metadata
title: Modal Transcriber MCP
emoji: 🎙️
colorFrom: blue
colorTo: purple
sdk: gradio
sdk_version: 4.44.0
app_file: app.py
pinned: false
license: mit
python_version: 3.1
🎙️ Modal Transcriber MCP
一个功能强大的音频转录系统，集成了 Gradio UI、FastMCP Tools 和 Modal 云计算，支持智能说话人识别。
✨ 主要功能
- 🎵 多平台音频下载：支持 Apple Podcasts、小宇宙等播客平台
- 🚀 高性能转录：基于 OpenAI Whisper，支持多种模型（turbo, large-v3等）
- 🎤 智能说话人识别：使用 pyannote.audio 进行说话人分离和embedding聚类
- ⚡ 分布式处理：支持大文件并发切片处理，显著提升处理速度
- 🔧 FastMCP 工具：提供完整的 MCP (Model Context Protocol) 工具集成
- ☁️ Modal 部署：支持本地和云端双模式部署
🎯 核心优势
🧠 智能音频分割
- 静音检测分割：自动识别音频中的静音段落进行智能切分
- Fallback机制：长音频自动降级为时间分割，确保处理效率
- 并发处理：多chunk同时处理，大幅提升转录速度
🎤 高级说话人识别
- Embedding聚类：使用深度学习embedding进行说话人一致性识别
- 跨chunk统一：解决分布式处理中说话人标签不一致问题
- 质量过滤：自动过滤低质量片段，提升输出准确性
🔧 开发者友好
- MCP协议支持：完整的工具调用接口
- REST API：标准化的API接口
- Gradio UI：直观的Web界面
- 测试覆盖：29个单元测试和集成测试
🚀 快速开始
本地运行
- 克隆仓库
git clone https://huggingface.co/spaces/Agents-MCP-Hackathon/ModalTranscriberMCP
cd ModalTranscriberMCP
- 安装依赖
pip install -r requirements.txt
- 配置 Hugging Face Token（可选，用于说话人识别）
# 创建 .env 文件
echo "HF_TOKEN=your_huggingface_token_here" > .env
- 启动应用
python app.py
使用说明
- 上传音频文件 或 输入播客URL
- 选择转录选项：
- 模型大小：turbo (推荐) / large-v3
- 输出格式：SRT / TXT
- 是否启用说话人识别
- 开始转录，系统会自动处理并生成结果
🛠️ 技术架构
- 前端：Gradio 4.44.0
- 后端：FastAPI + FastMCP
- 转录引擎：OpenAI Whisper
- 说话人识别：pyannote.audio
- 云计算：Modal.com
- 音频处理：FFmpeg
📊 性能指标
- 处理速度：支持30倍实时速度转录
- 并发能力：最多10个chunks同时处理
- 准确率：中文准确率>95%
- 支持格式：MP3, WAV, M4A, FLAC等
🤝 贡献
欢迎提交 Issue 和 Pull Request！
📜 许可证
MIT License
🔗 相关链接
- 项目文档：详见仓库中的
docs/目录 - 测试覆盖：29个测试用例确保功能稳定性
- Modal部署：支持云端高性能处理