Video Extraction Server

MCP 動画・音声テキスト抽出サーバー

さまざまな動画プラットフォームや音声ファイルからテキストを抽出する機能を提供する MCP サーバーです。このサーバーは Model Context Protocol（MCP）を実装し、音声文字起こしサービスへの標準化されたアクセスを提供します。

対応プラットフォーム

このサービスは、以下を含むさまざまなプラットフォームからの動画ダウンロードと音声抽出に対応しています。

• YouTube
• Bilibili
• TikTok
• Instagram
• Twitter/X
• Facebook
• Vimeo
• Dailymotion
• SoundCloud

対応プラットフォームの完全な一覧については、yt-dlp の対応サイトをご覧ください。

コア技術

このプロジェクトでは、MCP ツールを通じた音声テキスト変換処理に OpenAI の Whisper モデルを利用しています。サーバーでは、次の4つの主要なツールを公開しています。

1. 動画ダウンロード：対応プラットフォームから動画をダウンロードします
2. 音声ダウンロード：対応プラットフォームの動画から音声を抽出します
3. 動画テキスト抽出：動画をダウンロードして文字起こしし、テキストを抽出します
4. 音声ファイルのテキスト抽出：音声ファイルからテキストを抽出します

MCP との統合

このサーバーは Model Context Protocol を使用して構築されており、次の機能を提供します。

• LLM にツールを公開する標準化された方法
• 動画コンテンツと音声ファイルへの安全なアクセス
• Claude Desktop などの MCP クライアントとの統合

機能

• Whisper に基づく高品質な音声認識
• 多言語のテキスト認識
• さまざまな音声形式に対応（mp3、wav、m4a など）
• MCP 準拠のツールインターフェース
• 大容量ファイルの非同期処理

技術スタック

• Python 3.10+
• Model Context Protocol（MCP）Python SDK
• yt-dlp（YouTube 動画ダウンロード）
• openai-whisper（コア音声テキスト変換エンジン）
• pydantic

システム要件

• FFmpeg（音声処理に必須）
• RAM 8GB 以上
• GPU アクセラレーションを推奨（NVIDIA GPU + CUDA）
• 十分なディスク容量（モデルのダウンロードと一時ファイル用）

初回実行時の重要なお知らせ

重要： 初回実行時、システムは Whisper のモデルファイル（約1GB）を自動的にダウンロードします。ネットワーク環境によっては、この処理に数分から数十分かかることがあります。モデルファイルはローカルにキャッシュされるため、次回以降の実行で再ダウンロードする必要はありません。

インストール

uv を使用する（推奨）

uv を使用する場合、特別なインストールは不要です。uvx を使用して、動画抽出サーバーを直接実行します。

curl -LsSf https://astral.sh/uv/install.sh | sh

FFmpeg のインストール

音声処理には FFmpeg が必要です。さまざまな方法でインストールできます。

# Ubuntu or Debian
sudo apt update && sudo apt install ffmpeg

# Arch Linux
sudo pacman -S ffmpeg

# MacOS
brew install ffmpeg

# Windows (using Chocolatey)
choco install ffmpeg

# Windows (using Scoop)
scoop install ffmpeg

使用方法

Claude/Cursor 向けの設定

Claude/Cursor の設定に追加します。

"mcpServers": {
  "video-extraction": {
    "command": "uvx",
    "args": ["mcp-video-extraction"]
  }
}

利用可能な MCP ツール

1. 動画ダウンロード：対応プラットフォームから動画をダウンロードします
2. 音声ダウンロード：対応プラットフォームの動画から音声を抽出します
3. 動画テキスト抽出：動画をダウンロードして文字起こしし、テキストを抽出します
4. 音声ファイルのテキスト抽出：音声ファイルからテキストを抽出します

設定

このサービスは環境変数で設定できます。

Whisper の設定

• WHISPER_MODEL：Whisper モデルのサイズ（tiny/base/small/medium/large）、デフォルト：'base'
• WHISPER_LANGUAGE：文字起こしの言語設定、デフォルト：'auto'

YouTube ダウンロードの設定

• YOUTUBE_FORMAT：ダウンロードする動画の形式、デフォルト：'bestaudio'
• AUDIO_FORMAT：抽出する音声の形式、デフォルト：'mp3'
• AUDIO_QUALITY：音声品質の設定、デフォルト：'192'

ストレージの設定

• TEMP_DIR：一時ファイルの保存場所、デフォルト：'/tmp/mcp-video'

ダウンロードの設定

• DOWNLOAD_RETRIES：ダウンロードの再試行回数、デフォルト：10
• FRAGMENT_RETRIES：フラグメントダウンロードの再試行回数、デフォルト：10
• SOCKET_TIMEOUT：ソケットのタイムアウト時間（秒）、デフォルト：30

パフォーマンス最適化のヒント

1. GPU アクセラレーション：

   • CUDA と cuDNN をインストールします
   • GPU 版の PyTorch がインストールされていることを確認します

2. モデルサイズの調整：

   • tiny：最速ですが、精度は低めです
   • base：速度と精度のバランスが取れています
   • large：最も高精度ですが、より多くのリソースが必要です

3. 一時ファイルに SSD ストレージを使用すると、I/O パフォーマンスが向上します

注意事項

• Whisper モデル（約 1GB）は、初回実行時にダウンロードする必要があります
• 一時音声ファイル用に十分なディスク容量を確保してください
• YouTube 動画のダウンロードには、安定したネットワーク接続が必要です
• 音声処理を高速化するには、GPU の使用をおすすめします
• 長時間の動画の処理には、かなり時間がかかることがあります

MCP 統合ガイド

このサーバーは、次のような MCP 対応クライアントで使用できます：

• Claude Desktop
• カスタム MCP クライアント
• その他の MCP 対応アプリケーション

MCP の詳細については、Model Context Protocol をご覧ください。

ドキュメント

このドキュメントの中国語版については、README_zh.md をご覧ください。

ライセンス

MIT