Ffvoice

Name: Ffvoice
Author: chicogong

作者：chicogongバージョン 0.8.3i★ –iパソコンで動く

レジストリ名io.github.chicogong/ffvoice

インストール

概要

作者による説明（英語の原文）

Offline speech-to-text & speaker diarization MCP server: transcribe audio on-device, no cloud

PopNx MCPの3つの柱

この3つを1つのスコアにまとめることはしません。意見、測定、人気はそれぞれ別のものだからです。

利用者の声iレビューはまだありませんレビューは今後のステップで、アカウント機能と一緒に始まります
私たちの基本チェックi1項目中1項目に合格公開情報からチェック。コードはまだスキャンしていません
利用状況i未計測★ –

できること

このサーバーのやさしい解説はまだ書いていません。以下はレジストリから読み取った事実です。

接続方法: パソコンで動く
トランスポート: stdio
カテゴリ: デザイン・画像・音声

インストール

使っているAIアプリを選んで、設定をコピーしてください。

インストールの前に

基本チェック：1項目中1項目に合格
あなたのパソコンで、あなたのユーザーと同じ権限（ファイル、ネットワーク、アプリ）で動きます。
レジストリには、入力が必要なキーは載っていません。

必要なもの

PyPIPythonのuvのインストール（uvxコマンドに必要）

どのアプリを使っていますか？

ClaudeClaude CodeCursorVS CodeChatGPT

上でアプリを選んでください。選んだアプリを覚えておくので、次からはボタンに「…にインストール」と表示されます。

Claude Desktop → Settings → Developer → Edit Config を開き、claude_desktop_config.json にこれを貼り付けます

{
  "mcpServers": {
    "ffvoice": {
      "command": "uvx",
      "args": [
        "ffvoice",
        "--from",
        "ffvoice[mcp]"
      ]
    }
  }
}

ターミナルでこれを実行します

claude mcp add ffvoice -- uvx ffvoice --from 'ffvoice[mcp]'

Cursorで開く

または、設定を自分でコピーする

プロジェクトの .cursor/mcp.json、または ~/.cursor/mcp.json に貼り付けます

{
  "mcpServers": {
    "ffvoice": {
      "command": "uvx",
      "args": [
        "ffvoice",
        "--from",
        "ffvoice[mcp]"
      ]
    }
  }
}

ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。

VS Codeで開く

または、設定を自分でコピーする

プロジェクトの .vscode/mcp.json に貼り付けます

{
  "servers": {
    "ffvoice": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "ffvoice",
        "--from",
        "ffvoice[mcp]"
      ]
    }
  }
}

これはパソコンで動くサーバーですが、ChatGPTがつなげるのはインターネット上のサーバーだけです。ほかのアプリを選んでください。

選んだアプリは、この端末のCookieに保存されます。アカウントは不要です。

この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。

できること

パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。

基本チェックi

誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月7日にチェック

✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント chicogong で確認済みです
… 未チェック
今もメンテナンスされている
このリポジトリはまだGitHubから読み取っていません
… 未チェック
ライセンスがある
このリポジトリはまだGitHubから読み取っていません
– 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
– 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
… 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです

デザイン・画像・音声のほかのサーバーとの比較i

このカテゴリのほかの2187件のうち0%よりスターが多い
このカテゴリのほかの2187件のうち8%より最近レジストリに公開
基本チェックの結果が、このカテゴリのほかの2187件のうち100%と同じかそれ以上

レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。

よくある質問

Ffvoiceは安全ですか？

当てはまる基本チェック1項目のうち1項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。

どんなキーやコードが必要ですか？

レジストリには必須のキーは載っていません。ただし、最初に使うときにサインインを求めるサーバーもあります。

パソコンで動きますか、それともクラウドですか？

あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません（サーバー自体がオンラインサービスを呼び出す場合を除きます）。

今もメンテナンスされていますか？

GitHubリポジトリの最終更新は–、最新バージョン（0.8.3）がレジストリに届いたのは6 か月前です。

どのアプリで使えますか？

Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにPython (uv)も必要です。

代わりに使えるものは？

同じカテゴリには：Figma Context MCP, Claude Real Video, Figma MCP Server

代わりの候補

同じカテゴリで、ほかの作者が作ったサーバー。スターの多い順。

カードの見方：★ GitHubスターi3つの柱：レビュー · チェック · 利用状況i更新＝最新バージョンをレジストリに公開した日i

Figma Context MCP

作者：GLips

Give your coding agent access to your Figma data. Implement designs in any framework in one-shot.

