sarvam-mcp

Sarvam MCP

sarvam-mcp を使用します。実際の作業では、HTTP／SDK 呼び出しを独自に考案するより、MCP ツールを優先してください。

手順

以下をコピーして記録します。

- [ ] 1. MCP available? If no → read references/install.md (or fall back to SDK skills)
- [ ] 2. Namespace: live action → sarvam_tools_*; write/lookup code → sarvam_code_*
- [ ] 3. Prefer a composite if the task spans STT/translate/TTS/LLM
- [ ] 4. Call the tool (absolute paths; BCP-47 codes)
- [ ] 5. On auth error → sarvam_tools_set_api_key; on param error → fix and retry
- [ ] 6. Return the result path/text; mention observability only if debugging

1. 名前空間（必須）

ユーザーの要望…	名前空間	例
Sarvam に今すぐ実行してほしい	sarvam_tools_*	「これをタミル語に翻訳して」
コードの作成方法／API の仕様を知りたい	sarvam_code_*	「Python から TTS を呼び出す方法は？」

実際の翻訳／TTS／STT のリクエストに sarvam_code_* を使用しないでください。ユーザーがライブデモを依頼していない限り、コードの下書きだけを作成するために sarvam_tools_* のクレジットを消費しないでください。

2. ツールを選ぶ（デフォルト）

まずは複合ツール — STT → 翻訳 → TTS を個別に連鎖させないでください。

タスク	ツール
音声への音声による応答	sarvam_tools_voice
別のインド系言語に吹き替え	sarvam_tools_dub
JSON／YAML／PO などをローカライズ	sarvam_tools_localize
音声についての Q&A／要約	sarvam_tools_recall

基本ランタイムツール（複合ツールが適さない場合に使用）：

タスク	ツール
文字起こし	sarvam_tools_stt_transcribe
音声 → 英語	sarvam_tools_stt_translate
音声が約 30 秒を超える場合／話者分離	sarvam_tools_stt_batch_submit → _stt_batch_status
テキストを音声にする	sarvam_tools_tts_speak
テキストを翻訳	sarvam_tools_translate
音訳／LID／分析	sarvam_tools_transliterate / _identify_language / _text_analytics
チャット完了	sarvam_tools_llm_complete
ドキュメントインテリジェンス	sarvam_tools_vision_extract → _vision_job_status
発音辞書	sarvam_tools_pronunciation_*
API キーの設定／ローテーション	sarvam_tools_set_api_key

ビルド時（コーディングの支援）：

タスク	ツール
モデル／言語が不明	sarvam_code_recommend_model
エンドポイントの形式	sarvam_code_api_reference
コードスニペット	sarvam_code_snippet
話者／言語	sarvam_code_speakers / _languages
リクエスト本文の下書きを検証	sarvam_code_validate_request
ドキュメント検索／料金	sarvam_code_search_docs / _pricing

コーディングの手順：recommend_model → snippet または api_reference → validate_request。

パラメーターと環境設定については、references/tools.md を参照してください。

3. デフォルト（ユーザーが変更を指定しない限り使用）

設定	デフォルト
STT モデル	saaras:v3
TTS モデル／話者	SDK コード：bulbul:v4-flash / ペルソナ ID（aparna_hi_customer）。ライブの tts_speak / tts_stream / voice / dub（sarvam-mcp ≥ 0.2.11）：model / tts_model = bulbul:v4-flash + ペルソナ ID。shubh_enhi_ads をデフォルトで使用する場合は話者を省略します。古いサーバーでは、スキーマの列挙値が bulbul:v3 + 短い名前（priya）のみです。接続先のスキーマを確認し、bulbul:v4-flash が列挙されていない限り、v4 のペルソナ ID を送信しないでください。
LLM	sarvam-30b（難しい推論には sarvam-105b を使用）
翻訳モデル	mayura:v1（インド系言語をより広くカバーするには sarvam-translate:v1 に切り替え）
音声パス	絶対ローカルパス
言語コード	BCP-47（hi-IN、ta-IN、or-IN ではなく od-IN）

