MCP Whisper Transcription Server

OpenAI Whisper APIを使用した音声文字起こし用のMCP（Model Context Protocol）サーバーです。

機能

• 音声文字起こし: OpenAI Whisper APIを使用した高精度な音声文字起こし
• 音声チャット: OpenAIの音声対応モデルを使用した音声分析
• 音声変換: 音声ファイルの形式変換（mp3, wav）
• 音声圧縮: ファイルサイズの圧縮
• 音声合成: テキストから音声への変換（TTS）
• ファイル情報取得: 音声ファイルのメタデータ取得

サポートされる音声形式

• MP3
• WAV
• FLAC
• MP4
• MPEG
• MPGA
• M4A
• OGG

必要な環境

• Python 3.11以上
• OpenAI API キー

インストール

Dockerイメージを使用する場合（推奨）

# GitHub Container Registryから最新イメージを取得
docker pull ghcr.io/toshikazu-takemasa/mcp_whisper_transcription:latest

# MCPサーバーをstdioモードで起動（Clineなどのクライアントから使用）
# 注意: このコマンドは直接実行するものではなく、MCPクライアント設定で使用します
docker run -i -e OPENAI_API_KEY="your-openai-api-key" \
  -v $(pwd)/audio_files:/app/audio_files \
  ghcr.io/toshikazu-takemasa/mcp_whisper_transcription:latest

Docker Composeを使用する場合

# 環境変数ファイルを作成
cp .env.example .env
# .envファイルを編集してOpenAI API keyを設定

# ローカルビルド版を起動
docker-compose up

# または、公開済みイメージを使用
docker-compose --profile published up mcp-whisper-transcription-published

Docker イメージのビルドについて

このプロジェクトでは、GitHub Actionsを使用してDocker イメージを自動的にビルド・公開しています：

• mainブランチへのプッシュ時に自動的にイメージがビルドされます
• イメージは GitHub Container Registry (GHCR) に公開されます
• タグ付きリリース（v*）時には、バージョン付きイメージも作成されます

手動でイメージをテストする場合：

# テストスクリプトを実行
./scripts/test-docker.sh local   # ローカルビルドをテスト
./scripts/test-docker.sh remote  # 公開イメージをテスト
./scripts/test-docker.sh both    # 両方をテスト

devcontainerを使用する場合

1. このリポジトリをクローンします
2. VS Codeでプロジェクトを開きます
3. "Reopen in Container"を選択します
4. 環境変数を設定します：

   export OPENAI_API_KEY="your-openai-api-key"
   

ローカル環境での使用

# 依存関係のインストール
pip install -r requirements.txt

# 開発用インストール
pip install -e .

使用方法

MCPクライアント（Cline等）での設定

Clineなどのクライアントで使用する場合は、MCP設定ファイルに以下を追加してください：

{
  "mcpServers": {
    "mcp-whisper-transcription": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "OPENAI_API_KEY=your-openai-api-key",
        "-v", "/path/to/audio/files:/app/audio_files",
        "ghcr.io/toshikazu-takemasa/mcp-whisper-transcription:latest"
      ]
    }
  }
}

MCPサーバーとして直接起動

python -m mcp_whisper_transcription

利用可能なツール

1. transcribe_audio

音声ファイルをテキストに変換します。

{
  "input_file_path": "/path/to/audio.mp3",
  "response_format": "text",
  "prompt": "音声の内容に関するヒント"
}

2. transcribe_with_enhancement

事前定義されたプロンプトを使用して音声を文字起こしします。

{
  "input_file_path": "/path/to/audio.mp3",
  "enhancement_type": "detailed"
}

利用可能な enhancement_type:

• detailed: 詳細な文字起こし（非言語音も含む）
• storytelling: 自然な会話形式
• professional: プロフェッショナルな形式
• analytical: 技術的な分析形式

3. chat_with_audio

音声ファイルを分析し、カスタムプロンプトで処理します。

{
  "input_file_path": "/path/to/audio.mp3",
  "system_prompt": "あなたは音声分析の専門家です",
  "user_prompt": "この音声の要約を作成してください"
}

4. convert_audio

音声ファイルの形式を変換します。

{
  "input_file_path": "/path/to/audio.wav",
  "target_format": "mp3"
}

5. compress_audio

音声ファイルを圧縮します。

{
  "input_file_path": "/path/to/large_audio.mp3",
  "max_mb": 25
}

6. create_speech

テキストを音声に変換します。

{
  "text_prompt": "こんにちは、これはテスト音声です。",
  "voice": "nova",
  "speed": 1.0
}

7. get_file_support

音声ファイルの情報とサポート状況を確認します。

{
  "file_path": "/path/to/audio.mp3"
}

設定

環境変数

• OPENAI_API_KEY: OpenAI APIキー（必須）
• AUDIO_FILES_PATH: 音声ファイルのベースパス（オプション）

開発

コードフォーマット

black src/
isort src/

型チェック

mypy src/

テスト実行

pytest

ライセンス

MIT License

貢献

プルリクエストやイシューの報告を歓迎します。

注意事項

• OpenAI APIの使用には料金が発生します
• 大きな音声ファイルの処理には時間がかかる場合があります
• 音声ファイルのアップロード制限にご注意ください