AI导哈

语音识别服务器

基于Faster Whisper的高性能语音识别MCP服务器，提供高效的音频转录功能。

  • by BigUncle
  • Python
  • 本地部署
  • 17 星标
  • 更新于
在 GitHub 查看 BigUncle/Fast-Whisper-MCP-Server

使用说明

耳语语音识别MCP服务器

中文文档

基于Faster Whisper的高性能语音识别MCP服务器，提供高效的音频转录功能。

特性

  • 与Faster Whisper集成，实现高效的语音识别
  • 批处理加速，提高转录速度
  • 自动CUDA加速（如果可用）
  • 支持多种型号尺寸（从小到大-v3）
  • 输出格式包括VTT字幕、SRT和JSON
  • 支持批量转录文件夹中的音频文件
  • 模型实例缓存以避免重复加载
  • 基于GPU内存的动态批量大小调整

安装

依赖项

  • Python 3.10+
  • 更快的耳语>=0.9.0
  • 火炬==2.6.0+cu126
  • 闪电==2.6.0+cu126
  • mcp[cli]>=1.2.0

安装步骤

  1. 克隆或下载此存储库
  2. 创建并激活虚拟环境（推荐）
  3. 安装依赖项：
pip install -r requirements.txt

PyTorch安装指南

根据您的CUDA版本安装相应版本的PyTorch：

  • 第12.6条：

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

  • 第12.1条：

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

  • CPU版本：

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

您可以通过以下方式检查CUDA版本 nvcc --version 或 nvidia-smi.

用法

启动服务器

在Windows上，只需运行 start_server.bat.

在其他平台上，运行：

python whisper_server.py

配置Claude桌面

  1. 打开Claude Desktop配置文件：

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

  2. 添加Whisper服务器配置：

{
  "mcpServers": {
    "whisper": {
      "command": "python",
      "args": ["D:/path/to/whisper_server.py"],
      "env": {}
    }
  }
}
  1. 重新启动克劳德桌面

可用工具

服务器提供以下工具：

  1. 获取模式信息 -获取Whisper可用型号的信息
  2. 转录 -转录单个音频文件
  3. 批处理_订阅 -批量转录文件夹中的音频文件

性能优化提示

  • 使用CUDA加速显著提高了转录速度
  • 批处理模式对大量短音频文件更有效
  • 批量大小根据GPU内存大小自动调整
  • 使用VAD（语音活动检测）过滤可以提高长音频的准确性
  • 指定正确的语言可以提高转录质量

本地测试方法

  1. 使用MCP检查器进行快速测试：
mcp dev whisper_server.py

  1. 使用Claude Desktop进行集成测试

  2. 使用命令行直接调用（需要mcp[cli]）：

mcp run whisper_server.py

错误处理

服务器实现了以下错误处理机制：

  • 音频文件存在性检查
  • 模型加载失败处理
  • 转录过程异常捕获
  • GPU内存管理
  • 批处理参数自适应调整

项目结构

  • whisper_server.py：主服务器代码
  • model_manager.py：Whisper模型加载和缓存
  • audio_processor.py：音频文件验证和预处理
  • formatters.py：输出格式（VTT、SRT、JSON）
  • transcriber.py：核心转录逻辑
  • start_server.bat：Windows启动脚本

许可证

麻省理工学院

致谢

这个项目是在这些令人惊叹的人工智能工具和模型的帮助下开发的：

特别感谢这些令人难以置信的工具及其背后的团队。

相关 MCP