speech-to-cli MCP 服务器

关键词

语音助手Azure文本转语音语音转文本命令行集成

使用说明（Markdown 格式）

  • 项目简介

    • 该仓库实现了一个 MCP 服务器（mcp_speech.py），基于 stdio JSON-RPC 与 MCP 客户端通信，为 LLM 客户端提供音频上下文服务能力。核心能力包括通过 listen、converse、speak、talk 等工具实现语音输入与输出的交互，支持多种 STT/TTS 实现，以及对资源、提示、模板等进行管理与渲染。

  • 主要功能点

    • 实现 MCP 协议的核心服务器端逻辑：处理 initialize、tools/list、tools/call、resources/list/read、ping、notifications 等请求与响应，以及 progress 通知。
    • 提供多种 MCP 工具：listen、speak、converse、multi_speak、talk、configure、get_voices 等，支持参数化输入与执行结果返回。
    • 集成 Azure Speech Services：STT（流式、VAD、本地 Whisper 等模式）与 TTS（支持多种声音、速度、音高等参数），并实现音频流、进度提示与断点续传。
    • 音频相关特性：VAD、回声消除检测、音频吞吐与播放器的半双工/全双工处理、UI 提示和实时字幕/音量指示等。
    • 资源与模板支持：提供 README/配置等资源的读取与渲染接口，便于客户端展示规范文档和配置描述。
    • 本地化与安全性考虑：未将敏感数据送出，提供读取配置、获取声音列表等受控能力，强调 API 密钥的正确管理。

  • 安装步骤

    • 获取源码：git clone https://github.com/jphein/speech-to-cli.git
    • 进入仓库目录：cd speech-to-cli
    • 运行 MCP 服务器（示例，需替换为实际路径）
      • python3 mcp_speech.py
    • 依赖与前置条件（需自行在环境中安装；示例依赖（非穷尽）包括 requests、websocket-client、webrtcvad、faster_whisper、xclip/xsel、arecord/aplay 等工具，且需配置 Azure Speech Services 的凭据）
    • 配置 Azure 語音服务
      • 设置环境变量或在 ~/.config/speech-to-cli/config.json 中配置 key、region、voice 等字段

  • 服务器配置（MCP 客户端连接信息） 服务器名称在代码中标识为 azure-speech；客户端通过 MCP 配置连接到该服务器。以下 JSON 为示例配置，展示如何在 MCP 客户端中注册并启动该服务器。 { "mcpServers": { "azure-speech": { "command": "python3", "args": ["/path/to/speech-to-cli/mcp_speech.py"] } } } 注释说明（仅为帮助理解，不属于最终代码）：

    • server name: azure-speech，与服务器实现中返回的 serverInfo 一致，便于区分不同 MCP 服务器。
    • command: 启动服务器所使用的可执行程序，此处为 python3。
    • args: 服务器脚本的路径及启动参数（此处为直接执行 mcp_speech.py）。
    • MCP 客户端仅需要提供上述信息以便建立连接，实际的 API 交互由 MCP 协议处理。

  • 基本使用方法

    • 启动后，MCP 客户端（Copilot CLI、Claude Code、Gemini CLI 等）即可通过 listen/speak/converse 等工具与你的语音助手进行交互。
    • 客户端配置好后，按工具说明调用相应方法，即可获得文本结果或执行 TTS/STT 流程的音频输出。
    • 如需调整音频/设备设置，可以通过 configure 工具进行运行时修改，并持久化到配置文件。

  • 备注

    • 本 MCP 服务器使用 stdio 进行通信，不对外暴露网络端口，所有交互均通过本地命令和标准输入输出完成。
    • 使用前需要正确配置 Azure Speech Services 的 API 密钥和区域，并在环境变量或配置文件中设定相应字段。

服务器信息

访问项目