テキストから16kHzの混合オーディオシーン（音声、音楽、効果音、環境音を一度に生成）を生成します。 MiDashengLM-Gen（Xiaomi Research）を搭載。 これはLLM駆動の自己回帰フローマッチングモデル（Qwen3-1.7Bバックボーン、総パラメータ2.9B）です。Apache-2.0ライセンスで、GPU上で完全に動作します。
MiDashengLM-Gen - 論文によると、初のエンドツーエンドで学習された汎用テキストからオーディオへのモデルです。LLMがトークンごとのフローマッチングを駆動し、可変長のオーディオシーンを生成します。音声の明瞭度は専用TTSに迫ります（Seed-TTS WER 12.15% -> 2.79% vs 専用TTSの1.24%）。9言語と感情制御をサポート。チェックポイントはHugging Faceから自動ダウンロードされます（約6GB）。モデルの重みはバンドルされていません。docs/WRAPPEE.mdを参照してください。
Related MCP server: MMAudio MCP
実行方法: ローカルのFastMCP 3.4サーバー（Claude Desktop用stdio、Cursor/webapp用HTTP /mcp）とReactダッシュボード。モデルは最初の生成時に遅延ロードされ、アンロードされるまでGPUに常駐します。
方向 | アーティファクト | 備考 |
入力 | 構造化キャプション（caption/asr/speech/sfx/music/envビュー）、ガイダンス + シードパラメータ | MCPツール、REST、またはwebapp経由 |
出力 | 16kHzモノラルWAVシーン、SQLiteにインデックス化、閲覧/エクスポート可能 |
|
1回の呼び出しでサウンドスケープ全体を生成 - 群衆の笑い声 + ジャズの一撃 + コメディのスピーチ、または雨 + 雷 + 森の環境音
専用TTS品質に迫る音声明瞭度、9言語、speechビューによる感情制御
webappでのページネーション、オーディオ再生、エクスポート機能を備えたシーンライブラリ
長時間の生成のための非同期ジョブAPI、チャット内のプリファブUIカード
学習されたストップヘッドによる可変長出力 - 固定長のカットなし
最も簡単な方法は、Claude Desktop用の.mcpbバンドルです（すべてのオプションについてはINSTALL.mdを参照）。
Releasesからmidasheng-gen-mcp-v0.1.0.mcpbをダウンロードします。
Claude Desktopにドラッグアンドドロップします。
初回使用時に約6GBのチェックポイントが自動的にダウンロードされます。
または、クローンしてstart.batをダブルクリックすると、フルスタック（バックエンド + webapp）が起動します。
"Generate a comedy club scene: a punchline, crowd laughter, and a jazz band sting" -> audio_scene(operation="generate", caption="A comedian delivering a punchline followed by uproarious crowd laughter", asr="And that is why I never buy cheap luggage anymore!", speech="expressive comedic male voice", music="sudden upbeat jazz band sting", sfx="crowd laughter", env="intimate comedy club")
"Make a thunderstorm at night in a forest" -> audio_scene(operation="generate", caption="A rolling thunderstorm in a forest at night", sfx="distant thunder and heavy rain", env="dense forest", seed=42)
"What's the model state?" -> audio_scene(operation="status")
ドキュメント | 内容 |
すべてのインストール方法、前提条件 | |
初回実行時のモデルダウンロード、GPUチェック、落とし穴 | |
MiDashengLM-Genの論文、重み、ライセンス、デモ | |
システムアーキテクチャ、ポート、データフロー | |
環境変数、設定オプション | |
利用可能なすべてのツール | |
コントリビューション、ローカルセットアップ | |
一般的な問題 |
CUDA GPU搭載のWindows/Linux/macOS（RTX 4090クラス：約12GB VRAM（fp32）。CPU推論も可能ですが低速です）
uv経由のPython 3.12+、Node.js 20+、bun（素のPCではstart.ps1によって自動インストールされます）
約10GBの空きディスク容量（チェックポイント約6GB + torchスタック）
Apache-2.0（モデルとこのラッパー）。上流リポジトリの使用制限セクションを参照してください：違法/軍事目的での使用禁止、未成年者や集団への危害禁止。
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Generate images, video, music and voice from your CLI or AI agent. On-brand AI media toolkit.
AI-manageable audio CDN: upload, transcode, normalize, stream & deliver audio, plus grounded docs.
Transform video, audio and images, and generate media from prompts. FFmpeg, captions, models.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/sandraschi/midasheng-gen-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server