mmcp（注：这是一个缩写，具体含义需根据上下文确定，但直接翻译即为“mmcp”）
一个用于多模态输入的MCP服务器
这是一个多模态MCP服务器的原型阶段演示，目前该服务器支持三种模态的输入
- 文本
- 图像
- 音频
- 带音频支持的视频模式
第一个很简单，但我们来详细讨论接下来的三个：
1. 图像模态
在这里我们正在做两件事
- 如果存在图像，则从图像中读取文本
- 使用开源模型为图像添加标题
2. 音频模态
同样地，我们在这里也在做
- 如果有的话，将音频转换为文本
- 使用开源模型对背景噪声进行特征描述或分类
3. 视频模态
在这里，图像被每十分之一秒分割成一帧一帧的画面，每一帧画面都被传递给一个视频字幕生成模型，并且每个字幕都会与帧号一起被添加到上下文中，以便保持时间信息。