MCP Video Extraction Plus

🚀 MCP Video Extraction plus - 音声認識サービス統合修正説明

このプロジェクトでは、音声認識サービスを拡張し、より多くの選択肢を提供することで、ユーザーのニーズに柔軟に対応できるようになりました。

🚀 クイックスタート

この修正により、プロジェクトの音声認識サービスは、従来の Whisper（ローカルモデル） のみのサポートから、3種類の方式をサポートするように拡張されました。

1. Whisper - OpenAIのローカル音声認識モデル（既存）
2. JianYing (CapCut) - バイトダンスのJianYing/CapCutのオンライン音声認識サービス
3. Bcut (B站編集) - ビリビリのオンライン音声認識サービス

✨ 主な機能

• 音声認識サービスを3種類の方式に拡張
• 新しい音声認識機能の追加と既存機能の保持
• 相対インポートと絶対インポートの両方に対応
• キャッシュサポートとレート制限機能の追加
• 統一的なエラー処理とログ記録

📦 インストール

新規追加された依存関係

• requests - HTTPリクエスト用（JianYingとBcut API）

既存の依存関係

• yt-dlp - 動画ダウンロード
• whisper - ローカル音声認識（Whisperを使用する場合のみ必要）
• pyyaml - 設定ファイル解析

💻 使用例

基本的な使用法

1. Whisper（ローカルモデル、デフォルト）

from mcp_video_service.services.video_service import VideoService

service = VideoService(config_path='config.yaml')
# config.yaml で設定: asr.provider = "whisper"

text = await service.extract_text('audio.mp3')

2. JianYing（オンラインサービス）

# config.yaml を修正
# asr:
#   provider: "jianying"
#   use_cache: false
#   need_word_time_stamp: false
# jianying:
#   start_time: 0
#   end_time: 6000

service = VideoService(config_path='config.yaml')
text = await service.extract_text('audio.mp3')

3. Bcut（オンラインサービス）

# config.yaml を修正
# asr:
#   provider: "bcut"
#   use_cache: true
#   need_word_time_stamp: false

service = VideoService(config_path='config.yaml')
text = await service.extract_text('audio.mp3')

4. 環境変数による設定

# JianYingを使用
export ASR_PROVIDER=jianying
export ASR_USE_CACHE=false
export JIANYING_START_TIME=0
export JIANYING_END_TIME=6000

# Bcutを使用
export ASR_PROVIDER=bcut
export ASR_USE_CACHE=true

📚 ドキュメント

新規追加されたファイル

核心 ASR モジュール

修正されたファイル

1. src/mcp_video_service/services/video_service.py

主な変更点：

• ASRプロバイダー設定のサポート（asr_provider）
• __init__ メソッドを修正し、設定ファイルからASRプロバイダーの選択を読み取るサポート
• 新しい _create_asr_instance() メソッドを追加し、設定に基づいて対応するASRインスタンスを作成
• extract_text() メソッドを修正し、複数のASRプロバイダーをサポート
  • Whisperを選択した場合、ローカルモデルを使用
  • JianYingまたはBcutを選択した場合、オンラインAPIを呼び出す
• 相対インポートと絶対インポートの両方をサポートするインポート文を追加

設定パラメータ：

self.config = {
    'asr': {
        'provider': 'whisper',  # 選択可能: whisper, jianying, bcut
        'use_cache': False,
        'need_word_time_stamp': False,
    },
    'jianying': {
        'start_time': 0,
        'end_time': 6000,
    },
    # ... その他の設定
}

2. config.yaml

新規追加された設定項目：

# ASR（自動音声認識）プロバイダー設定
asr:
  provider: "whisper"  # 選択可能: whisper, jianying, bcut
  use_cache: false
  need_word_time_stamp: false

# JianYing (CapCut) 音声認識設定
jianying:
  start_time: 0      # 音声開始時間（ミリ秒）
  end_time: 6000     # 音声終了時間（ミリ秒）

# Bcut (B站編集) 音声認識設定
# 特別な設定はなく、デフォルト値を使用

アーキテクチャ設計

クラス継承関係

BaseASR (抽象基底クラス)
├── JianYingASR
├── BcutASR
└── VideoService (Whisperを使用する場合は直接whisper.load_modelを呼び出す)

BaseASRの主な機能

• 統一インターフェース：すべてのASR実装は BaseASR を継承
• キャッシュサポート：CRC32チェックサムを使用してキャッシュキーを生成
• レート制限：組み込みのレート制限メカニズムで、APIの過負荷を防止
• 進捗コールバック：非同期進捗コールバック関数をサポート
• エラー処理：統一的なエラー処理とログ記録

データ構造

ASRDataSeg（セグメントデータ）

@dataclass
class ASRDataSeg:
    text: str          # セグメントテキスト
    start_time: float  # 開始時間（ミリ秒）
    end_time: float    # 終了時間（ミリ秒）

ASRData（完全データ）

@dataclass
class ASRData:
    text: str                    # 完全テキスト
    segments: List[ASRDataSeg]   # セグメントリスト

状態管理

ASRタスクの状態は ASRStatus 列挙型で管理されます：

インポート互換性

すべての新しいASRモジュールは、相対インポートと絶対インポートの両方に対応しています：

# 相対インポート（パッケージ内で使用）
from .asr_data import ASRDataSeg
from .base_asr import BaseASR

# 絶対インポート（モジュールを直接ロードする場合に使用）
from asr_data import ASRDataSeg
from base_asr import BaseASR

これにより、モジュールはさまざまなインポートシナリオで正常に動作します。

環境変数のサポート

後方互換性

今回の修正は完全に後方互換性があります：

• デフォルトのASRプロバイダーは whisper で、既存の動作を維持
• 既存の extract_text() インターフェースは変更されていません
• すべての新機能はオプションです

テスト検証

すべての新しいモジュールは、以下の検証を通過しています：

• ✓ Python構文チェック
• ✓ モジュールインポートテスト
• ✓ クラス継承関係の検証
• ✓ 設定ファイル解析テスト

後続の拡張

このアーキテクチャは、新しいASRプロバイダーを簡単に追加できるように設計されています：

1. BaseASR を継承する新しいクラスを作成
2. _run() と _make_segments() メソッドを実装
3. VideoService._create_asr_instance() に条件分岐を追加
4. config.yaml に対応する設定項目を追加

📄 ライセンス

元のプロジェクトのライセンスは変更されていません。