whisper-stt-mcp — Transcripción de Voz Local vía MCP

Necesito transcribir audio con frecuencia — notas de voz, grabaciones de reuniones, fragmentos de podcasts. Enviar audio a la API de OpenAI Whisper significa pagar por minuto y confiar a un tercero contenido potencialmente sensible. Así que construí un servidor MCP que corre 100% local usando faster-whisper (CTranslate2) con aceleración NVIDIA GPU.

whisper-stt-mcp es un servidor MCP con 4 herramientas para transcripción de audio. Se integra perfectamente con Hermes Agent, Claude Desktop, Cursor o cualquier cliente compatible con MCP.

---

Arquitectura

Audio (mp3/wav/m4a/ogg/flac/opus/webm)
       │
  conversión ffmpeg        ← manejo automático de formatos
       │
  faster-whisper (GPU)     ← CTranslate2 con cuantización INT8
       │
  VAD (silero-vad)         ← filtra silencios, mejora precisión
       │
  Salida JSON              ← texto + timestamps por palabra

Tu audio se procesa completamente en tu máquina. Nunca sale ningún dato.

---

Características Clave

4 Herramientas MCP

Herramienta	Descripción
transcribe	Transcribe un solo archivo con opciones completas
list_models	Lista modelos Whisper disponibles y descargados
download_model	Descarga un modelo Whisper (tiny/base/small/medium/large-v3)
transcribe_batch	Transcribe un directorio entero de audios

Aceleración GPU

NVIDIA CUDA con cuantización INT8 permite que incluso large-v3 funcione en ~2.5 GB de VRAM:

Modelo	VRAM	Velocidad (RTX 3050)	Calidad
tiny	~0.5 GB	20x tiempo real	Baja
base	~0.8 GB	15x tiempo real	Regular
small	~1.5 GB	10x tiempo real	Buena
medium	~2.0 GB	6x tiempo real	Recomendado
large-v3 (INT8)	~2.5 GB	4x tiempo real	Mejor

Características Inteligentes

• Voice Activity Detection — silero-vad filtra silencios antes de transcribir
• Detección automática de idioma — 99+ idiomas soportados
• Timestamps por palabra — tiempo exacto para cada palabra
• Conversión automática de formatos — mp3, wav, m4a, ogg, flac, opus, webm via ffmpeg
• Procesamiento por lotes — transcribe directorios enteros de una sola llamada

---

Inicio Rápido

git clone https://github.com/fxckcode/whisper-stt-mcp.git
cd whisper-stt-mcp
uv venv
uv pip install -e .

Con Hermes Agent

Agrega a ~/.hermes/config.yaml:

mcp_servers:
  whisper-stt:
    command: "/path/to/whisper-stt-mcp/.venv/bin/python"
    args: ["-m", "whisper_stt_mcp"]

Las herramientas aparecen como mcp_whisper_stt_transcribe, mcp_whisper_stt_list_models, etc.

Con cualquier cliente MCP

{
  "mcpServers": {
    "whisper-stt": {
      "command": "/path/to/whisper-stt-mcp/.venv/bin/python",
      "args": ["-m", "whisper_stt_mcp"]
    }
  }
}

---

Estructura del Proyecto

whisper-stt-mcp/
├── pyproject.toml
├── src/whisper_stt_mcp/
│   ├── __init__.py
│   ├── __main__.py       # Punto de entrada
│   ├── server.py         # Herramientas MCP
│   ├── transcriber.py    # Wrapper de faster-whisper
│   ├── audio.py          # Conversión ffmpeg
│   ├── models.py         # Gestión de caché de modelos
│   └── vad.py            # Voice Activity Detection
├── tests/
│   └── test_smoke.py
└── hermes-skill/
    └── SKILL.md

---

El proyecto tiene licencia MIT y está abierto en GitHub.