MCP-серверы: AI: аудио и речь

Генерация музыки Suno AI, текстов песен и обложек, а также выделение вокала через Ace Data Cloud API.

Единый набор инструментов для генерации и редактирования музыки, изображений, видео и аудио через Suno, Grok Imagine, Seedance, Kling, Hailuo, Wan, VEO, Ideogram и GPT Image 2. Один API-ключ и общий баланс; для первого ключа заявлены бесплатные кредиты без карты.

Определяет, создана ли музыка или другое медиа ИИ (включая Suno и Udio): возвращает вывод, вероятность, уверенность и признаки происхождения Content Credentials/SynthID. Инструмент scan_catalog проверяет целую папку с музыкой.

Сервер MCP, который устанавливает для вас другие серверы MCP.

Pepys расшифровывает аудио, видео и подкасты по файлу или ссылке YouTube/подкаста; поддерживает разделение по говорящим, экспорт SRT/VTT, поиск и проверку баланса. Заявлены 99+ языков и размещённое подключение через OAuth без API-ключа.

Удалённый MCP-сервер Lobby для виртуальной приёмной малого бизнеса. Семь инструментов без авторизации помогают составлять сценарии звонков и IVR на английском и мексиканском испанском, готовить промпты ElevenLabs, оценивать пропущенные звонки и работу администратора, разыгрывать звонок и получать демонстрационный номер.

Инструменты связи для ИИ-агентов: звонки, SMS, факс, перевод на 119 языков, синтез речи и аудиокниг, а также генерация медиа и извлечение данных из документов. Запросы оплачиваются через Lightning L402; регистрация и API-ключи не требуются.

Локальный сервер контекста рабочего стола для ИИ-агентов записывает экран через OCR, голос через Whisper, действия клавиатуры и мыши и буфер обмена. Предоставляет 35 MCP-инструментов для захвата экрана, расшифровки речи, истории действий, семантической памяти и определения проекта; облако не требуется.

Сервер создаёт речь из текста через DAISYS и позволяет воспроизводить и сохранять полученное аудио.

Локальная расшифровка аудио и видео в Windows через whisper.cpp с ускорением Vulkan GPU, без облачных API и Python. Есть пакетная обработка, несколько языков, управление моделями и фоновыми заданиями.

Инструменты ИИ для оценки произношения с обратной связью по фонемам, распознавания речи с определением языка и синтеза речи разными голосами.

Пусть агент говорит что-то вслух, уведомляет вас, когда закончит работу с кратким резюме.

Сервер телефонии MCP для автоматизации голосовых вызовов с преобразованием речи в текст (Speech-to-Text) и распознаванием речи (Speech Recognition), чтобы составлять краткие итоги разговоров. Отправляет и получает SMS, определяет голосовую почту и интегрируется с API Vonage для расширенных сценариев телефонии.

Преобразует запись экрана или локальное видео/аудио в расшифровку Whisper, ключевые кадры, OCR и полнотекстовый индекс. Привязывает реплики к реальному времени для сопоставления с логами; работает без облака и встроенной LLM.

MCP-сервер преобразует текст в речь с помощью открытых моделей Kokoro TTS. MP3 можно сохранить на локальном диске или автоматически загрузить в бакет S3.

LLM может позвонить пользователю и отправлять многоуровневые оповещения через самостоятельно размещаемые компоненты: SIP (pjsua2/Linphone), whisper.cpp для распознавания и macOS say для синтеза речи. Заявлено отсутствие платной телефонии и дополнительного API-ключа для разговора.

Дайте агентам ИИ реальный номер телефона и голос. Делайте исходящие звонки, обрабатывайте входящие звонки, отправляйте электронную почту и управляйте контактами с помощью 26 инструментов MCP.

Получает опубликованные расшифровки подкастов в Markdown с именами участников через Spoken API. Можно искать выпуски, получать текст и проверять баланс.

Supertone TTS API синтезирует речь, ищет голоса в каталоге, показывает предварительный результат, оценивает длительность и стоимость и клонирует голоса. Поддерживает корейский, английский, японский и другие языки.

Эта услуга обеспечивает быструю и надежную транскрипцию аудио/видео файлов и голосовых записок. Она позволяет LLM взаимодействовать с текстовым содержимым аудио/видео файла.

Обработка медиа через более 86 инструментов Robots от Transloadit: кодирование видео (HLS, H.264, VP9), изменение изображений, водяные знаки, умная обрезка, конвертация документов, OCR и расшифровка речи. Доступен размещённый или самостоятельный запуск через npx.

Переводит речь между английским и китайским (путунхуа): Whisper локально распознаёт аудио, Claude API переводит, Piper TTS локально синтезирует речь. На вход подают путь к WAV-файлу.

Плагин MCP для Claude Code синтезирует речь через OpenAI TTS API. Поддерживает шесть голосов, пул обработчиков, защищённое мьютексом воспроизведение и разные платформы.