Skip to main content
Glama
sdvsdrv8990

Video Pipeline MCP Server

by sdvsdrv8990

Video Pipeline MCP Server

MCP-сервер для управления видеопайплайном. Работает с Claude AI Web через cloudflared-туннель.

Статус (2026-07): реализован слой управления данными (файлы, таблицы/Excel, структура каналов, поиск) + файрвол + транспорт. Продуктовый видео-пайплайн (озвучка/транскрибация/картинки/монтаж) — в разработке. План доведения до корпоративного уровня: docs/roadmap/. Легенда ниже: ✅ реализовано · 🟠 заглушка/частично · 🔲 план.

Структура проекта (фактическая)

video_pipeline_mcp/
├── server.py              ✅ точка входа: MCP-эндпоинт + туннель; регистрация инструментов
├── pyproject.toml         ✅ сборка/зависимости (PEP 621) · requirements.lock — точные пины
├── install.sh · run.sh    ✅ установка (.venv + cloudflared) · запуск (--tunnel)
│
├── config/                ✅ декларации (поведение, НЕ код)
│   │                          (конфиг канала с S22 — не файл, а 7 листов channel_data.xlsx:
│   │                           RESOURCE_LIMITS, WORKFLOW_SEQUENCES, PUBLISHING_SCHEDULE,
│   │                           METADATA_DEFAULTS, AUTOMATION_RULES, SCENE_PROFILE, RENDER_CONFIG)
│   ├── server_reactions.yaml  ✅ реестр реакций (коды → класс + recovery)
│   ├── firewall.yaml          ✅ правила файрвола
│   ├── tunnel.yaml            ✅ конфиг туннеля (gitignored — секрет)
│   └── templates/
│       ├── workspace/         ✅ 6 шаблонов: niche/network/channel/video/competitor_channel/competitor_video
│       └── tables/            🔲 схемы книг (*.schema.yaml) — воркстрим A1′
│
├── core/                  — ядро (бизнес-логика)
│   ├── contracts/         ✅ Pydantic: ToolResult, ErrorDetail, Fact, TaskStatus
│   ├── engine/            ✅ generic-движок + template_engine
│   ├── firewall/          ✅ файрвол + rules/ (rate_limit, injection, ip_blocklist, anomaly)
│   ├── state/             ✅ read.json / write.json / session log
│   ├── reactions/         ✅ читалка server_reactions
│   ├── ids/               ✅ генерация ID + link_registry
│   ├── tables/ · excel/   ✅ слой таблиц и Excel-книг
│   ├── search/            ✅ поиск по ФС/таблицам (FsSearcher + QueryPlanner)
│   ├── transport/         ✅ туннель к Claude (transport + tunnel)
│   ├── runner/            ✅ инференс в отдельном процессе: сервис на петле + супервизор
│   ├── paths.py           ✅ containment путей в workspace/
│   └── providers/         🟠 адаптеры провайдеров (заглушки — в разработке)
│       ├── stt/ (stable-ts) · tts/ (LiteLLM) · img/ (LiteLLM) · ffmpeg/ (внешний MCP)
│
├── tools/                 🔲 тонкие обёртки Bounded Context (план: вынос из server.py, A2)
├── pipeline/              🔲 оркестрация процессов (entry_points + steps) — план
├── scripts/               🔲 утилиты (план: introspect_tables.py — A1′)
├── docker/                ✅ образ раннера (среда инференса заперта в контейнере)
├── tests/                 ✅ quick/ (unit) + симуляции (virus/bot_army/cache_*/…)
└── docs/
    ├── dev/               — история файлов, спеки (gitignored)
    └── roadmap/           ✅ план развития до корпоративного уровня + канон спек (spec/)

Инструменты сейчас (52 в tools/list): ✅ fs_* (файлы), table_*/json_* (таблицы), excel_* (книги), structure_* (создание каналов/видео по шаблонам), search_* (поиск); 🟠 tts_*/stt_*/img_*/video (media — заглушки).

Related MCP server: Video MCP

Установка

./install.sh            # .venv + БАЗОВЫЕ зависимости + cloudflared
./install.sh --media    # + облачные/HTTP-провайдеры и ONNX (bg_removal/upscale)
./install.sh --local    # + локальный ML-инференс (torch/stable-ts/piper/diffusers)
./install.sh --gpu-amd  # + локальный инференс на карте AMD (rocm-сборка torch)

Экономия: база ставится без тяжёлых библиотек (torch ~3 ГБ, stable-ts, litellm, onnxruntime) — они импортируются лениво и вынесены в optional-группы. Сервер на чистой базе работает, а media-инструменты честно отвечают PROVIDER_NOT_CONFIGURED / LOCAL_INFERENCE_FAILED.

Запуск

./run.sh              # сервер + туннель (--no-tunnel — только локально)

Зависимости

Источник истины — pyproject.toml (pip install -e .); точные пины базы — requirements.lock; dev-инструменты — pip install -e ".[dev]"; media — pip install -e ".[media]"; локальный ML-инференс — pip install -e ".[local]"pip install -e ".[gpu-amd]" для карт AMD).

База (обязательная, ~50 МБ)

Пакет

Зачем

pydantic

контракты (ToolResult, ErrorDetail)

openpyxl

работа с Excel

pyyaml · jsonschema

чтение конфигов · валидация params по схеме

aiohttp

HTTP-транспорт сервера за туннелем

cryptography

подпись артефактов (S9), ключ инстанса

Media (по запросу, .[media])

Пакет

Зачем

httpx

HTTP-клиент к облачным шлюзам провайдеров

litellm

унифицированный доступ к онлайн-моделям (STT/TTS/IMG)

onnxruntime · pillow

удаление фона, апскейл (граф ONNX)

ffmpeg-python

видео-операции

Local (по запросу, .[local] — гигабайты рантайма)

Пакет

Зачем

torch · torchaudio

рантайм локального инференса

stable-ts

локальная транскрипция (whisper)

piper-tts · diffusers · transformers

озвучка, генерация картинок

cloudflared — бинарь (не pip), ставится install.sh.

Разработка

План развития, находки и канон спек: docs/roadmap/. Предложения по улучшению функций: docs/roadmap/spec/IMPROVEMENTS.md.

F
license - not found
-
quality - not tested
C
maintenance

Maintenance

Maintainers
Response time
Release cycle
Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Servers

View all related MCP servers

Related MCP Connectors

  • MCP server for Wan AI video generation

  • MCP server for Clipkit — gives AI agents a video toolbox via the Clipkit schema.

  • MCP server for Google Veo AI video generation

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/sdvsdrv8990/vpipe_mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server