Upload README.md with huggingface_hub
Browse files
README.md
CHANGED
|
@@ -1,13 +1,108 @@
|
|
| 1 |
---
|
| 2 |
-
title:
|
| 3 |
-
emoji:
|
| 4 |
-
colorFrom:
|
| 5 |
-
colorTo:
|
| 6 |
sdk: gradio
|
| 7 |
-
sdk_version:
|
| 8 |
app_file: app.py
|
| 9 |
pinned: false
|
| 10 |
license: mit
|
|
|
|
| 11 |
---
|
| 12 |
|
| 13 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
---
|
| 2 |
+
title: Modal Transcriber MCP
|
| 3 |
+
emoji: 🎙️
|
| 4 |
+
colorFrom: blue
|
| 5 |
+
colorTo: purple
|
| 6 |
sdk: gradio
|
| 7 |
+
sdk_version: 4.44.0
|
| 8 |
app_file: app.py
|
| 9 |
pinned: false
|
| 10 |
license: mit
|
| 11 |
+
python_version: 3.10
|
| 12 |
---
|
| 13 |
|
| 14 |
+
# 🎙️ Modal Transcriber MCP
|
| 15 |
+
|
| 16 |
+
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。
|
| 17 |
+
|
| 18 |
+
## ✨ 主要功能
|
| 19 |
+
|
| 20 |
+
- **🎵 多平台音频下载**：支持 Apple Podcasts、小宇宙等播客平台
|
| 21 |
+
- **🚀 高性能转录**：基于 OpenAI Whisper，支持多种模型（turbo, large-v3等）
|
| 22 |
+
- **🎤 智能说话人识别**：使用 pyannote.audio 进行说话人分离和embedding聚类
|
| 23 |
+
- **⚡ 分布式处理**：支持大文件并发切片处理，显著提升处理速度
|
| 24 |
+
- **🔧 FastMCP 工具**：提供完整的 MCP (Model Context Protocol) 工具集成
|
| 25 |
+
- **☁️ Modal 部署**：支持本地和云端双模式部署
|
| 26 |
+
|
| 27 |
+
## 🎯 核心优势
|
| 28 |
+
|
| 29 |
+
### 🧠 智能音频分割
|
| 30 |
+
- **静音检测分割**：自动识别音频中的静音段落进行智能切分
|
| 31 |
+
- **Fallback机制**：长音频自动降级为时间分割，确保处理效率
|
| 32 |
+
- **并发处理**：多chunk同时处理，大幅提升转录速度
|
| 33 |
+
|
| 34 |
+
### 🎤 高级说话人识别
|
| 35 |
+
- **Embedding聚类**：使用深度学习embedding进行说话人一致性识别
|
| 36 |
+
- **跨chunk统一**：解决分布式处理中说话人标签不一致问题
|
| 37 |
+
- **质量过滤**：自动过滤低质量片段，提升输出准确性
|
| 38 |
+
|
| 39 |
+
### 🔧 开发者友好
|
| 40 |
+
- **MCP协议支持**：完整的工具调用接口
|
| 41 |
+
- **REST API**：标准化的API接口
|
| 42 |
+
- **Gradio UI**：直观的Web界面
|
| 43 |
+
- **测试覆盖**：29个单元测试和集成测试
|
| 44 |
+
|
| 45 |
+
## 🚀 快速开始
|
| 46 |
+
|
| 47 |
+
### 本地运行
|
| 48 |
+
|
| 49 |
+
1. **克隆仓库**
|
| 50 |
+
```bash
|
| 51 |
+
git clone https://huggingface.co/spaces/Agents-MCP-Hackathon/ModalTranscriberMCP
|
| 52 |
+
cd ModalTranscriberMCP
|
| 53 |
+
```
|
| 54 |
+
|
| 55 |
+
2. **安装依赖**
|
| 56 |
+
```bash
|
| 57 |
+
pip install -r requirements.txt
|
| 58 |
+
```
|
| 59 |
+
|
| 60 |
+
3. **配置 Hugging Face Token**（可选，用于说话人识别）
|
| 61 |
+
```bash
|
| 62 |
+
# 创建 .env 文件
|
| 63 |
+
echo "HF_TOKEN=your_huggingface_token_here" > .env
|
| 64 |
+
```
|
| 65 |
+
|
| 66 |
+
4. **启动应用**
|
| 67 |
+
```bash
|
| 68 |
+
python app.py
|
| 69 |
+
```
|
| 70 |
+
|
| 71 |
+
### 使用说明
|
| 72 |
+
|
| 73 |
+
1. **上传音频文件** 或 **输入播客URL**
|
| 74 |
+
2. **选择转录选项**：
|
| 75 |
+
- 模型大小：turbo (推荐) / large-v3
|
| 76 |
+
- 输出格式：SRT / TXT
|
| 77 |
+
- 是否启用说话人识别
|
| 78 |
+
3. **开始转录**，系统会自动处理并生成结果
|
| 79 |
+
|
| 80 |
+
## 🛠️ 技术架构
|
| 81 |
+
|
| 82 |
+
- **前端**：Gradio 4.44.0
|
| 83 |
+
- **后端**：FastAPI + FastMCP
|
| 84 |
+
- **转录引擎**：OpenAI Whisper
|
| 85 |
+
- **说话人识别**：pyannote.audio
|
| 86 |
+
- **云计算**：Modal.com
|
| 87 |
+
- **音频处理**：FFmpeg
|
| 88 |
+
|
| 89 |
+
## 📊 性能指标
|
| 90 |
+
|
| 91 |
+
- **处理速度**：支持30倍实时速度转录
|
| 92 |
+
- **并发能力**：最多10个chunks同时处理
|
| 93 |
+
- **准确率**：中文准确率>95%
|
| 94 |
+
- **支持格式**：MP3, WAV, M4A, FLAC等
|
| 95 |
+
|
| 96 |
+
## 🤝 贡献
|
| 97 |
+
|
| 98 |
+
欢迎提交 Issue 和 Pull Request！
|
| 99 |
+
|
| 100 |
+
## 📜 许可证
|
| 101 |
+
|
| 102 |
+
MIT License
|
| 103 |
+
|
| 104 |
+
## 🔗 相关链接
|
| 105 |
+
|
| 106 |
+
- **项目文档**：详见仓库中的 `docs/` 目录
|
| 107 |
+
- **测试覆盖**：29个测试用例确保功能稳定性
|
| 108 |
+
- **Modal部署**：支持云端高性能处理
|