AutoGLM ASR MCP 服务

GitHub: https://github.com/Starrylyn/autoglm-asr-mcp

一个面向 Agent 的语音转文字 MCP 服务，核心特性：

• - 长音频自动分块
• 并发调用（可配置并发数）
• 上下文传递模式
• 时间戳分段输出

安装

bash

前置依赖：ffmpeg

brew install ffmpeg # macOS

运行 MCP 服务

npx autoglm-asr-mcp

MCP 配置

json
{
mcpServers: {
autoglm-asr: {
command: npx,
args: [-y, autoglm-asr-mcp],
env: {
AUTOGLMASRAPI_KEY: your-api-key
}
}
}
}

核心工具

transcribe_audio

参数	类型	必填	默认值	说明
audiopath	string	✅	-	音频文件绝对路径
contextmode

string | ❌ | sliding | 上下文模式 | | max_concurrency | int | ❌ | 5 | 并发数 (1-20) |

返回：

• - 完整转录文本
• 时间戳分段列表
• 运行统计（分块数、耗时、模式）

getaudioinfo

获取音频文件信息（时长、格式、预估分块数）。

---

核心实现解析

1. 并发调用机制

python

使用 Semaphore 控制并发数

semaphore = asyncio.Semaphore(concurrency)

async def transcribewithsemaphore(chunk: AudioChunk) -> None:
async with semaphore:
result = await self.transcribechunk(chunk, audioformat=audioformat)
text_results[chunk.index] = result[text]
# ...

所有分块并行执行

tasks = [transcribewithsemaphore(chunk) for chunk in nonsilentchunks] await asyncio.gather(*tasks)

关键点：

• - 用 Semaphore 限制最大并发数
• 用 asyncio.gather() 并行执行所有任务
• 结果存入字典 text_results: dict[int, str]，按分块索引排序

2. 上下文模式

模式	速度	质量	说明
sliding	快	高	第一个分块初始化上下文，后续并行
none

最快 | 中 | 各分块独立并行，无上下文传递 | | full_serial | 慢 | 最佳 | 顺序执行，完整上下文链 |

注意： 新版 /audio/transcriptions API 不需要上下文传递，所有分块默认并行。

3. 自动分块

python
chunks = splitaudioon_silence(
audio,
maxchunkdurationms=self.config.maxchunk_duration * 1000, # 默认 25s
)

• - 按静音点分割音频
• 每块最大 25 秒（可配置）
• 静音块自动跳过

4. 静音检测 (VAD)

python
nonsilentchunks = [c for c in chunks if not c.is_silent]
skippedsilent = len(chunks) - len(nonsilent_chunks)

• - 使用 VAD 检测静音片段
• 静音块不调用 API，节省费用

5. 结果合并

python

按分块顺序合并文本

fulltext = .join(textresults.get(chunk.index, ) for chunk in chunks)

合并时间戳分段（偏移调整）

for seg in result[segments]: offset_segments.append(TranscriptionSegment( start=seg.start + chunk.start_ms / 1000.0, # 加上分块起始偏移 end=seg.end + chunk.start_ms / 1000.0, text=seg.text, ))

---

环境变量

变量	默认值	说明
AUTOGLMASRAPIKEY	必填	智谱 API Key
AUTOGLMASRAPIBASE

https://open.bigmodel.cn/api/paas/v4/audio/transcriptions | API 端点 | | AUTOGLMASRMODEL | glm-asr-2512 | ASR 模型 | | AUTOGLMASRMAXCHUNKDURATION | 25 | 每块最大时长（秒） | | AUTOGLMASRMAX_CONCURRENCY | 5 | 默认并发数 | | AUTOGLMASRCONTEXTMAXCHARS | 2000 | 最大上下文字数 | | AUTOGLMASRREQUEST_TIMEOUT | 60 | 请求超时（秒） | | AUTOGLMASRMAX_RETRIES | 2 | 重试次数 |

---

支持的音频格式

mp3, wav, m4a, flac, ogg, webm

---

直接调用 API（不通过 MCP）

bash

短音频

curl --request POST \
--url https://open.bigmodel.cn/api/paas/v4/audio/transcriptions \
--header Authorization: Bearer YOURAPIKEY \
--form model=glm-asr-2512 \
--form stream=false \
--form file=@audio.wav

长音频：需要自己实现分块、并发、结果合并

---

最佳实践

1. 1. 短音频（<30s）：直接调用 API
2. 长音频：使用 MCP 服务，自动分块 + 并发
3. 高质量需求：用 full_serial 模式
4. 快速处理：用 none 模式 + 高并发（10-20）
5. 平衡选择：sliding 模式 + 并发 5（默认）

---

常见错误

错误	原因	解决
ffmpeg not found	未安装 ffmpeg	brew install ffmpeg
File not found

路径错误 | 使用绝对路径 | | AUTOGLMASRAPI_KEY environment variable is required | 未设置 API Key | 在 MCP 配置中设置 | | transcriptions文件只支持单声道 | 音频是立体声 | 自动转换为单声道 |

---

关键代码片段（参考实现）

Python 异步并发调用示例

python
import asyncio
import httpx

async def transcribechunk(client, chunkdata, api_key):
转录单个音频块
headers = {Authorization: fBearer {api_key}}
files = {file: (audio.wav, chunk_data, audio/wav)}
data = {model: glm-asr-2512}

response = await client.post(
https://open.bigmodel.cn/api/paas/v4/audio/transcriptions,
headers=headers,
files=files,
data=data,
)
result = response.json()
return result.get(text, )

async def transcribeparallel(chunks, apikey, max_concurrency=5):
并发转录多个音频块
semaphore = asyncio.Semaphore(max_concurrency)
client = httpx.AsyncClient(timeout=60)
results = {}

async def limited_transcribe(chunk, index):
async with semaphore:
text = await transcribechunk(client, chunk, apikey)
results[index] = text

tasks = [limited_transcribe(chunk, i) for i, chunk in enumerate(chunks)]
await asyncio.gather(*tasks)
await client.aclose()

# 按顺序合并
return .join(results.get(i, ) for i in range(len(chunks)))

---

扩展阅读

• - 智谱 ASR API 文档
• MCP 协议规范