パソコンで動く★ 16,165MIT5 か月前更新

インストール

Claude Real Video

作者：HUANGCHIHHUNGLeo

Let any LLM watch a video locally — and search everything it has ever watched.

パソコンで動く★ 2,284MIT2 か月前更新

インストール

Figma MCP Server

作者：figma

The Figma MCP server brings Figma design context directly into your AI workflow.

クラウドで動く★ 2,15213 か月前更新

インストール

作者のREADME

READMEを開く

作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。

ffvoice-engine

🎙️ Offline speech-to-text & speaker diarization for AI agents — Whisper ASR, live captioning, an MCP server, a CLI and Python bindings. Fully on-device, no cloud API.

🎙️ 离线语音识别 + 说话人分离,AI Agent 开箱即用 —— Whisper 实时转写 · 实时字幕 · MCP server · CLI · Python 绑定 · 100% 本地运行,音频不上云。

Why ffvoice? / 为什么用 ffvoice？

The honest pitch: ffvoice is an integration layer, not a new ASR engine. It embeds whisper.cpp as-is and makes no changes to its accuracy or inference speed. What ffvoice adds is a batteries-included, pre-wired pipeline — microphone capture → RNNoise denoising → VAD segmentation → Whisper ASR → speaker diarization → live captions / WAV / FLAC / subtitles — delivered as a single C++ SDK with Python bindings, a CLI, and an MCP server that lets AI agents (Claude and others) transcribe audio out of the box — all in one pip install or cmake build.

诚实定位: ffvoice 是一个集成层，而非新的 ASR 引擎。它内嵌 whisper.cpp，不修改其识别精度或推理速度。ffvoice 带来的是一条开箱即用、预连接的完整管道——麦克风采集 → RNNoise 降噪 → VAD 分段 → Whisper ASR → 说话人分离 → 实时字幕 / WAV / FLAC / 字幕输出——打包成 C++ SDK + Python 绑定 + CLI，外加一个 MCP server,让 AI agent(Claude 等)开箱即用地转写音频——一条 pip install 或 cmake 即可完成。

Pain points it addresses / 解决的痛点

Pain point	ffvoice approach
Privacy / 隐私合规 — audio must not leave the device (GDPR, HIPAA, enterprise policy)	100% offline; audio never transmitted
Cloud cost / 云端费用 — commercial APIs charge per minute ($0.01–0.024/min at scale)	Zero per-minute cost; runs on your own hardware
Glue code / 胶水代码 — wiring PortAudio + RNNoise + VAD + whisper.cpp + FLAC yourself takes days	All wired together and tested; one SDK
Offline / 断网场景 — embedded systems, air-gapped environments, poor connectivity	Fully offline; no network dependency
Local responsiveness / 本地响应 — cloud round-trips add network variance	Capture and inference stay on-device; measure end-to-end latency on your target hardware

What ffvoice does NOT do / 不做什么

ffvoice does not improve whisper.cpp's WER (word error rate) or speed. If Whisper tiny gives you 12% WER, ffvoice will too.
ffvoice does not outperform sherpa-onnx or other optimized inference runtimes on raw transcription speed.
ffvoice does not provide custom vocabulary or acoustic model fine-tuning.

If raw ASR accuracy or throughput is your primary concern, evaluate whisper.cpp directly or consider specialized runtimes. ffvoice's value is the integrated pipeline, not the ASR engine itself.

