想象一下这样的场景：你有一段长达一小时的会议录音，需要整理成文字纪要。传统做法是打开某个在线转录服务，把音频文件上传上去，等待处理完成后再下载结果。这个过程不仅耗时，还意味着你的语音数据被上传到了第三方服务器。
如果 AI 助手能够直接在本地帮你完成语音转文字，而且你的音频文件永远不会离开自己的电脑，那会怎样？
这就是 Whisper MCP 想要解决的问题。
🤔 什么是 MCP？为什么它很重要？
MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的一种开放协议，旨在标准化 AI 助手与外部工具、数据源之间的连接方式。
简单来说，MCP 就像是 AI 世界的”USB 接口”：
- 以前：每个 AI 助手都有自己的插件系统，互不兼容
- 现在：遵循 MCP 协议的工具可以被任何支持 MCP 的 AI 助手使用
这意味着，一旦你配置好了 Whisper MCP，Claude、ChatGPT、Cursor 等支持 MCP 的 AI 助手都能直接使用它的语音转文字功能。
🚀 Whisper MCP 的核心特性
1. 本地优先，隐私无忧
Whisper MCP 最与众不同的地方在于：所有处理都在你的电脑上完成。
- 音频文件不会上传到任何服务器
- 不需要联网也能使用
- 你的语音数据完全由自己掌控
对于那些处理敏感会议、个人隐私录音或商业机密的用户来说，这是至关重要的安全保障。
2. 双后端架构，跨平台支持
无论你使用什么操作系统，Whisper MCP 都能良好运行：
| 平台 | 后端引擎 | 加速方式 |
|---|---|---|
| macOS | whisper.cpp | Metal / CoreML |
| Linux | whisper.cpp / faster-whisper | CUDA |
| Windows | faster-whisper | CUDA / CPU |
在 macOS 上，它甚至能利用 Apple Silicon 的神经网络引擎，实现超过 10 倍实时的转录速度。
3. 自动硬件加速
不需要手动配置，Whisper MCP 会自动检测并利用最佳的硬件加速：
- 有 NVIDIA 显卡？自动使用 CUDA 加速
- 用 Apple Silicon Mac？自动启用 Metal 或 CoreML
- 只有 CPU？也能流畅运行，自动选择最优方案
4. 高质量转录模型
默认使用 OpenAI 的 large-v3-turbo 模型，这是目前 Whisper 系列中质量与速度最平衡的版本：
| 模型 | 大小 | 准确度 | 适用场景 |
|---|---|---|---|
| large-v3-turbo | ~1.6 GB | 最高 | 默认推荐 |
| large-v3-turbo-q8_0 | ~874 MB | 高 | 速度与质量平衡 |
| large-v3-turbo-q5_0 | ~574 MB | 良好 | 追求速度 |
如果电脑配置有限，也可以选择 medium、small 等更轻量的模型。
5. 多种音频格式支持
无需手动转换格式，直接支持：
- MP3、WAV、M4A、WEBM
- 以及更多常见音频格式
内置的 ffmpeg 集成会自动处理格式转换和音频预处理。
6. 时间戳与分段输出
转录结果不仅包含文字，还能提供：
- 段落级时间戳：知道每句话在音频中的位置
- 词级时间戳（可选）：精确到每个字的出现时间
- 支持输出为 JSON、纯文本 或 SRT 字幕 格式
7. 长音频智能分段
面对一小时以上的长录音？transcribe_with_split 工具会自动将音频分段处理，避免内存不足，同时保证转录质量。
🛠️ MCP 工具一览
配置完成后，你的 AI 助手可以直接调用以下工具：
transcribe — 转录音频文件
告诉 AI：“帮我转录这段录音：/Users/myname/Documents/meeting.mp3”
AI 会自动调用转录工具，返回带有时间戳的文字内容。
transcribe_with_split — 长音频分段转录
适合处理播客、会议记录、访谈等长音频内容。
get_model_info — 查看当前模型信息
了解当前使用的后端引擎、模型版本和运行设备。
check_health — 服务健康检查
确认 Whisper MCP 服务是否正常运行。
📦 快速开始
macOS 一键启动
最简单的方式是使用提供的启动脚本：
chmod +x scripts/start_macos.command
open scripts/start_macos.command这个脚本会自动完成环境检查、依赖安装、模型下载和启动服务。
Windows 全局命令
使用 uv 工具安装后，可以在任何目录直接运行：
uv tool install --editable .
whisper-mcp --check配置 Claude Desktop
编辑配置文件（Windows: %APPDATA%\Claude\claude_desktop_config.json）：
{
"mcpServers": {
"whisper": {
"command": "/path/to/venv/bin/python",
"args": ["-m", "whisper_mcp.main"],
"cwd": "/path/to/whisper-mcp"
}
}
}重启 Claude Desktop 后，你就可以直接让 Claude 帮你转录音频了！
💡 使用示例
示例 1：转录本地音频
“请帮我转录这段会议录音：/Users/myname/Documents/meeting_2025.mp3”
Claude 会自动调用 transcribe 工具，返回完整的文字记录。
示例 2：生成字幕文件
“帮我把这个视频转成 SRT 字幕：/Users/myname/Documents/video.mp4”
Claude 会输出标准 SRT 格式的字幕文件，可直接导入视频编辑软件。
示例 3：转录外语内容
“这段日语播客讲了什么？/Users/myname/Documents/podcast_jp.m4a”
指定语言代码后，Whisper MCP 会自动识别并转录。
🔧 高级配置
通过环境变量或 .env 文件自定义行为：
# 设置默认语言
LANGUAGE=zh
# 选择模型
MODEL_NAME=large-v3-turbo
# 启用 GPU 加速
USE_GPU=true
# CPU 线程数
THREADS=8
# 日志级别
LOG_LEVEL=INFO🎯 应用场景
1. 会议记录整理
将会议录音直接转录成文字，快速生成会议纪要，无需手动记录。
2. 播客与视频字幕
为自媒体内容自动生成字幕，支持导出 SRT 格式，直接用于视频制作。
3. 访谈内容整理
记者、研究者可以将采访录音快速转成文字稿，方便后续编辑和引用。
4. 个人语音笔记
随手录下的想法、灵感，让 AI 帮你整理成结构化的文字笔记。
5. 学习资料处理
将在线课程的音频、讲座录音转成文字，方便搜索和复习。
🔮 未来规划
- 支持实时流式转录
- 说话人分离（Diarization）
- 更多输出格式支持
- 模型热切换
- 批量音频处理优化
🤝 参与贡献
Whisper MCP 是一个开源项目，欢迎各种形式的贡献：
- 提交 Issue 报告 bug 或建议
- 提交 Pull Request 改进代码
- 完善文档和教程
- 分享给更多需要的人
项目地址：https://github.com/bitfarer/whisper-mcp
📄 许可证
MIT License - 你可以自由使用、修改和分发本项目。
让 AI 真正”听懂”世界，从 Whisper MCP 开始。