Integrates with Bilibili's Bcut (B站剪辑) online speech recognition service for video transcription and audio-to-text conversion.
Integrates with ByteDance's JianYing/CapCut online speech recognition service for video transcription and audio-to-text conversion.
Uses OpenAI's Whisper model for local speech recognition to extract text from audio and video files.
Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@MCP Video Extraction Plustranscribe this YouTube video using Bilibili's service"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
fork from MCP Video Extraction
MCP Video Extraction plus - 语音识别服务集成修改说明
概述
本次修改将项目的语音识别服务从仅支持 Whisper（本地模型） 扩展为支持三种方式：
Whisper - OpenAI 的本地语音识别模型（原有）
JianYing (CapCut) - 字节跳动简影/CapCut 的在线语音识别服务
Bcut (B站剪辑) - 哔哩哔哩剪辑的在线语音识别服务
Overview
This update expands the project's speech recognition service from supporting only Whisper (local model) to supporting three methods:
Whisper – OpenAI's local speech recognition model (original)
JianYing (CapCut) – ByteDance's JianYing/CapCut online speech recognition service
Bcut (Bilibili Cut) – Bilibili's online speech recognition service
新增文件
核心 ASR 模块
文件 | 说明 |
| ASR 数据结构定义（ASRDataSeg、ASRData） |
| ASR 任务状态枚举 |
| 基础 ASR 抽象类，所有 ASR 实现的父类 |
| 简影（CapCut）语音识别实现 |
| B站剪辑（Bcut）语音识别实现 |
| Services 包初始化文件 |
修改的文件
1. src/mcp_video_service/services/video_service.py
主要改动：
添加 ASR 提供者配置支持（
asr_provider）修改
__init__方法，支持从配置文件读取 ASR 提供者选择新增
_create_asr_instance()方法，根据配置创建对应的 ASR 实例修改
extract_text()方法，支持多种 ASR 提供者如果选择 Whisper，使用本地模型
如果选择 JianYing 或 Bcut，调用在线 API
添加导入语句，支持相对导入和绝对导入兼容
配置参数：
self.config = {
'asr': {
'provider': 'whisper', # 可选: whisper, jianying, bcut
'use_cache': False,
'need_word_time_stamp': False,
},
'jianying': {
'start_time': 0,
'end_time': 6000,
},
# ... 其他配置
}2. config.yaml
新增配置项：
# ASR（自动语音识别）提供者配置
asr:
provider: "whisper" # 可选: whisper, jianying, bcut
use_cache: false
need_word_time_stamp: false
# JianYing (CapCut) 语音识别配置
jianying:
start_time: 0 # 音频开始时间（毫秒）
end_time: 6000 # 音频结束时间（毫秒）
# Bcut (B站剪辑) 语音识别配置
# 暂无特殊配置，使用默认值使用方式
1. 使用 Whisper（本地模型，默认）
from mcp_video_service.services.video_service import VideoService
service = VideoService(config_path='config.yaml')
# config.yaml 中设置: asr.provider = "whisper"
text = await service.extract_text('audio.mp3')2. 使用 JianYing（在线服务）
# 修改 config.yaml
# asr:
# provider: "jianying"
# use_cache: false
# need_word_time_stamp: false
# jianying:
# start_time: 0
# end_time: 6000
service = VideoService(config_path='config.yaml')
text = await service.extract_text('audio.mp3')3. 使用 Bcut（在线服务）
# 修改 config.yaml
# asr:
# provider: "bcut"
# use_cache: true
# need_word_time_stamp: false
service = VideoService(config_path='config.yaml')
text = await service.extract_text('audio.mp3')4. 通过环境变量配置
# 使用 JianYing
export ASR_PROVIDER=jianying
export ASR_USE_CACHE=false
export JIANYING_START_TIME=0
export JIANYING_END_TIME=6000
# 使用 Bcut
export ASR_PROVIDER=bcut
export ASR_USE_CACHE=true架构设计
类继承关系
BaseASR (抽象基类)
├── JianYingASR
├── BcutASR
└── VideoService (使用 Whisper 时直接调用 whisper.load_model)BaseASR 的主要特性
统一接口：所有 ASR 实现都继承自
BaseASR缓存支持：通过 CRC32 校验和生成缓存键
速率限制：内置速率限制机制，防止 API 过载
进度回调：支持异步进度回调函数
错误处理：统一的错误处理和日志记录
数据结构
ASRDataSeg（分段数据）
@dataclass
class ASRDataSeg:
text: str # 分段文本
start_time: float # 开始时间（毫秒）
end_time: float # 结束时间（毫秒）ASRData（完整数据）
@dataclass
class ASRData:
text: str # 完整文本
segments: List[ASRDataSeg] # 分段列表状态管理
ASR 任务的状态通过 ASRStatus 枚举管理：
状态 | 进度 | 说明 |
UPLOADING | 20 | 上传中 |
SUBMITTING | 40 | 提交中 |
QUERYING_RESULT | 60 | 查询结果中 |
CREATING_TASK | 40 | 创建任务中 |
TRANSCRIBING | 60 | 转录中 |
COMPLETED | 100 | 已完成 |
导入兼容性
所有新增的 ASR 模块都支持相对导入和绝对导入的双重兼容：
# 相对导入（在包内使用）
from .asr_data import ASRDataSeg
from .base_asr import BaseASR
# 绝对导入（直接加载模块时使用）
from asr_data import ASRDataSeg
from base_asr import BaseASR这确保了模块在不同的导入场景下都能正常工作。
依赖项
新增依赖
requests- 用于 HTTP 请求（JianYing 和 Bcut API）
现有依赖
yt-dlp- 视频下载whisper- 本地语音识别（仅在使用 Whisper 时需要）pyyaml- 配置文件解析
环境变量支持
环境变量 | 说明 | 默认值 |
| ASR 提供者 | whisper |
| 是否使用缓存 | false |
| 是否需要词级时间戳 | false |
| JianYing 音频开始时间 | 0 |
| JianYing 音频结束时间 | 6000 |
| Whisper 模型大小 | base |
| Whisper 语言 | auto |
向后兼容性
本次修改完全向后兼容：
默认 ASR 提供者为
whisper，保持原有行为原有的
extract_text()接口保持不变所有新增功能都是可选的
测试验证
所有新增模块已通过以下验证：
✓ Python 语法检查
✓ 模块导入测试
✓ 类继承关系验证
✓ 配置文件解析测试
后续扩展
该架构支持轻松添加新的 ASR 提供者：
创建新类继承
BaseASR实现
_run()和_make_segments()方法在
VideoService._create_asr_instance()中添加条件分支在
config.yaml中添加相应配置项
许可证
保持原项目许可证不变。
This server cannot be installed
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.