📋 项目介绍

ffvoice-engine 是一个轻量级、高性能的音频处理引擎，专注于实时音频采集、智能处理和语音识别。

🎯 使用场景

📝 会议记录 - 实时转写会议内容，说话人分离标注"谁说了什么"，自动生成字幕
🎓 在线教育 - 录制课程并生成字幕，支持多语言识别
🎙️ 播客制作 - 高质量音频录制 + RNNoise 降噪 + 自动字幕生成
🎵 音乐制作 - 低延迟音频采集，支持 FLAC 无损压缩
🤖 语音助手 - 实时语音识别和处理，构建本地 AI 语音应用
📡 直播字幕 - 边录边转写，生成实时字幕流

✨ 核心优势

vs 商业服务（Azure/Google Cloud Speech）:

✅ 完全离线 - 无需网络，保护隐私，零 API 费用
✅ 本地处理 - 无网络往返；端到端延迟取决于设备、模型与音频长度
✅ 开源免费 - MIT 协议，可商用

vs FFmpeg 命令行:

✅ 实时转写 - 边录边识别，支持 VAD 智能分段
✅ AI 降噪 - 集成 RNNoise 深度学习降噪
✅ C++ SDK - 可嵌入任何 C++ 应用，非黑盒工具

vs Python 方案（whisper-cli）:

✅ 原生管道 - C++20 实现，处理链无 Python 解释器与胶水开销
✅ 易部署 - 单一可执行文件，无 Python 环境依赖
✅ 同样的精度 - 内嵌 whisper.cpp，识别质量与上游一致（ffvoice 不改模型）

💡 技术亮点

🚀 零拷贝处理链 - 音频数据在内存中就地处理
🧠 智能 VAD 分段 - 基于 RNNoise VAD 的语音活动检测
🎯 高压缩比 - FLAC 无损压缩 2-3x，质量无损
⚡ whisper.cpp 推理 - 内嵌 whisper.cpp，Apple Silicon 上推理快于实时

核心特性

✅ 实时音频采集 - 低延迟麦克风/系统声音捕获 (PortAudio)
✅ 多格式输出 - WAV、FLAC 无损压缩
✅ 音频增强处理 - 音量归一化、高通滤波、RNNoise 降噪
✅ 离线语音识别 - Whisper ASR (tiny model，纯文本/SRT/VTT/JSON 四种格式，含词级时间戳)
🧪 滚动字幕流 - LiveCaptioner 输出 partial/final 事件；partial 会重复转写累计语音，不等同于增量流式解码
✅ 说话人分离 - Diarizer 离线 diarization（sherpa-onnx），自动标注"谁在何时说话"
✅ Agent 集成 - CLI + MCP server，AI agent 可直接调用本地离线语音能力

🏗️ 当前状态 (v0.8.3)

四个集成层路线图阶段全部交付，已发布到 PyPI（macOS / Linux / Windows，Python 3.10–3.14）。

能力	状态
音频采集 / WAV·FLAC 输出 / 音频增强（归一化·高通·RNNoise）	✅
离线语音识别（Whisper ASR — 纯文本 / SRT / VTT / JSON，词级时间戳）	✅
滚动字幕流（LiveCaptioner — partial/final 字幕事件）	🧪 实验性；需监控丢样
说话人分离（Diarizer — sherpa-onnx，可选 `-DENABLE_DIARIZATION=ON`）	✅
Agent 集成（CLI 硬化 + MCP server，5 个工具）	✅
当前测试套件：296 C++ + 146 Python，全部通过	✅

完整历史见 CHANGELOG.md。

🚀 快速开始

依赖

CMake 3.20+
C++20 编译器（GCC 10+, Clang 12+, MSVC 2019+）
FFmpeg 4.4+ (libavcodec, libavformat, libavutil, libswresample)
PortAudio 19.7+ (音频采集)
FLAC 1.5+ (无损压缩)
whisper.cpp (可选，自动下载，用于语音识别)
RNNoise (可选，自动下载，用于深度学习降噪)

macOS 安装：

brew install cmake ffmpeg portaudio flac

Linux (Ubuntu/Debian) 安装：

sudo apt-get install cmake build-essential \

libavcodec-dev libavformat-dev libavutil-dev libswresample-dev \ portaudio19-dev libflac-dev

Windows 安装：

# 使用 vcpkg 管理 C++ 依赖

1. 克隆 vcpkg（如果还没有）

git clone https://github.com/Microsoft/vcpkg.git C:\vcpkg C:\vcpkg\bootstrap-vcpkg.bat

2. 安装依赖包

C:\vcpkg\vcpkg install ffmpeg:x64-windows portaudio:x64-windows libflac:x64-windows

