使用说明

多模式mcp

多提供商媒体生成MCP服务器。通过一个统一的界面，使用OpenAI、xAI、Gemini、ElevenLabs和BFL（FLUX）从文本提示生成图像、视频、音频和转录。

特性

🎨 图像生成 --通过OpenAI（gpt-image 1）、xAI（grok-imagine image）、Gemini（imagen-4）或BFL（FLUX Pro 1.1）生成图像
✏️ 图像编辑 --通过OpenAI、xAI、Gemini或BFL（FLUX Kontext）编辑图像
🎬 视频生成 --通过OpenAI（sora-2）、xAI（grok-imagine video）或Gemini（veo-3.1）生成视频
🔊 音频生成 --通过OpenAI（tts-1）、Gemini或ElevenLabs（Flash v2.5）实现文本转语音。ElevenLabs提供的音效
🎙️ 音频转录 --通过OpenAI（Whisper）或ElevenLabs（Scribe）进行语音转文本
🔄 自动发现 --从环境变量中自动检测已配置的提供程序
🎯 提供者选择 --根据请求自动选择或明确选择提供者
📁 文件输出 --使用描述性文件名将所有生成的媒体保存到磁盘

快速开始

至少为一个提供程序设置API密钥。大多数用户只需要一个——添加更多以访问其他提供商。

# Using OpenAI
claude mcp add multimodal-mcp -e OPENAI_API_KEY=sk-... -- npx -y @r16t/multimodal-mcp@latest

# Or using xAI
# claude mcp add multimodal-mcp -e XAI_API_KEY=xai-... -- npx -y @r16t/multimodal-mcp@latest

# Or using Gemini
# claude mcp add multimodal-mcp -e GEMINI_API_KEY=AIza... -- npx -y @r16t/multimodal-mcp@latest

# Or using ElevenLabs (audio + transcription)
# claude mcp add multimodal-mcp -e ELEVENLABS_API_KEY=xi-... -- npx -y @r16t/multimodal-mcp@latest

# Or using BFL/FLUX (images)
# claude mcp add multimodal-mcp -e BFL_API_KEY=... -- npx -y @r16t/multimodal-mcp@latest

使用不同的编辑器？看安装说明适用于Claude Desktop、Cursor、VS Code、Windsurf和Cline。

环境变量

变量	必填	描述
`OPENAI_API_KEY`	至少一个提供商密钥	OpenAI API密钥-通过gpt-image-1、sora-2、tts-1和whisper-1实现图像、视频、音频生成和转录
`XAI_API_KEY`	至少一个提供商密钥	xAI API密钥-通过grok-imagine-image和grok-imachine-video实现图像和视频生成
`GEMINI_API_KEY`	至少有一个提供商密钥	Gemini API密钥-通过image-4、veo-3.1和Gemini-2.5 flash-preview-tts实现图像、视频和音频生成
`GOOGLE_API_KEY`	--	别名 `GEMINI_API_KEY`；接受任何一个名称
`ELEVENLABS_API_KEY`	至少有一个供应商密钥	ElevenLabs API密钥-通过Flash v2.5和Scribe v1实现音频生成（TTS、音效）和转录
`BFL_API_KEY`	至少一个提供程序密钥	BFL API密钥-通过FLUX Pro 1.1和FLUX Kontext实现图像生成和编辑
`MEDIA_OUTPUT_DIR`	没有	保存媒体文件的目录。默认为当前工作目录

可用工具

`generate_image`

从文本提示生成图像。

参数	类型	必填	说明
`prompt`	string	是	要生成的图像的文本描述
`provider`	string	否	要使用的提供程序： `openai`, `xai`, `google`, `bfl`。如果省略，则自动选择
`aspectRatio`	string	否	纵横比： `1:1`, `16:9`, `9:16`, `4:3`, `3:4`
`quality`	string	否	质量级别： `low`, `standard`, `high`
`outputDirectory`	string	否	保存生成文件的目录。绝对或相对路径。默认为 `MEDIA_OUTPUT_DIR` 或cwd
`providerOptions`	object	否	直接传递特定于提供程序的参数

`generate_video`

从文本提示生成视频。视频生成是异步的，可能需要几分钟的时间。

参数	类型	必填	说明
`prompt`	string	是	要生成的视频的文本描述
`provider`	string	否	要使用的提供程序： `openai`, `xai`, `google`。如果省略，则自动选择
`duration`	number	No	视频持续时间（秒）（受提供商限制）
`aspectRatio`	string	否	纵横比： `16:9`, `9:16`, `1:1`
`resolution`	string	否	分辨率： `480p`, `720p`, `1080p`
`outputDirectory`	string	否	保存生成文件的目录。绝对或相对路径。默认为 `MEDIA_OUTPUT_DIR` 或cwd
`providerOptions`	object	否	直接传递特定于提供程序的参数

