AI导哈

语音处理服务器

一个基于Python的服务器，提供语音转文本、说话人识别、文本翻译和文本摘要等功能。

  • by WhissleAI
  • Python
  • 本地部署
  • 2 星标
  • 更新于
在 GitHub 查看 whissleai/whissle-mcp

使用说明

Whissle MCP服务器

一个基于Python的服务器，提供对Whisle API端点的访问，用于演讲到文本、日记化、翻译和文本摘要。

⚠️ 重要提示

  • 此服务器提供对Whisle API端点的访问，这可能会产生成本
  • 每个进行API调用的工具都标有成本警告
  • 请遵循以下指南：
    1. 仅在用户明确要求时使用工具
    2. 对于处理音频的工具，考虑音频的长度，因为它会影响成本
    3. 翻译或摘要等一些操作可能成本更高
    4. 描述中没有成本警告的工具可以免费使用，因为它们只读取现有数据

先决条件

  • Python 3.8或更高版本
  • pip（Python包安装程序）
  • Whisle API身份验证令牌

安装

  1. 克隆存储库：

    git clone <repository-url>
cd whissle_mcp

  2. 创建并激活虚拟环境：

    python -m venv venv
source venv/bin/activate  # On Windows, use: venv\Scripts\activate

  3. 安装所需的软件包：

    pip install -e .

  4. 设置环境变量： 创建一个 .env 项目根目录中的文件，内容如下：

    WHISSLE_AUTH_TOKEN=insert_auth_token_here  # Replace with your actual Whissle API token
WHISSLE_MCP_BASE_PATH=/path/to/your/base/directory

    ⚠️ 重要：永远不要将您的实际令牌提交到存储库。这 .env 文件包含在 .gitignore 以防止意外犯罪。

  5. 配置Claude集成： 复制 claude_config.example.json 向 claude_config.json 并更新路径：

    {
    "mcpServers": {
        "Whissle": {
            "command": "/path/to/your/venv/bin/python",
            "args": [
                "/path/to/whissle_mcp/server.py"
            ],
            "env": {
                "WHISSLE_AUTH_TOKEN": "insert_auth_token_here"
            }
        }
    }
}
    • 替换 /path/to/your/venv/bin/python 虚拟环境中Python解释器的实际路径
    • 替换 /path/to/whissle_mcp/server.py 带有server.py文件的实际路径

配置

环境变量

  • WHISSLE_AUTH_TOKEN：您的Whisle API身份验证令牌（必需）
    • 这是一个敏感的凭据，不应共享或提交给版本控制
    • 请与管理员联系以获取有效令牌
    • 将其安全地存储在您的本地 .env 文件
  • WHISSLE_MCP_BASE_PATH：文件操作的基本目录（可选，默认为用户的桌面）

支持的音频格式

服务器支持以下音频格式：

  • WAV（.WAV）
  • MP3（.MP3）
  • OGG（.OGG）
  • FLAC（.FLAC）
  • M4A（.M4A）

文件大小限制

  • 最大文件大小：25 MB
  • 大于此限制的文件将被拒绝

可用工具

1.语音转文本

使用Whisle API将语音转换为文本。

response = speech_to_text(
    audio_file_path="path/to/audio.wav",
    model_name="en-NER",  # Default model
    timestamps=True,      # Include word timestamps
    boosted_lm_words=["specific", "terms"],  # Words to boost in recognition
    boosted_lm_score=80   # Score for boosted words (0-100)
)

2.演讲日记

使用说话者标识将语音转换为文本。

response = diarize_speech(
    audio_file_path="path/to/audio.wav",
    model_name="en-NER",  # Default model
    max_speakers=2,       # Maximum number of speakers to identify
    boosted_lm_words=["specific", "terms"],
    boosted_lm_score=80
)

3.文本翻译

将文本从一种语言翻译成另一种语言。

response = translate_text(
    text="Hello, world!",
    source_language="en",
    target_language="es"
)

4.文本摘要

使用LLM模型总结文本。

response = summarize_text(
    content="Long text to summarize...",
    model_name="openai",  # Default model
    instruction="Provide a brief summary"  # Optional
)

5.列出ASR型号

列出所有可用的ASR型号及其功能。

response = list_asr_models()

响应格式

语篇转换与日记化

{
    "transcript": "The transcribed text",
    "duration_seconds": 10.5,
    "language_code": "en",
    "timestamps": [
        {
            "word": "The",
            "startTime": 0,
            "endTime": 100,
            "confidence": 0.95
        }
    ],
    "diarize_output": [
        {
            "text": "The transcribed text",
            "speaker_id": 1,
            "start_timestamp": 0,
            "end_timestamp": 10.5
        }
    ]
}

翻译

{
    "type": "text",
    "text": "Translation:\nTranslated text here"
}

摘要

{
    "type": "text",
    "text": "Summary:\nSummarized text here"
}

错误响应

{
    "error": "Error message here"
}

错误处理

服务器包括强大的错误处理功能，包括：

  • 自动重试HTTP 500错误
  • 不同故障场景的详细错误消息
  • 文件验证（存在、大小、格式）
  • 身份验证检查

常见错误类型：

  • HTTP 500:服务器错误（具有重试机制）
  • HTTP 413:文件太大
  • HTTP 415:不支持的文件格式
  • HTTP 401/403:身份验证错误

运行服务器

  1. 启动服务器：

    mcp serve

  2. 服务器将在默认的MCP端口（通常为8000）可用

测试

提供了一个测试脚本来验证所有工具的功能：

python test_whissle.py

测试脚本将：

  1. 检查身份验证令牌
  2. 测试所有可用工具
  3. 提供每个操作的详细输出
  4. 优雅地处理错误

支持

如有任何问题或疑问，请：

  1. 查看错误消息以了解具体详细信息
  2. 验证您的身份验证令牌
  3. 确保您的音频文件符合要求
  4. 联系Whisle支持部门了解API相关问题

许可证

[在此处添加您的许可证信息]

相关 MCP