autoglmasr — 自动GLM语音识别（AutoGLMSR）

AutoGLM ASR MCP 服务器 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 # 前置依赖：ffmpeg brew install ffmpeg # macOS # 运行 MCP 服务 npx autoglm-asr-mcp MCP 配置 { "mcpServers": { "autoglm-asr": { "command": "npx", "args": ["-y", "autoglm-asr-mcp"], "env": { "AUTOGLM_ASR_API_KEY": "your-api-key" } } } }

核心工具 transcribe_audio 参数 类型 必填 默认值 说明 audio_path string ✅ - 音频文件绝对路径 context_mode 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）

get_audio_info 获取音频文件信息（时长、格式、预估分块数）。

核心实现解析

• 并发调用机制

# 使用 Semaphore 控制并发数 semaphore = asyncio.Semaphore(concurrency) async def transcribe_with_semaphore(chunk: AudioChunk) -> None: async with semaphore: result = await self._transcribe_chunk(chunk, audio_format=audio_format) text_results[chunk.index] = result["text"] # ... # 所有分块并行执行 tasks = [transcribe_with_semaphore(chunk) for chunk in non_silent_chunks] 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

• 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。

• 自动分块

chunks = split_audio_on_silence( audio, max_chunk_duration_ms=self.config.max_chunk_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

• 静音检测 (VAD)

non_silent_chunks = [c for c in chunks if not c.is_silent] skipped_silent = len(chunks) - len(non_silent_chunks) 使用 VAD 检测静音片段 静音块不调用 API，节省费用

• 结果合并

# 按分块顺序合并文本 full_text = "".join(text_results.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 AUTOGLM_ASR_API_KEY 必填 智谱 API Key AUTOGLM_ASR_API_BASE https://open.bigmodel.cn/api/paas/v4/audio/transcriptions API 端点 AUTOGLM_ASR_MODEL glm-asr-2512 ASR 模型 AUTOGLM_ASR_MAX_CHUNK_DURATION 25 每块最大时长（秒） AUTOGLM_ASR_MAX_CONCURRENCY 5 默认并发数 AUTOGLM_ASR_CONTEXT_MAX_CHARS 2000 最大上下文字数 AUTOGLM_ASR_REQUEST_TIMEOUT 60 请求超时（秒） AUTOGLM_ASR_MAX_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） # 短音频 curl --request POST \ --url https://open.bigmodel.cn/api/paas/v4/audio/transcriptions \ --header 'Authorization: Bearer YOUR_API_KEY' \ --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

• 短音频（<30s）：直接调用 API
• 长音频：使用 MCP 服务，自动分块 + 并发
• 高质量需求：用 full_serial 模式
• 快速处理：用 none 模式 + 高并发（10-20）
• 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 AUTOGLM_ASR_API_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 import asyncio import httpx

async def transcribe_chunk(client, chunk_data, api_key): """转录单个音频块""" headers = {"Authorization": f"Bearer {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 transcribe_parallel(chunks, api_key, 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 transcribe_chunk(client, chunk, api_key) 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