speaker diarization MCP

演讲者日记化mcp

接收声音文件pyannote.audio 对话框，您可以在此定义自定义格式。\ 软件包管理 uv 中所述修改相应参数的值。

主要规格

• 接收语音输入speaker/start/end 返回段
• wav 也接受以外输入ffmpeg 转换为WAV
• 在推论之前一定 16kHz mono WAV 归一化
• GPU(cuda / mps）优先使用，不可用时向CPU回退
• 长条语音在服务器内自动区块分割依次推论，1次请求返还合并结果

- 注意：由于信息块单位推理，可能会重新分配跨越信息块边界的说话人标签

• 工作目录限制（环境变量）
• 输入文件大小限制（环境变量，默认值256MiB）

事前要件

• Python 3.11+
• uv
• ffmpeg（PATH ），模板名称将采用不同的格式
• Hugging Face的访问令牌（pyannote 允许模型访问）

安装（uv）

uv sync

环境变数

｜变量名｜必需｜默认｜说明｜ |---|---|---|---| | SDMCP_WORK_DIR 可选｜当前目录｜可读取输入文件的根目录｜ | SDMCP_MAX_FILE_SIZE_BYTES | 任意 | 268435456 （256MiB）｜输入文件大小上限（bytes）｜ | SDMCP_HF_TOKEN ｜必需｜无｜用于获取pyannote模型的Hugging Face令牌｜ | SDMCP_PYANNOTE_MODEL | 任意 | pyannote/speaker-diarization-3.1 使用的pyannote模型 | SDMCP_CHUNK_DURATION_SECONDS | 任意 | 600 分割长语音的区块长度（秒）

环境变数设定例

export SDMCP_WORK_DIR=/absolute/path/to/audio
export SDMCP_MAX_FILE_SIZE_BYTES=268435456
export SDMCP_HF_TOKEN=hf_xxx
export SDMCP_PYANNOTE_MODEL=pyannote/speaker-diarization-3.1
export SDMCP_CHUNK_DURATION_SECONDS=600

服务器启动

uv run speaker-diarization-mcp

或：

uv run python -m speaker_diarization_mcp

交付工具

diarize_audio

• 引数:

- file_path: str - 绝对路径或 SDMCP_WORK_DIR 相对路径 - num_speakers: int | null（任意） - 指定固定话人数（1 以上）。未指定时は自动推定

• 举动：

1. 验证路径是否位于工作目录下 1. 验证文件大小上限 1. 发出声音 16kHz mono WAV 归一化 1. 长条语音进行区块分割，在pyannote中依次进行说话者诊断 1. 对说话人段进行时间戳校正并合并 1. JSON 返却

响应示例

{
  "input_file": "/absolute/path/to/audio/sample.mp3",
  "device": "cuda",
  "sample_rate_hz": 16000,
  "channels": 1,
  "segments": [
    { "speaker": "SPEAKER_00", "start": 0.21, "end": 2.94 },
    { "speaker": "SPEAKER_01", "start": 2.95, "end": 6.88 }
  ]
}

错误时的代表示例

• SDMCP_HF_TOKEN is required ...

- 未设置Hugging Face令牌

• Input file must stay inside ...

- 指定允许目录之外的路径

• Input file exceeds max size limit ...

- 超出大小限制

• ffmpeg is required ...

- ffmpeg 未导入或PATH未设定

设计书

有关设计的详细信息 docs/design.md 来修改标记元素的显示属性。