一个 MCP 服务器，让编码代理拥有宿主机器上的眼睛和耳朵：网络摄像头静态图像、麦克风语音转文字，以及可选的文字转语音回复。
一切都在本地运行。ffmpeg 捕获帧，faster-whisper 在 CPU 上转写，openWakeWord 处理唤醒词。音频、视频、转录文本或图像不会发送到任何地方。服务器唯一一次网络调用是首次转写时从 Hugging Face 一次性下载模型。
它存在的原因：一个能读取屏幕却看不到你、听不到你的编码代理，会错过对话的整整一个侧面。这为任何在带有摄像头和麦克风的机器上的 MCP 客户端弥补了这一缺口。
工具 | 功能 |
| 枚举摄像头和麦克风。捕获失败时先调用这个。 |
| 从摄像头拍摄一张静态 JPEG。返回文件路径。 |
| 将麦克风录制为 16kHz 单声道 WAV。不进行转写。 |
| 将任何现有的音频/视频文件转写为文本。 |
| 录制麦克风并返回所说的内容。在录制期间阻塞。 |
| 两个摄像头合成一张图像，第一个在上，第二个在下。 |
| 机器上安装的文字转语音声音。 |
| 大声说出某些内容，或将其渲染为 WAV。 |
| 等待唤醒短语，然后录制并转写后续内容。 |
Related MCP server: voice-mcp-server
需要 Python 3.11+、PATH 上的 ffmpeg，以及 uv。
uv sync独立运行以确认它能启动：
uv run server.py它处于等待 MCP stdio 输入的状态，因此在客户端连接之前看起来什么都不做。这是正常的。按 Ctrl+C 退出。
在 MCP 客户端中将其注册为 stdio 命令，模式与任何其他服务器相同。
mcp 被固定在 2 以下。mcp 2.0.0 将 mcp.server.fastmcp 重命名为
mcp.server.mcpserver，这会在服务器启动时静默破坏导入。
请停留在实际能加载的 1.x 版本。
预热时间不是多余的。网络摄像头打开时是暗的，自动曝光需要 一点时间。低于大约一秒时，帧会以黑色或曝光不良的状态返回。 默认 1.5 秒是有原因的。
捕获失败几乎总是因为设备已被占用。Zoom、Teams 或 浏览器标签页持有摄像头会产生 ffmpeg I/O 错误。工具会检测到 这一点并明确说明。第二常见的原因是操作系统隐私设置 阻止桌面应用访问摄像头或麦克风。
Whisper 模型大小：base（默认）是速度和准确度的最佳平衡点。
small 在浓重口音上明显更好，但计算量约为三倍。
首次下载后，模型会缓存在用户配置文件下。
模型是惰性加载的，并在服务器进程的生命周期内按大小保持缓存。 每次调用重新加载会花费数秒和大量内存。
默认唤醒模型是 openWakeWord 的预训练 hey_jarvis。无需训练，
无需数据集，开箱即用。在默认 0.5 阈值下它很可靠，
误报不是实际需要担心的问题。
speak 默认使用旧版 SAPI 声音。它们听起来很机械。现代操作系统
的自然声音要好得多，安装后即可在本地运行，speak
会在它们存在后自动选用。
诚实的架构限制是，这是一个四跳管道：语音转 文本、文本转模型、模型转文本、文本转语音。它比原生 音频模型慢，而且将语音转换为文本会在模型看到文字之前丢弃语调、音量和 情感。一跳的原生音频设置可以解决这两个问题， 但这需要一个原生接受音频的提供商。在文本 MCP 框架内，四跳是正确的设计，而不是捷径。
capture_stitched 只有在第二个摄像头实际连接时才值得使用。
否则图像的后半部分是连接旋转指示器。
捕获默认输出到带有时间戳名称的临时文件夹。传入 output_path 可以将
它们发送到持久位置。record_and_transcribe 之后会删除其 WAV，
除非你传入 keep_audio=True。
这里不会自动清理旧捕获。请偶尔清理该文件夹。
uv run server.py --selftest打印设备列表，无需 MCP 客户端，这是确认安装正常的最快方式。
MIT。参见 LICENSE。
This server cannot be deployed
Let cloud agents talk to you: progress updates spoken on your Mac, and replies you send back.
OCR, transcription, file extraction, and image generation for AI agents via MCP.
Turns a phone into a camera+Bluetooth remote so AI assistants can see and control any PC.
Command your AI agents by voice: PTT rooms, channels, direct messages, agent email, memory (mRAG).