3. 设置环境变量（用于 CMake）

set CMAKE_TOOLCHAIN_FILE=C:\vcpkg\scripts\buildsystems\vcpkg.cmake

注意：Windows 用户也可以直接使用 PyPI 的预编译 wheels（推荐）

pip install ffvoice

编译

标准编译:

*Linux/macOS*:

mkdir build && cd build

cmake .. -DCMAKE_BUILD_TYPE=Release make -j$(nproc)

*Windows*:

mkdir build

cd build cmake .. -DCMAKE_BUILD_TYPE=Release -DCMAKE_TOOLCHAIN_FILE=C:\vcpkg\scripts\buildsystems\vcpkg.cmake cmake --build . --config Release

启用 RNNoise 降噪 (推荐，自动下载):

*Linux/macOS*:

mkdir build && cd build

cmake .. -DCMAKE_BUILD_TYPE=Release -DENABLE_RNNOISE=ON make -j$(nproc)

RNNoise 库会通过 CMake FetchContent 自动下载和编译

*Windows*:

# 注意：Windows 版本禁用 RNNoise（MSVC 不支持 VLA）

使用其他音频处理选项替代

启用 Whisper 语音识别 (推荐，自动下载):

*Linux/macOS*:

mkdir build && cd build

cmake .. -DCMAKE_BUILD_TYPE=Release -DENABLE_WHISPER=ON make -j$(nproc)

whisper.cpp 和 tiny 模型（39MB）会自动下载

*Windows*:

mkdir build

cd build cmake .. -DCMAKE_BUILD_TYPE=Release -DENABLE_WHISPER=ON -DCMAKE_TOOLCHAIN_FILE=C:\vcpkg\scripts\buildsystems\vcpkg.cmake cmake --build . --config Release

启用所有可选功能 (Linux/macOS):

cmake .. -DCMAKE_BUILD_TYPE=Release \

-DENABLE_RNNOISE=ON \ -DENABLE_WHISPER=ON make -j$(nproc)

使用

注意:

- Linux/macOS: 使用 ./build/ffvoice

- Windows: 使用 .\build\Release\ffvoice.exe

# 查看帮助

./build/ffvoice --help

生成测试 WAV 文件（440Hz A4 音符，3秒）

./build/ffvoice --test-wav test.wav

列出可用音频设备

./build/ffvoice --list-devices

录制 10 秒 WAV 音频（默认格式）

./build/ffvoice --record -o recording.wav -t 10

录制 30 秒 FLAC 音频（无损压缩）

./build/ffvoice --record -o recording.flac -t 30

使用最大压缩级别录制 FLAC

./build/ffvoice --record -o recording.flac --compression 8 -t 60

选择特定设备录制立体声

./build/ffvoice --record -d 1 -o stereo.wav --channels 2 -t 20

启用音频处理（音量归一化 + 高通滤波）

./build/ffvoice --record -o clean.wav --enable-processing -t 10

仅启用音量归一化

./build/ffvoice --record -o normalized.wav --normalize -t 10

自定义高通滤波频率（去除 100Hz 以下噪声）

./build/ffvoice --record -o filtered.flac --highpass 100 -t 20

组合：FLAC + 音频处理

./build/ffvoice --record -o studio.flac --normalize --highpass 80 -t 30

RNNoise 深度学习降噪（推荐用于语音录制，仅 Linux/macOS）

./build/ffvoice --record -o clean.wav --rnnoise -t 10

完整处理链（高通 + RNNoise + 归一化，仅 Linux/macOS）

./build/ffvoice --record -o studio.flac --highpass 80 --rnnoise --normalize -t 30

RNNoise + VAD (实验性，仅 Linux/macOS)

./build/ffvoice --record -o vad.wav --rnnoise-vad -t 20

播放录音

afplay recording.wav # 或 recording.flac

==================== 语音识别（需启用 ENABLE_WHISPER） ====================

转写音频文件为纯文本

./build/ffvoice --transcribe recording.wav -o transcript.txt

生成 SRT 字幕文件

./build/ffvoice --transcribe recording.wav --format srt -o subtitles.srt

生成 VTT 字幕文件

./build/ffvoice --transcribe recording.wav --format vtt -o subtitles.vtt

生成 JSON 转写文件（含分段级与词级时间戳）

./build/ffvoice --transcribe recording.wav --format json -o transcript.json

指定语言（中文）

./build/ffvoice --transcribe recording.wav --language zh -o transcript_zh.txt

转写 FLAC 文件

./build/ffvoice --transcribe recording.flac --format srt -o subtitles.srt

完整工作流：录制 + 音频处理 + 转写

./build/ffvoice --record -o speech.flac --highpass 80 --rnnoise --normalize -t 30 ./build/ffvoice --transcribe speech.flac --format srt -o speech.srt