`generate_audio`

从文本生成音频。支持文本到语音和声音效果。音频生成是同步的。

参数	类型	必填	说明
`text`	string	Yes	要转换为语音的文本，或要生成的声音效果的描述
`provider`	string	否	要使用的提供程序： `openai`, `google`, `elevenlabs`。如果省略，则自动选择
`voice`	string	否	语音名称（特定于提供商）。OpenAI： `alloy`, `ash`, `coral`, `echo`, `fable`, `nova`, `onyx`, `sage`, `shimmer`谷歌 `Kore`, `Charon`, `Fenrir`, `Aoede`, `Puck`等等。ElevenLabs：语音识别
`speed`	number	No	语音速度倍增器（仅限OpenAI）： `0.25` 到 `4.0`
`format`	string	否	输出格式（仅限OpenAI）： `mp3`, `opus`, `aac`, `flac`, `wav`, `pcm`
`outputDirectory`	string	否	保存生成文件的目录。绝对或相对路径。默认为 `MEDIA_OUTPUT_DIR` 或cwd
`providerOptions`	object	否	直接传递特定于提供程序的参数。ElevenLabs：设置 `mode: "sound-effect"` 对于声音效果， `model` 用于TTS型号选择

`transcribe_audio`

将音频转录为文本（语音转文本）。

参数	类型	必填	说明
`audioPath`	string	Yes	要转录的音频文件的绝对路径
`provider`	string	否	要使用的提供程序： `openai`, `elevenlabs`。如果省略，则自动选择
`language`	string	否	语言代码（例如。， `en`, `fr`, `es`)提示转录语言
`providerOptions`	object	否	直接传递特定于提供程序的参数

`list_providers`

列出所有已配置的媒体生成提供程序及其功能。不接受任何参数。

供应商能力

提供者	图像	图像编辑	视频	音频	转录	关键模型
OpenAI	✅	✅	✅	✅	✅	gpt-image 1、sora-2、tts-1、耳语-1
xAI	✅	✅	✅	—	—	grok想象图像，grok想象视频
双子座	✅	✅	✅	✅	—	图片-4，VEO-3.1，双子座-2.5-Flash-Preview-TTS
ElevenLabs✅	✅	eleven_flash_v2_5，scribe_v1
BFL	✅	✅	—	—	—	flux-pro-1.1，flux kontext pro

图像纵横比

提供者	1:1	16:9	9:16	4:3	3:4
OpenAI	✅	✅	✅	✅	✅
xAI	✅	✅	✅	✅	✅
双子座	✅	✅	✅	✅	✅
BFL 。✅	✅	✅	✅	✅

视频纵横比和分辨率

提供商	16:9	9:16	1:1	480p	720p	1080p
OpenAI	✅	✅	✅	✅	✅	✅
xAI	✅	✅	✅	—	✅	✅
双子座	✅	✅	—	—	✅	✅

音频格式

提供者	mp3	opus	aac	flac	wav	pcm
OpenAI	✅	✅	✅	✅	✅	✅
双子座✅	—
ElevenLabs	✅	✅	—	—	—	✅

故障排除

未配置提供程序

[config] No provider API keys detected

至少设置以下之一 OPENAI_API_KEY, XAI_API_KEY, GEMINI_API_KEY, ELEVENLABS_API_KEY，或 BFL_API_KEY 在MCP服务器的 env 块。

提供程序不适用于请求的媒体类型

每个提供商支持不同的媒体类型（请参阅供应商能力).如果您指定 provider 未配置（没有API密钥）或不支持请求的媒体类型，您将收到一个错误。省略 provider 参数，用于从配置的提供程序中自动选择。

视频生成超时

视频生成民意调查长达10分钟。如果您的视频未在该窗口中完成，则请求将失败并出现超时错误。试试更短的 duration 或更简单的 prompt.

xAI图像生成未返回任何数据

这表示xAI API返回了一个空响应。检查你的 XAI_API_KEY 是有效的，并且您的提示没有违反xAI内容策略。

Gemini图像/视频生成失败：403

验证您的 GEMINI_API_KEY 在Google云控制台中启用了生成语言API。

发展

npm run build      # Compile TypeScript to build/
npm test           # Run tests with Vitest
npm run lint       # Lint and auto-fix with ESLint
npm run typecheck  # Type-check without emitting
npm run dev        # Watch mode for TypeScript compilation

编辑器设置

替换 OPENAI_API_KEY 与您选择的供应商合作(XAI_API_KEY, GEMINI_API_KEY, ELEVENLABS_API_KEY, BFL_API_KEY).您可以设置多个密钥以启用多个提供程序。

克劳德桌面版

添加 ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "multimodal-mcp": {
      "command": "npx",
      "args": ["@r16t/multimodal-mcp@latest"],
      "env": {
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

光标

添加 .cursor/mcp.json 在项目根目录中（或 ~/.cursor/mcp.json 全球）：

{
  "mcpServers": {
    "multimodal-mcp": {
      "command": "npx",
      "args": ["@r16t/multimodal-mcp@latest"],
      "env": {
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

VS代码（GitHub副本）

添加 .vscode/mcp.json 在项目根目录中：

{
  "servers": {
    "multimodal-mcp": {
      "command": "npx",
      "args": ["@r16t/multimodal-mcp@latest"],
      "env": {
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

帆板运动

添加 ~/.codeium/windsurf/mcp_config.json:

{
  "mcpServers": {
    "multimodal-mcp": {
      "command": "npx",
      "args": ["@r16t/multimodal-mcp@latest"],
      "env": {
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

克莱恩

添加 ~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json:

{
  "mcpServers": {
    "multimodal-mcp": {
      "command": "npx",
      "args": ["@r16t/multimodal-mcp@latest"],
      "env": {
        "OPENAI_API_KEY": "sk-..."
      }
    }
  }
}

许可证

麻省理工学院

使用说明

多模式mcp

特性

快速开始

环境变量

可用工具

generate_image

generate_video

generate_audio

transcribe_audio

list_providers