MCP Gemini Transcriber

音訊轉逐字稿 MCP 工具（使用 Gemini API），支援語者識別與情緒分析。

功能特色

🎵 音訊轉逐字稿

• 自動分段：長音檔自動切割成 5 分鐘區塊
• 平行處理：最多 25 個任務同時進行
• 時間戳調整：自動調整各段時間戳，確保連續
• 語者識別：識別不同發言者並自動命名
• 情緒分析：分析對話情緒流動與關鍵時刻
• 失敗重試：自動重試失敗片段（2 次）

🖼️ 圖片描述

• 多詳細程度：簡單/一般/詳細三種模式
• Markdown 輸出：結構化描述

支援格式

音訊

.mp3, .m4a, .wav, .webm, .ogg, .flac, .aiff, .aac

圖片

.png, .jpg, .jpeg, .webp, .heic, .heif

快速開始（推薦：使用 npx）

無需下載或安裝，直接使用 npx 執行：

1. 設定 Cursor MCP

編輯 ~/.cursor/mcp.json：

{
  "mcpServers": {
    "gemini-transcriber": {
      "command": "npx",
      "args": [
        "-y",
        "@hsiehchenwei/mcp-gemini-transcriber"
      ],
      "env": {
        "GEMINI_API_KEY": "你的-Gemini-API-Key",
        "CURSOR_WORKSPACE_ROOT": "${workspaceFolder}"
      }
    }
  }
}

2. 重啟 Cursor

完成！工具會自動下載並執行，無需本地安裝。

環境變數說明：

• GEMINI_API_KEY（必填）：你的 Gemini API 金鑰
• CURSOR_WORKSPACE_ROOT（選填）：工作區根目錄，用於解析相對路徑
• DEFAULT_MODE（選填）：預設轉錄模式，可設定為 fast 或 speaker
  • 未設定時預設為 fast（快速模式）
  • 設定為 speaker 時，預設使用語者識別+情緒分析模式
  • 在對話中仍可指定 mode 參數覆蓋預設值

本地安裝（可選）

如果你想在本地安裝：

npm install -g @hsiehchenwei/mcp-gemini-transcriber

然後在 mcp.json 中使用：

{
  "mcpServers": {
    "gemini-transcriber": {
      "command": "mcp-gemini-transcriber",
      "env": {
        "GEMINI_API_KEY": "你的-Gemini-API-Key",
        "CURSOR_WORKSPACE_ROOT": "${workspaceFolder}",
        "DEFAULT_MODE": "fast"
      }
    }
  }
}

系統需求

需要 FFmpeg

# macOS
brew install ffmpeg

# Ubuntu/Debian
sudo apt install ffmpeg

# Windows
# 下載並安裝：https://ffmpeg.org/download.html

使用方式

音訊轉逐字稿

請轉錄這個音檔：/path/to/audio.m4a

speaker 模式輸出包含：

• 摘要
• 情緒流動（簡短段落，包含經典句子）
• 語者資訊（辨識出的名字和特徵）
• 逐字稿（已替換為辨識出的名字，含情緒轉折標記）

圖片描述

請描述這張圖片：/path/to/image.jpg

列出支援格式

請列出支援的檔案格式

分析特定語者

分析音頻中 01:18 處的語者資訊

工具說明

transcribe_audio

| 參數 | 必填 | 說明 | |------|------|------| | audio_path | ✅ | 音訊檔案路徑 | | output_path | ❌ | 輸出路徑（預設同目錄 .md） | | model | ❌ | 模型（預設 gemini-3-flash-preview） | | mode | ❌ | 模式：fast（快速，預設）或 speaker（語者識別+情緒分析） |

模式說明：

• fast（預設）：快速模式，平行轉錄，不進行語者識別和情緒分析
• speaker：逐段處理，同時進行語者識別和情緒分析，輸出包含語者資訊、情緒流動摘要和逐字稿（含情緒轉折標記）

預設模式設定：

• 預設模式為 fast
• 可透過環境變數 DEFAULT_MODE 設定預設模式（fast 或 speaker）
• 在對話中指定 mode 參數可覆蓋預設值

describe_image

| 參數 | 必填 | 說明 | |------|------|------| | image_path | ✅ | 圖片路徑 | | output_path | ❌ | 輸出路徑 | | detail_level | ❌ | simple/normal/detailed |

處理流程

原始音訊
    ↓
ffprobe 取得總時長
    ↓
ffmpeg 分割（每段 5 分鐘）
    ↓
平行上傳 Gemini Files API
    ↓
平行轉錄（最多 25 並行）
    ↓
調整時間戳 + 合併
    ↓
產生摘要 + 關鍵字
    ↓
輸出 Markdown

可用模型

| 模型 | 說明 | |------|------| | gemini-3-flash-preview | 預設，速度快 | | gemini-2.5-flash | Flash 系列 | | gemini-2.5-pro | 高品質 |

發布狀態

✅ 已發布到 npm：@chenwei/mcp-gemini-transcriber

使用 npx 即可直接使用，無需本地安裝：

{
  "mcpServers": {
    "gemini-transcriber": {
      "command": "npx",
      "args": ["-y", "@chenwei/mcp-gemini-transcriber"],
      "env": {
        "GEMINI_API_KEY": "your-key"
      }
    }
  }
}

授權

MIT License