

.venv/bin/python worker.py <音频路径> <text|timestamps|srt> <输出文件> [语言]

输出文件命名约定

类型

文件名

纯文本

{音频名}.txt

时间轴

{音频名}_timestamps.txt

字幕

{音频名}.srt

纠错结果（约定）

{音频名}_corrected.txt

输出默认与音频文件同目录，也可由调用方指定输出目录。

项目结构

server.py        # MCP server：工具定义、子进程调度、心跳进度、Sampling 回退
worker.py        # 一次性转写工作进程，stdout 最后一行 JSON 为状态协议
transcriber.py   # mlx_whisper.transcribe 薄封装（含中文标点 workaround）
formatter.py     # text / timestamps / srt 三种格式化输出

许可证

MIT

Available Tools

2 tools
correct_transcriptionA

调用当前会话的 LLM 对转写文本进行纠错。调用前应先询问用户是否需要纠错及使用哪种模式。

若当前 MCP 客户端支持 Sampling，则由服务端请求客户端 LLM 完成纠错； 若不支持（多数客户端的现状），则返回现成的纠错提示词， 当前会话的 LLM 应直接按提示词完成纠错并把结果返回给用户。

Args: transcription_text: 需要纠错的转写文本 correction_mode: 纠错模式。semantic=结合语义/专业术语/互联网资料纠错（默认），reference=对照标准文本纠错 reference_text: 标准参考文本（reference 模式必填，一般用于字幕制作场景）

Inputs: transcription_text (required), reference_text, correction_mode. Returns: result

transcribe_audioA

将音频文件转写为文本。调用前若用户未明确指定，应先询问用户选择哪种转写类型。

转写在后台子进程中运行，完成后自动上报结果，不需要轮询进度。 默认超时 10 分钟；超时后会如实检查并告知是「尚未完成」（任务继续后台运行， 完成后结果自动写入输出文件）还是「转写出错」（附带错误信息）。

Args: audio_path: 音频文件的绝对路径（支持 m4a/mp3/wav/flac 等常见格式） task_type: 转写类型。text=纯文本含标点（默认），timestamps=带时间轴，srt=SRT 字幕 output_dir: 输出目录，默认与音频文件同目录 language: 语言提示，如 zh、en。不指定则自动检测 timeout: 超时时间（秒），默认 600（10 分钟）

Inputs: audio_path (required), timeout, language, task_type, +1 more. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Deploy Server
    One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

    TDQS

    A4.5/5.0

    Scored across 2 tools

    Disambiguation5/5

    The two tools have clearly distinct purposes: one transcribes audio to text, the other corrects existing transcription text. There is no overlap or ambiguity between them.

    Naming Consistency5/5

    Both tool names follow a consistent verb_noun snake_case pattern: transcribe_audio and correct_transcription. This makes the naming predictable and easy to infer.

    Tool Count3/5

    With only 2 tools, the server feels thin for a typical MCP surface, but the scope is narrow and focused on transcription plus correction. It sits at the borderline of being too minimal.

    Completeness4/5

    The core ASR workflow is covered: transcription with multiple output formats and language support, plus a correction step. Minor gaps exist like no explicit job status query, but the background processing design mitigates this.

    Maintenance

    ActivityInactive
    ResponsivenessOutdated data

    Resources

    Related MCP Connectors

    Related MCP Servers