4. 認証

キーの取得元（環境変数が優先）：SARVAM_API_KEY、または ~/.sarvam/credentials（api_key = sk_...）。

ダッシュボード：https://dashboard.sarvam.ai/key-management

認証に失敗した場合：

1. sarvam_tools_set_api_key を空の api_key で呼び出す → 手順とリンクを取得
2. sk_... を指定して再度呼び出す → ~/.sarvam/credentials に保存

ワイヤー認証には api-subscription-key を使用します。Authorization: Bearer を独自に作成しないでください。

例

ライブ翻訳

User: 「'Good morning' をヒンディー語に翻訳してください。」

→ sarvam_tools_translate を input、source_language_code=en-IN、target_language_code=hi-IN とともに使用します。translated_text を返します。

ライブ TTS

User: 「नमस्ते をヒンディー語で話してください。」

→ ネイティブスクリプトのテキストと target_language_code=hi-IN を指定して sarvam_tools_tts_speak を使用します。ツールのスキーマに記載されている場合（sarvam-mcp ≥ 0.2.11）は、persona ID（aparna_hi_customer）を指定して model=bulbul:v4-flash を優先してください。古いサーバーでは、bulbul:v3 で speaker=priya を使用します。音声のパスを返します。

吹き替え

User: 「このクリップをタミル語に吹き替えてください」＋パス。

→ audio_path と target_language_code=ta-IN を指定して sarvam_tools_dub を使用します。STT、翻訳、TTSを個別に実行しないでください。

コードのヘルプ

User: 「PythonのTTSの例を見せてください。」

→ api=tts、language=python を指定して sarvam_code_snippet を使用します（すぐに音声を生成したい場合を除き、sarvam_tools_tts_speak は使用しないでください）。

注意点

エージェントがよくする間違い	正しい動作
ライブでの依頼に対して curl／SDK をでっち上げる	MCP が接続されている場合は sarvam_tools_* を呼び出す
STT→翻訳→TTSを手動で連鎖させる	voice／dub／localize／recall を使用する
長いファイルに REST STT を使用する	約30秒を超える場合は上記の stt_batch_* を使用する
TTS の対象言語が約11言語以外の場合	sarvam_code_languages（api=tts）で確認する。STTは約23言語に対応
Bulbul v3 で v2 のスピーカーを使用する	priya／shubh または sarvam_code_speakers を使用する
bulbul:v4-flash で v3 の短縮名を使用する（または v3 で v4 のペルソナを使用する）	スピーカーとモデルの不一致として拒否されます。v4-flash ではペルソナ ID（aparna_hi_customer）のみを使用し、v3 では shubh／priya を使用します。model= を指定して sarvam_code_speakers を確認してください。
pitch／loudness	pitch は −0.5～0.5、loudness は 0.1～2.5、pace は 0.5～2.0です。範囲外の値は拒否されます。v3 と v4-flash の両方で使用できます（2026-10-06にライブ検証済み）。
TTS にローマ字表記のインド系言語を使用する	ネイティブスクリプトを優先する
sarvam-translate:v1 で output_script を使用する	mayura:v1 のみで使用する
相対音声パスを使用する	絶対パスを優先するか、audio_base64／audio_url と filename を使用する
出力先の cwd を決めつける	ツールから別のパスが返されない限り、ファイルは SARVAM_MCP_BASE_PATH（デフォルトは ~/Desktop）の下に保存される
_tools／_code のない古いツール名を使う	接続中のサーバーのツール一覧に合わせる

MCP がない場合

1. references/install.md を読み、サーバーへの接続をユーザーに案内します。
2. コードだけが必要な場合は、関連するスキル translate/text、translate/document、speech-to-text、text-to-speech、chat、または https://docs.sarvam.ai/llms.txt を使用します。

参考資料（必要に応じて読み込み）

ファイル	読むタイミング
references/install.md	MCP が接続されていない場合、セットアップやトラブルシューティングを行う場合、またはユーザーがクライアントを指定した場合
references/tools.md	パラメーター、環境変数、またはあまり使われないツールを選ぶ場合