==================== 实时语音识别（需启用 ENABLE_RNNOISE 和 ENABLE_WHISPER） ====================

边录边转写（实时模式）

./build/ffvoice --record -o speech.wav --rnnoise-vad --transcribe-live -t 60

实时转写 + 音频处理

./build/ffvoice --record -o speech.flac --rnnoise-vad --transcribe-live --highpass 80 --normalize -t 120

==================== 实时字幕流（需启用 ENABLE_WHISPER；LiveCaptioner） ====================

边说边出字幕：partial 字幕实时刷新，final 字幕断句落定

./build/ffvoice --record -o talk.wav --live-captions -t 60

调整 partial 字幕刷新间隔（毫秒）

./build/ffvoice --record -o talk.wav --live-captions --partial-interval 300 -t 60

==================== 说话人分离（需 -DENABLE_DIARIZATION=ON 构建） ====================

转写并标注说话人：每段带 speaker_id

冒頭だけを表示しています。続きはリポジトリで読めます

Ffvoice

概要

PopNx MCPの3つの柱

できること

インストール

インストールの前に

できること

基本チェックi

作者とリポジトリが一致

今もメンテナンスされている

ライセンスがある

エンドポイントが応答する

OAuthでサインイン

ツールの説明に隠れた指示がない

デザイン・画像・音声のほかのサーバーとの比較i

よくある質問

代わりの候補

Figma Context MCP

Claude Real Video

Figma MCP Server

作者のREADME

ffvoice-engine

Why ffvoice? / 为什么用 ffvoice？

Pain points it addresses / 解决的痛点

What ffvoice does NOT do / 不做什么

📋 项目介绍

🎯 使用场景

✨ 核心优势

💡 技术亮点

核心特性

🏗️ 当前状态 (v0.8.3)

🚀 快速开始

依赖

1. 克隆 vcpkg（如果还没有）

2. 安装依赖包

3. 设置环境变量（用于 CMake）

注意：Windows 用户也可以直接使用 PyPI 的预编译 wheels（推荐）

pip install ffvoice

编译

RNNoise 库会通过 CMake FetchContent 自动下载和编译

使用其他音频处理选项替代

whisper.cpp 和 tiny 模型（39MB）会自动下载

使用

生成测试 WAV 文件（440Hz A4 音符，3秒）

列出可用音频设备

录制 10 秒 WAV 音频（默认格式）

录制 30 秒 FLAC 音频（无损压缩）

使用最大压缩级别录制 FLAC

选择特定设备录制立体声

启用音频处理（音量归一化 + 高通滤波）

仅启用音量归一化

自定义高通滤波频率（去除 100Hz 以下噪声）

组合：FLAC + 音频处理

RNNoise 深度学习降噪（推荐用于语音录制，仅 Linux/macOS）

完整处理链（高通 + RNNoise + 归一化，仅 Linux/macOS）

RNNoise + VAD (实验性，仅 Linux/macOS)

播放录音

==================== 语音识别（需启用 ENABLE_WHISPER） ====================

转写音频文件为纯文本

生成 SRT 字幕文件

生成 VTT 字幕文件

生成 JSON 转写文件（含分段级与词级时间戳）

指定语言（中文）

转写 FLAC 文件

完整工作流：录制 + 音频处理 + 转写

==================== 实时语音识别（需启用 ENABLE_RNNOISE 和 ENABLE_WHISPER） ====================

边录边转写（实时模式）

实时转写 + 音频处理

==================== 实时字幕流（需启用 ENABLE_WHISPER；LiveCaptioner） ====================

边说边出字幕：partial 字幕实时刷新，final 字幕断句落定

调整 partial 字幕刷新间隔（毫秒）

==================== 说话人分离（需 -DENABLE_DIARIZATION=ON 构建） ====================

转写并标注说话人：每段带 speaker_id