MCP Video Extraction

🚀 MCP動画・音声テキスト抽出サーバー

様々な動画プラットフォームや音声ファイルからテキストを抽出する機能を提供するMCPサーバーです。このサーバーは、Model Context Protocol (MCP) を実装し、音声文字起こしサービスへの標準化されたアクセスを提供します。

🚀 クイックスタート

このサーバーは、様々な動画プラットフォームや音声ファイルからテキストを抽出する機能を提供します。以下のセクションで、サポートされているプラットフォーム、コア技術、機能、インストール方法、使用方法などについて詳しく説明します。

✨ 主な機能

• Whisperに基づく高品質な音声認識
• 多言語のテキスト認識
• 様々な音声形式（mp3、wav、m4aなど）のサポート
• MCP準拠のツールインターフェース
• 大きなファイルの非同期処理

📦 インストール

uvを使用する場合（推奨）

uvを使用する場合は、特別なインストールは必要ありません。uvxを使用して動画抽出サーバーを直接実行します。

curl -LsSf https://astral.sh/uv/install.sh | sh

FFmpegのインストール

音声処理にはFFmpegが必要です。以下の方法でインストールできます。

# UbuntuまたはDebian
sudo apt update && sudo apt install ffmpeg

# Arch Linux
sudo pacman -S ffmpeg

# MacOS
brew install ffmpeg

# Windows (Chocolateyを使用)
choco install ffmpeg

# Windows (Scoopを使用)
scoop install ffmpeg

💻 使用例

基本的な使用法

Claude/Cursorの設定

Claude/Cursorの設定に以下を追加します。

"mcpServers": {
  "video-extraction": {
    "command": "uvx",
    "args": ["mcp-video-extraction"]
  }
}

高度な使用法

利用可能なMCPツール

1. 動画ダウンロード: サポートされているプラットフォームから動画をダウンロードします。
2. 音声ダウンロード: サポートされているプラットフォームの動画から音声を抽出します。
3. 動画テキスト抽出: 動画からテキストを抽出します（ダウンロードと文字起こし）。
4. 音声ファイルテキスト抽出: 音声ファイルからテキストを抽出します。

📚 ドキュメント

サポートされているプラットフォーム

このサービスは、様々なプラットフォームから動画をダウンロードし、音声を抽出することができます。以下は一部の例ですが、これに限定されません。

• YouTube
• Bilibili
• TikTok
• Instagram
• Twitter/X
• Facebook
• Vimeo
• Dailymotion
• SoundCloud

サポートされているプラットフォームの完全なリストについては、yt-dlp supported sites を参照してください。

コア技術

このプロジェクトは、MCPツールを通じてOpenAIのWhisperモデルを使用して音声をテキストに変換します。サーバーは4つの主要なツールを公開しています。

1. 動画ダウンロード: サポートされているプラットフォームから動画をダウンロードします。
2. 音声ダウンロード: サポートされているプラットフォームの動画から音声を抽出します。
3. 動画テキスト抽出: 動画からテキストを抽出します（ダウンロードと文字起こし）。
4. 音声ファイルテキスト抽出: 音声ファイルからテキストを抽出します。

MCP統合

このサーバーは、Model Context Protocolを使用して構築されており、以下の機能を提供します。

• ツールをLLMに公開する標準化された方法
• 動画コンテンツと音声ファイルへの安全なアクセス
• Claude DesktopなどのMCPクライアントとの統合

技術スタック

• Python 3.10+
• Model Context Protocol (MCP) Python SDK
• yt-dlp (YouTube動画ダウンロード)
• openai-whisper (コアの音声テキスト変換エンジン)
• pydantic

システム要件

• FFmpeg (音声処理に必要)
• 最低8GBのRAM
• 推奨GPUアクセラレーション (NVIDIA GPU + CUDA)
• 十分なディスク容量 (モデルダウンロードと一時ファイル用)

初回実行時の重要な注意事項

重要: 初回実行時に、システムは自動的にWhisperモデルファイル（約1GB）をダウンロードします。このプロセスは、ネットワーク状況によって数分から数十分かかる場合があります。モデルファイルはローカルにキャッシュされ、以降の実行では再度ダウンロードする必要はありません。

設定

このサービスは、環境変数を通じて設定することができます。

Whisperの設定

• WHISPER_MODEL: Whisperモデルのサイズ（tiny/base/small/medium/large）、デフォルト: 'base'
• WHISPER_LANGUAGE: 文字起こしの言語設定、デフォルト: 'auto'

YouTubeダウンロードの設定

• YOUTUBE_FORMAT: ダウンロードする動画の形式、デフォルト: 'bestaudio'
• AUDIO_FORMAT: 抽出する音声の形式、デフォルト: 'mp3'
• AUDIO_QUALITY: 音声の品質設定、デフォルト: '192'

ストレージの設定

• TEMP_DIR: 一時ファイルの保存場所、デフォルト: '/tmp/mcp-video'

ダウンロード設定

• DOWNLOAD_RETRIES: ダウンロードのリトライ回数、デフォルト: 10
• FRAGMENT_RETRIES: フラグメントダウンロードのリトライ回数、デフォルト: 10
• SOCKET_TIMEOUT: ソケットのタイムアウト時間（秒）、デフォルト: 30

パフォーマンス最適化のヒント

1. GPUアクセラレーション:
   • CUDAとcuDNNをインストールします。
   • PyTorchのGPUバージョンがインストールされていることを確認します。
2. モデルサイズの調整:
   • tiny: 最速だが精度が低い
   • base: 速度と精度のバランスが取れている
   • large: 最高の精度だが、より多くのリソースを必要とする
3. 一時ファイルにSSDストレージを使用して、I/Oパフォーマンスを向上させます。

注意事項

• 初回実行時にWhisperモデル（約1GB）をダウンロードする必要があります。
• 一時的な音声ファイルのために十分なディスク容量が必要です。
• YouTube動画のダウンロードには安定したネットワーク接続が必要です。
• 高速な音声処理にはGPUが推奨されます。
• 長い動画の処理にはかなりの時間がかかる場合があります。

MCP統合ガイド

このサーバーは、Claude Desktop、カスタムMCPクライアント、その他のMCP対応アプリケーションなど、任意のMCP互換クライアントと共に使用できます。

MCPに関する詳細情報については、Model Context Protocol を参照してください。

ドキュメントの日本語版

このドキュメントの中国語版については、README_zh.md を参照してください。

🔧 技術詳細

システム要件

初回実行時の重要な注意事項

⚠️ 重要な注意

初回実行時に、システムは自動的にWhisperモデルファイル（約1GB）をダウンロードします。このプロセスは、ネットワーク状況によって数分から数十分かかる場合があります。モデルファイルはローカルにキャッシュされ、以降の実行では再度ダウンロードする必要はありません。

パフォーマンス最適化のヒント

💡 使用上のヒント

1. GPUアクセラレーションを使用することで、音声処理を高速化できます。CUDAとcuDNNをインストールし、PyTorchのGPUバージョンを使用してください。
2. モデルサイズを調整することで、速度と精度のバランスを取ることができます。tinyは最速だが精度が低く、largeは最高の精度だがより多くのリソースを必要とします。
3. 一時ファイルにSSDストレージを使用することで、I/Oパフォーマンスを向上させることができます。

📄 ライセンス

MIT