Local Speech-to-Text MCP Server

ローカル音声テキスト化 MCP サーバー

whisper.cpp を使用したローカル音声テキスト化を提供する、高性能な Model Context Protocol（MCP）サーバーです。Apple Silicon 向けに最適化されています。

🎯 特長

• 🏠 100% ローカル処理：クラウド API を使用せず、プライバシーを完全に保護
• 🚀 Apple Silicon 向けに最適化：リアルタイム処理の 15 倍以上の速度で文字起こし
• 🎤 話者ダイアライゼーション：複数の話者を識別し、分離
• 🎵 幅広い音声形式に対応：MP3、M4A、FLAC などから自動変換
• 📝 複数の出力形式：txt、json、vtt、srt、csv
• 💾 メモリ使用量が少ない：メモリ使用量 <2GB
• 🔧 TypeScript：完全な型安全性とモダンな開発環境

🚀 クイックスタート

前提条件

• Node.js 18+
• whisper.cpp（brew install whisper-cpp）
• 音声形式の変換には：ffmpeg（brew install ffmpeg）— MP3、M4A、FLAC、OGG などを自動的に処理します。
• 話者ダイアライゼーションには：Python 3.8+ と HuggingFace トークン（無料）

対応音声形式

• whisper.cpp ネイティブ形式：WAV、FLAC
• 自動変換される形式：MP3、M4A、AAC、OGG、WMA など
• 自動変換：ffmpeg を使用し、whisper.cpp 向けに 16kHz／モノラルに最適化します。
• 形式検出：必要に応じて形式を自動検出して変換します。

インストール

git clone https://github.com/your-username/local-stt-mcp.git
cd local-stt-mcp/mcp-server
npm install
npm run build

# Download whisper models
npm run setup:models

# For speaker diarization, set HuggingFace token
export HF_TOKEN="your_token_here"  # Get free token from huggingface.co

話者ダイアライゼーションに関する注意：pyannote/speaker-diarization-3.1 のライセンスに同意するには、HuggingFace アカウントが必要です。

MCP クライアントの設定

MCP クライアントの設定に追加します。

{
  "mcpServers": {
    "whisper-mcp": {
      "command": "node",
      "args": ["path/to/local-stt-mcp/mcp-server/dist/index.js"]
    }
  }
}

🛠️ 利用可能なツール

ツール	説明
transcribe	自動形式変換に対応した基本的な音声文字起こし
transcribe_long	チャンク分割と形式変換による長い音声ファイルの処理
transcribe_with_speakers	形式に対応した話者ダイアライゼーションと文字起こし
list_models	利用可能な whisper モデルを表示
health_check	システム診断
version	サーバーのバージョン情報

📊 パフォーマンス

Apple Silicon でのベンチマーク：

• 処理速度：リアルタイムの 15.8 倍（WhisperX は 5.5 倍）
• メモリ使用量：<2GB（WhisperX は約 4GB）
• GPU アクセラレーション：✅ Apple Neural Engine
• セットアップ：中程度の複雑さですが、より優れたパフォーマンスを実現

詳細なパフォーマンス比較については /benchmarks/ をご覧ください。

🏗️ プロジェクト構成

mcp-server/
├── src/                    # TypeScript source code
│   ├── tools/             # MCP tool implementations
│   ├── whisper/           # whisper.cpp integration
│   ├── utils/             # Speaker diarization & utilities
│   └── types/             # Type definitions
├── dist/                  # Compiled JavaScript
└── python/                # Python dependencies

🔧 開発

# Build
npm run build

# Development mode (watch)
npm run dev

# Linting & formatting
npm run lint
npm run format

# Type checking
npm run type-check

🤝 コントリビューション

1. リポジトリをフォークします。
2. 機能ブランチを作成します。
3. 変更を加えます。
4. テストを追加します。
5. プルリクエストを送信します。

📄 ライセンス

MIT License — 詳細は LICENSE ファイルをご覧ください。

🙏 謝辞

• 最適化された推論を提供する whisper.cpp
• オリジナルモデルを提供する OpenAI Whisper
• フレームワークを提供する Model Context Protocol
• 話者ダイアライゼーションを提供する Pyannote.audio