chicogong/ffvoice-engine

Was macht ffvoice-engine?

Offline-Spracherkennung & Sprecherdiarisierung für KI-Agenten – Whisper ASR + MCP-Server + CLI + Python-Bindungen, komplett auf dem Gerät, keine Cloud | 离线语音识别与说话人分离,Agent 开箱即用

Überblick

Das ffvoice-engine ist eine vollständig lokale Lösung für Spracherkennung (ASR) und Sprecherdiarisierung. Es verwandelt Audio in Text und identifiziert, wer wann spricht – alles offline, ohne Cloud-Abhängigkeit.

Funktionen

• Whisper ASR: Hochpräzise Spracherkennung mit dem trainierten Whisper-Modell
• Sprecherdiarisierung: Automatische Erkennung und Trennung verschiedener Sprecher im Audiostream
• MCP-Server: Nahtlose Integration mit KI-Agenten über das Model Context Protocol (z. B. Claude Code, Cursor)
• CLI: Befehlszeilenschnittstelle für Batch-Transkription und Diarisierung
• Python-Bindungen: Direkte Nutzung als Python-Modul für benutzerdefinierte Workflows
• Datenschutz: Keine Daten verlassen das Gerät – keine Cloud, keine Latenz, keine Abhängigkeiten

Schnellstart

Installation

pip install ffvoice-engine

CLI-Nutzung

Transkribieren einer Audiodatei mit Sprechererkennung:

ffvoice-engine transcribe --audio pfad/zur/datei.mp3 --diarize

MCP-Server starten

ffvoice-engine mcp-server

Standardmäßig läuft der Server auf http://localhost:8765. Verbinde deinen KI-Agenten (wie Claude Code) durch Konfiguration des MCP-Endpunkts.

Python-Nutzung

from ffvoice_engine import transcribe_with_diarization

ergebnis = transcribe_with_diarization("meeting.mp3")
for segment in ergebnis.segments:
    print(f"Sprecher {segment.speaker}: {segment.text}")

Integration mit KI-Agenten

MCP-Konfiguration (Beispiel für Claude Code)

Ergänze in deiner claude.json Konfiguration:

{
  "mcpServers": {
    "ffvoice": {
      "command": "ffvoice-engine",
      "args": ["mcp-server"],
      "env": {}
    }
  }
}

Unterstützte Agenten

• Claude Code
• Cursor
• Codex
• Jeder MCP-kompatible KI-Agent

Datenformate

Format	Unterstützt
MP3	✅
WAV	✅
FLAC	✅
OGG	✅
M4A	✅
PCM	✅

Umgebungsvariablen

Variable	Standard	Beschreibung
FFVOICE_MODEL	base	Whisper-Modellgröße (tiny, small, medium, large-v3)
FFVOICE_DEVICE	cpu	Rechengerät (cpu, cuda, mps)
FFVOICE_LANGUAGE	auto	Sprachcode (z. B. de, en, zh)

Hinweise

• Stelle sicher, dass genügend RAM/Speicher für das gewählte Modell vorhanden ist (z. B. 4 GB für base, 10 GB+ für large-v3).
• Diarisierung funktioniert am besten mit klaren, mehrsprecherigen Aufnahmen.
• Für Echtzeitanwendungen empfiehlt sich das tiny-Modell.

Lizenz

MIT – siehe LICENSE für Details.