AI导哈

语音识别服务

提供通过stdio和MCP模式的语音识别和文本提取功能，支持从文件和base64编码数据中识别语音，并生成结构化结果。

  • by yangsenessa
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 yangsenessa/mcp_voice_identify

使用说明

语音识别MCP服务

该服务通过stdio和MCP模式提供语音识别和文本提取功能。

特性

  • 文件语音识别
  • 基于base64编码数据的语音识别
  • 文本提取
  • 支持stdio和MCP模式
  • 结构化语音识别结果
  • 符合AIO协议的响应

项目结构

  • voice_service.py -核心服务实施
  • stdio_server.py -stdio模式入口点
  • mcp_server.py -MCP模式入口点
  • build.py -为可执行文件构建脚本
  • build_exec.sh -构建执行脚本
  • test_*.sh -不同功能的测试脚本

安装

  1. 克隆存储库：
git clone https://github.com/AIO-2030/mcp_voice_identify.git
cd mcp_voice_identify
  1. 安装依赖项：
pip install -r requirements.txt
  1. 在中设置环境变量 .env:
API_URL=your_api_url
API_KEY=your_api_key

用法

stdio模式

  1. 运行服务：
python stdio_server.py
  1. 通过stdin发送JSON-RPC请求：
{
    "jsonrpc": "2.0",
    "method": "help",
    "params": {},
    "id": 1
}
  1. 或者使用可执行文件：
./dist/voice_stdio

MCP模式

  1. 运行服务：
python mcp_server.py
  1. 或者使用可执行文件：
./dist/voice_mcp

响应格式

该服务遵循AIO协议进行响应格式化。以下是不同响应类型的示例：

语音识别响应

{
    "jsonrpc": "2.0",
    "output": {
        "type": "voice",
        "message": "Voice processed successfully",
        "text": "test test test",
        "metadata": {
            "language": "en",
            "emotion": "unknown",
            "audio_type": "speech",
            "speaker": "woitn",
            "raw_text": "test test test"
        }
    },
    "id": 1
}

帮助信息响应

{
    "jsonrpc": "2.0",
    "result": {
        "type": "voice_service",
        "description": "This service provides voice recognition and text extraction services",
        "author": "AIO-2030",
        "version": "1.0.0",
        "github": "https://github.com/AIO-2030/mcp_voice_identify",
        "transport": ["stdio"],
        "methods": [
            {
                "name": "help",
                "description": "Show this help information."
            },
            {
                "name": "identify_voice",
                "description": "Identify voice from file",
                "inputSchema": {
                    "type": "object",
                    "properties": {
                        "file_path": {
                            "type": "string",
                            "description": "Voice file path"
                        }
                    },
                    "required": ["file_path"]
                }
            },
            {
                "name": "identify_voice_base64",
                "description": "Identify voice from base64 encoded data",
                "inputSchema": {
                    "type": "object",
                    "properties": {
                        "base64_data": {
                            "type": "string",
                            "description": "Base64 encoded voice data"
                        }
                    },
                    "required": ["base64_data"]
                }
            },
            {
                "name": "extract_text",
                "description": "Extract text",
                "inputSchema": {
                    "type": "object",
                    "properties": {
                        "text": {
                            "type": "string",
                            "description": "Text to extract"
                        }
                    },
                    "required": ["text"]
                }
            }
        ]
    },
    "id": 1
}

错误响应

{
    "jsonrpc": "2.0",
    "output": {
        "type": "error",
        "message": "503 Server Error: Service Unavailable",
        "error_code": 503
    },
    "id": 1
}

响应字段

该服务提供三种类型的响应：

  1. 语音识别响应（使用 output 字段）：

    字段 描述 示例值
    type 响应类型 “语音”
    message 状态消息 “语音处理成功”
    text 识别的文本内容 “测试测试”
    元数据 附加信息 见下文

  2. 帮助信息响应（使用 result 字段）：

    字段 描述 示例值
    type 服务类型 “voice_Service”
    description 服务描述 “此服务提供…”
    作者 服务作者 “AIO-2030”
    version 服务版本 “1.0.0”
    github github存储库URL “https://github.com/..."
    transport 支持的传输模式 [“stdio”]
    methods 可用方法 查看方法列表

  3. 错误响应（使用 output 字段）：

    字段 描述 示例值
    type 响应类型 “错误”
    message 错误消息 “503服务器错误：服务不可用”
    error_code HTTP状态码 503

元数据字段

这 metadata 语音识别响应中的字段包含：

字段 描述 示例值
语言 语言代码 “en”
情绪 情绪状态 “未知”
audio_type 音频类型 “语音”
说话者 说话者标识符 “woitn”
raw_text 原始识别文本 “测试测试”

构建可执行文件

  1. 使构建脚本可执行：
chmod +x build_exec.sh
  1. 生成stdio模式可执行文件：
./build_exec.sh
  1. 构建MCP模式可执行文件：
./build_exec.sh mcp

可执行文件将在以下位置创建：

  • stdio模式： dist/voice_stdio
  • MCP模式： dist/voice_mcp

测试

运行测试脚本：

chmod +x test_*.sh
./test_help.sh
./test_voice_file.sh
./test_voice_base64.sh

许可证

此项目根据MIT许可证获得许可-有关详细信息，请参阅许可证文件。

相关 MCP