Audio Transcription MCP

Audio Transcription MCP

ローカルの Whisper または OpenAI transcription API を使用して、ローカルの音声や動画を文字起こしするための MCP サーバーです。

パッケージ名および CLI 名：audio-transcription-mcp。

必要条件

• Python 3.11+
• PATH で利用できる ffmpeg
• ローカルで文字起こしする場合：cykk-audio-transcriber の local エクストラをインストール
• OpenAI transcription を利用する場合：api エクストラをインストールし、OPENAI_API_KEY を設定

PATH で ffmpeg を利用できない場合は、別途インストールしてください。 Debian/Ubuntu では sudo apt install ffmpeg を、Homebrew を利用する macOS では brew install ffmpeg を使用してください。Windows では FFmpeg のビルドをインストールし、その bin ディレクトリを PATH に追加してください。

ソースからインストール

git clone https://github.com/cykk/audio-transcription-mcp.git
cd audio-transcription-mcp
pip install ".[local]"

代わりに OpenAI transcription API を使用する場合：

pip install ".[api]"

PyPI からインストール

パッケージが PyPI に公開されたら、直接インストールできます：

pip install "audio-transcription-mcp[local]"

OpenAI transcription API を利用する場合：

pip install "audio-transcription-mcp[api]"

エクストラを指定せずにインストールしても、どちらの文字起こしバックエンドもインストールされません。ローカルの Whisper は初回使用時に選択したモデルをダウンロードする場合があり、十分なディスク容量とメモリが必要です。

実行

audio-transcription-mcp

後方互換性のため、audiototext-mcp もエイリアスとして引き続き利用できます。

サーバーは MCP の stdio トランスポートを使用します。Claude Desktop、Cursor、その他の互換性のあるホストなどの MCP クライアントで、コマンドを設定してください：

{
  "mcpServers": {
    "audio-transcription": {
      "command": "audio-transcription-mcp"
    }
  }
}

ツール

transcribe_file は、ローカルの file_path と、任意の model、language、task、prompt、api_key 引数を受け取ります。検出した言語、全文、タイムスタンプ付きセグメントを含む JSON を返します。

サーバーはローカルファイルを読み取るため、信頼できるクライアントでのみ設定してください。API キーは、ツール引数ではなく OPENAI_API_KEY を通じて指定することを推奨します。 API キーを指定すると、選択した音声が OpenAI API に送信されます。API キーを指定しない場合は、 Whisper を使用してローカルで文字起こしが実行されます。モデルは初回使用時にダウンロードされる場合があります。

検証

MCP クライアントにサーバーを追加したら、読み取り可能なローカル音声ファイルまたは動画ファイルのパスを指定して transcribe_file を呼び出してください。成功すると、検出した言語、文字起こし全文、タイムスタンプ付きセグメントが返されます。

MCP クライアントを設定する前にパッケージを検証するには、次を実行してください：

python -c "import asyncio; from audiototext_mcp.server import mcp; print([tool.name for tool in asyncio.run(mcp.list_tools())])"

コマンドには transcribe_file が含まれている必要があります。実際に文字起こしを行うには、 ローカル Whisper エクストラをインストールするか、API エクストラ用の有効な OPENAI_API_KEY が必要です。

関連製品

MP3ToText は、ブラウザーで利用できる音声・動画文字起こし製品です。 この MCP サーバーは独立して動作し、MP3ToText サービスを使用しません。

ライセンス

MIT