convez.ai
MCP ServerAutomaçãoAvançado
fxckcode

Whisper STT MCP

fxckcode/whisper-stt-mcp

Transcrição de áudio local rápida com GPU NVIDIA, 100% privada

Ver no GitHub
InicialPluginScore · de 0 a 100

Servidor MCP para transcrição de áudio local de alta qualidade usando faster-whisper com aceleração GPU NVIDIA. Suporta 99+ idiomas, detecção de voz (VAD), processamento em lote e múltiplos formatos de áudio. Totalmente offline — seu áudio nunca sai da máquina.

Instalação

$npx convez-ai fxckcode/whisper-stt-mcp

1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.

Métricas

Estrelas
0
Forks
0
Acompanhando
0
Saúde
28%
Último commit
há 4 meses
Versão
—
Issues abertas
0
Contribuidores
1

Casos de uso

  • Transcrição de podcasts e entrevistas em lote
  • Documentação de reuniões e conferências sem enviar áudio à nuvem
  • Processamento de repositórios de áudio com detecção automática de idioma
  • Integração em pipelines de automação que exigem privacidade total

Veredito

Ferramenta robusta e bem documentada para quem precisa transcrever áudio localmente com qualidade e privacidade garantidas. Requer setup técnico (GPU NVIDIA, Python 3.11+, ffmpeg) e é ideal para casos de uso em produção.

README

A tradução para o português deste README ainda está na fila.

whisper-stt-mcp

MCP server for local high-quality audio transcription using faster-whisper (CTranslate2) with NVIDIA GPU acceleration.

🎯 100% local — tu audio nunca sale de tu máquina.

Features

  • 4 MCP tools: transcribe, list_models, download_model, transcribe_batch
  • Any Whisper model: tiny, base, small, medium, large-v3
  • GPU acceleration: NVIDIA CUDA + INT8 quantization (large-v3 en ~2.5GB VRAM)
  • VAD: Voice Activity Detection con silero-vad para filtrar silencios
  • Auto language detection: 99+ idiomas
  • Word-level timestamps
  • Batch processing: transcribe directorios enteros
  • Auto format conversion: mp3, wav, m4a, ogg, flac, opus, webm (via ffmpeg)

Quick Start

# Install
git clone https://github.com/fxckcode/whisper-stt-mcp.git
cd whisper-stt-mcp
uv venv
uv pip install -e .

# Smoke test
.venv/bin/python tests/test_smoke.py

Requirements

DependencyWhyInstall
Linux + NVIDIA GPUInference accelerationnvidia-smi to verify
Python 3.11+Runtimepython3 --version
ffmpegAudio format conversionsudo pacman -S ffmpeg (Arch/CachyOS)
uvPackage manager`curl -LsSf https://astral.sh/uv/install.sh

Usage

With Hermes Agent

Add to ~/.hermes/config.yaml:

mcp_servers:
  whisper-stt:
    command: "/path/to/whisper-stt-mcp/.venv/bin/python"
    args: ["-m", "whisper_stt_mcp"]

Restart Hermes. Tools appear as mcp_whisper_stt_transcribe, etc.

With any MCP client (Claude Desktop, Cursor, etc.)

{
  "mcpServers": {
    "whisper-stt": {
      "command": "/path/to/whisper-stt-mcp/.venv/bin/python",
      "args": ["-m", "whisper_stt_mcp"]
    }
  }
}

Via CLI (one-shot)

echo '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"transcribe","arguments":{"file_path":"/path/to/audio.mp3","model":"medium"}}}' \
  | .venv/bin/python -m whisper_stt_mcp

Tools

transcribe

ParamTypeDefaultDescription
file_pathstringrequiredAbsolute path to audio file
modelstring"medium"Model size
languagestringnull (auto)ISO code ("es", "en", etc.)
vadbooleantrueVoice Activity Detection
word_timestampsbooleantruePer-word timestamps
temperaturenumber0.0Sampling temperature
beam_sizeinteger5Beam search size

list_models

No params. Returns available + downloaded models.

download_model

ParamTypeDescription
modelstringModel to download (tiny/base/small/medium/large-v3)

transcribe_batch

ParamTypeDefaultDescription
directorystringrequiredDirectory with audio files
patternstring"*.{mp3,wav,m4a,ogg,flac}"Glob pattern
modelstring"medium"Model size
languagestringnull (auto)ISO code
vadbooleantrueVAD
word_timestampsbooleanfalseWord timestamps (off for speed)

Performance

ModelVRAMSpeed (RTX 3050)Quality
tiny~0.5 GB20x real-timeLow
base~0.8 GB15x real-timeFair
small~1.5 GB10x real-timeGood
medium~2.0 GB6x real-timeRecommended
large-v3 (INT8)~2.5 GB4x real-timeBest

Project Structure

whisper-stt-mcp/
├── pyproject.toml
├── README.md
├── src/whisper_stt_mcp/
│   ├── __init__.py
│   ├── __main__.py       # Entry point
│   ├── server.py         # MCP tools
│   ├── transcriber.py    # faster-whisper wrapper
│   ├── audio.py          # ffmpeg conversion
│   ├── models.py         # Model cache mgmt
│   └── vad.py            # Voice Activity Detection
├── tests/
│   └── test_smoke.py     # Smoke test suite
└── hermes-skill/
    └── SKILL.md

License

MIT

Ver o original no GitHub

Bom para

Relacionados