Whisper Speech Recognition MCP Server

Whisper 音声認識 MCP サーバー

---

中国語ドキュメント

Faster Whisper をベースにした高性能な音声認識 MCP サーバーで、効率的な音声文字起こし機能を提供します。

機能

• Faster Whisper と統合し、効率的な音声認識を実現
• バッチ処理による高速化で文字起こし速度を向上
• CUDA による自動高速化（利用可能な場合）
• 複数のモデルサイズに対応（tiny から large-v3 まで）
• 出力形式は VTT 字幕、SRT、JSON に対応
• フォルダー内の音声ファイルの一括文字起こしに対応
• モデルインスタンスをキャッシュし、繰り返しの読み込みを回避
• GPU メモリに応じてバッチサイズを動的に調整

インストール

依存関係

• Python 3.10+
• faster-whisper>=0.9.0
• torch==2.6.0+cu126
• torchaudio==2.6.0+cu126
• mcp[cli]>=1.2.0

インストール手順

1. このリポジトリをクローンするか、ダウンロードします
2. 仮想環境を作成して有効化します（推奨）
3. 依存関係をインストールします：

pip install -r requirements.txt

PyTorch のインストールガイド

CUDA のバージョンに応じた PyTorch をインストールします：

• CUDA 12.6：

  pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu126
  

• CUDA 12.1：

  pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121
  

• CPU 版：

  pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cpu
  

CUDA のバージョンは nvcc --version または nvidia-smi で確認できます。

使用方法

サーバーの起動

Windows では、start_server.bat を実行するだけです。

その他のプラットフォームでは、次を実行します：

python whisper_server.py

Claude Desktop の設定

1. Claude Desktop の設定ファイルを開きます：

   • Windows：%APPDATA%\Claude\claude_desktop_config.json
   • macOS：~/Library/Application Support/Claude/claude_desktop_config.json

2. Whisper サーバーの設定を追加します：

{
  "mcpServers": {
    "whisper": {
      "command": "python",
      "args": ["D:/path/to/whisper_server.py"],
      "env": {}
    }
  }
}

3. Claude Desktop を再起動します

利用可能なツール

サーバーは次のツールを提供します：

1. get_model_info - 利用可能な Whisper モデルの情報を取得します
2. transcribe - 1 つの音声ファイルを文字起こしします
3. batch_transcribe - フォルダー内の音声ファイルを一括で文字起こしします

パフォーマンス最適化のヒント

• CUDA による高速化を使用すると、文字起こし速度が大幅に向上します
• 短い音声ファイルが多数ある場合は、バッチ処理モードのほうが効率的です
• GPU メモリサイズに応じて、バッチサイズが自動調整されます
• VAD（音声アクティビティ検出）フィルタリングを使用すると、長時間の音声の精度が向上します
• 正しい言語を指定すると、文字起こしの品質が向上します

ローカルテスト方法

1. MCP Inspector を使用してすばやくテストします：

mcp dev whisper_server.py

2. Claude Desktop を使用して統合テストを実施します

3. コマンドラインから直接呼び出します（mcp[cli] が必要です）：

mcp run whisper_server.py

エラー処理

サーバーには次のエラー処理機能が実装されています：

• 音声ファイルの存在確認
• モデル読み込み失敗時の処理
• 文字起こしプロセスで発生した例外の捕捉
• GPU メモリ管理
• バッチ処理パラメーターの適応的な調整

プロジェクト構成

• whisper_server.py：メインサーバーのコード
• model_manager.py：Whisper モデルの読み込みとキャッシュ
• audio_processor.py：音声ファイルの検証と前処理
• formatters.py：出力形式の整形（VTT、SRT、JSON）
• transcriber.py：文字起こしの中核ロジック
• start_server.bat：Windows 起動スクリプト

ライセンス

MIT

謝辞

このプロジェクトは、以下の優れた AI ツールおよびモデルの支援を受けて開発されました：

• GitHub Copilot - AI ペアプログラマー
• Trae - エージェント型 AI コーディングアシスタント
• Cline - AI を活用したターミナル
• DeepSeek - 高度な AI モデル
• Claude-3.7-Sonnet - Anthropic の高性能 AI アシスタント
• Gemini-2.0-Flash - Google のマルチモーダル AI モデル
• VS Code - 高性能なコードエディター
• Whisper - OpenAI の音声認識モデル
• Faster Whisper - 最適化された Whisper の実装

これらの素晴らしいツールと、その開発チームに心より感謝します。