# mcp/asr — 语音识别服务 一个容器,两个入口,共用同一套转写实现: | 入口 | 谁在用 | 说明 | |---|---|---| | `POST /transcribe` | `agent-core` 的 `/api/asr/transcribe`(H5 输入框) | 普通 HTTP,音频二进制进、`{text}` 出。**不经过模型、不消耗 token、1~3s** | | `POST /mcp` | 模型(MCP 工具 `transcribe_audio`) | 转写任务目录里已有的音频,参数是公网 URL(与 `video_task` 的 `image_url` 同构) | | `GET /health` | compose healthcheck | `{ok, model, configured}` | 端口 `3000` **只在 `agent-mcp-net` 内网**,不映射宿主机——本服务自身没有鉴权,暴露即被白嫖。 对外唯一入口仍是 `agent-core`(`/api/asr` 走登录态鉴权)。 ## 为什么不是「录音 → 上传附件 → 模型调工具」 那要额外一次完整模型往返(3~10s + token),识别结果落进聊天记录而不是输入框,用户还没法改错字。 输入法级别的功能必须绕开模型;`/mcp` 那个口只留给「转写一段已上传的录音」这种低频需求。 ## 部署 ```bash # 1) 配上游密钥(写进仓库根 .env,已 gitignore) # ASR_API_KEY=你的智谱 token # 2) 起服务 docker compose up -d --build mcp_asr docker compose restart agent-core # core 要在启动时读到 ASR_URL curl -s http://127.0.0.1:8090/api/asr/status # {"enabled":true,...} ``` `agent-core` 的环境变量 `ASR_URL`(compose 里固定为 `http://mcp_asr:3000`)是开关:置空即 不启用,`/api/asr/*` 回 503,前端不显示麦克风按钮。 ## 上游 任何 OpenAI 兼容的 `/audio/transcriptions` 都能用;默认智谱: | 变量 | 默认 | |---|---| | `ASR_API_BASE` | `https://open.bigmodel.cn/api/paas/v4` | | `ASR_API_KEY` | 空(空则 `/transcribe` 回 503) | | `ASR_MODEL` | `glm-asr` | 常驻内存约 35~40MB,CPU 基本为 0。没有本地模型可选:2 vCPU / 2GB 的机器跑不动能用的 whisper(固定 30 秒窗口,`small` 单次要 15~30 秒),需要私有化就把这个容器放到另一台机器, 只改 core 的 `ASR_URL` 指向它。 ## HTTP 接口 ```bash # 任意格式(webm / mp4 / mp3 / wav / ogg / aac / flac),服务端用 ffmpeg 归一化 curl -s -X POST http://mcp_asr:3000/transcribe \ -H 'Content-Type: audio/webm' \ --data-binary @voice.webm # → {"text":"打开今天的日报","ms":842,"model":"glm-asr"} ``` - 上限 20MB;超过 `ASR_MAX_CHUNK_SEC`(默认 25s)的音频自动切片后逐段识别再拼接 (多数云端 ASR 单次只吃 ~30s)。 - 同时最多 `ASR_MAX_CONCURRENT`(默认 2)个转写,超了回 429。 ## MCP 工具 ```yaml # config.yml mcp_servers: - name: asr url: "http://mcp_asr:3000/mcp" mode: skill # 低频能力,别每轮都发 schema ``` `transcribe_audio({ url })`:本地文件先用内置工具 `mint_public_link` 换成公网短链, 再把链接传进来(和 `video_task` 要 `image_url` 是同一套路)。 ## 环境变量速查 | 变量 | 默认 | 说明 | |---|---|---| | `ASR_API_BASE` / `ASR_API_KEY` / `ASR_MODEL` | 见上 | 上游语音识别 | | `ASR_MAX_BYTES` | 20971520 | 单次上传上限 | | `ASR_MAX_CHUNK_SEC` | `25` | 超长音频切片长度,`0` = 不切 | | `ASR_MAX_CONCURRENT` | `2` | 并发转写数 | | `ASR_LOG_LEVEL` | `info` | debug / info / warn / error / none | ## 客户端怎么录音 浏览器侧只有 HTTPS 才允许开麦;**Android 套壳 App 用原生录音再把 base64 交给页面**, http 页面也能用。桥的契约与 Kotlin 示例见 [docs/voice-input.md](../../docs/voice-input.md)。