audio-transcribe-cli-mcp

# audio-transcribe-cli-mcp **音视频转文字，支持 CLI、MCP Server 两种形态：说话人分离，长音频免切片，原生支持微信语音 SILK 格式。** Audio/video transcription in both CLI and MCP Server flavors: speaker diarization, long-audio support with no manual splitting, and native WeChat SILK decoding. [English](README_EN.md) | 简体中文 基于阿里云百炼录音文件识别接口（qwen-audio-asr 系列 / paraformer）。不依赖 Claude Code：可作为独立命令行工具，也可接入任意 MCP 客户端（Claude Desktop、Cursor 等）。 ## 功能特性 - **全格式输入**：mp3 / wav / m4a / aac / flac / ogg / opus / amr / wma 及 mp4 / mkv / mov 等所有 ffmpeg 支持的音视频格式（视频自动抽取音轨） - **微信语音 SILK 原生支持**：自动识别并剥离微信 `0x02 + #!SILK_V3` 文件头，通过 [uv](https://docs.astral.sh/uv/) 临时环境调用 [pilk](https://github.com/foyoux/pilk) 解码（仅转写 silk 文件时需要 uv，其余格式零额外依赖） - **说话人分离**：多人对话按 `说话人N：内容` 分段输出；单一说话人自动退化为整段纯文本 - **句级时间戳**：`--timestamps` 逐句输出 SRT 风格起止时间戳，AI 生成会议纪要后可按时间戳回原音频核对 - **长音频免切片**：走百炼录音文件识别（filetrans）异步接口，一次上传整段处理，DashScope 临时存储转完自动删除 - **清晰的输出约定**：stdout 只输出转写文本，进度 / 耗时 / 计费估算走 stderr，方便脚本和 Agent 调用 - **内置 MCP Server**：`audio-transcribe-mcp` 命令，手写 MCP stdio 协议（JSON-RPC 2.0），仅标准库零第三方依赖，任意 MCP 客户端即插即用 ## 安装 ```bash pip install audio-transcribe-cli-mcp ``` 也可从源码安装： ```bash git clone https://github.com/OstrichHermit/audio-transcribe-cli-mcp.git cd audio-transcribe-cli-mcp pip install . ``` 安装后会得到两个命令：`asr`（CLI）和 `audio-transcribe-mcp`（MCP Server）。 ### 安装为 Agent Skill（可选） 仓库内附带 Agent Skill（`skills/audio-transcribe-cli-mcp/SKILL.md`），把它复制到你所用 AI Agent 的 skills 目录，Agent 即可自动掌握本工具的用法。以 Claude Code 为例： ```bash cp -r skills/audio-transcribe-cli-mcp ~/.claude/skills/audio-transcribe-cli-mcp ``` ### 1. 安装依赖 - Python 3.10+（`pip install .` 会自动安装 dashscope 依赖） - [ffmpeg / ffprobe](https://ffmpeg.org/) 自行安装并加入 PATH - 仅转写微信 SILK 文件时额外需要 [uv](https://docs.astral.sh/uv/)（脚本自动创建 Python 3.11 临时环境安装 pilk，无需手动操作） ### 2. 配置 API Key 在[阿里云百炼控制台](https://bailian.console.aliyun.com/)创建 API Key，配置到环境变量： ```bash # Windows setx DASHSCOPE_API_KEY "sk-xxxx" # macOS / Linux echo 'export DASHSCO…