音视频转文字 MCP 教程：录音、视频链接转文字与 ASR 语音识别
一段会议录音、一集播客、一条课程视频，想把其中的讲话整理成可搜索、可编辑的文字，可以让 AI Agent 调用音视频转文字 MCP：提交文件链接，等待 ASR 语音识别完成，再取得全文和时间戳分段。
哼哼猫 MCP 提供 create_transcription 和 get_transcription 两个工具。你可以在 WorkBuddy、Codex 等 Agent 中直接提出“把这个录音转成文字”，再根据逐字稿整理会议纪要、采访记录或课程笔记。
音视频转文字 MCP 适合哪些场景？
| 场景 | 识别后的用法 |
|---|---|
| 会议录音转文字 | 按说话人保留发言，再整理结论和待办 |
| 采访、多人访谈 | 查看不同说话人的发言及对应时间 |
| 播客、课程视频 | 阅读全文，定位重点，整理学习笔记 |
| MP3 等音频、MP4 等视频文件链接 | 直接识别文件中的语音，省去手动抄写 |
| 外语音视频 | 先取得原语言逐字稿，再让 Agent 翻译 |
| 视频字幕制作 | 根据文字分段和有效时间戳生成 SRT 或 VTT |
据哼哼猫提供的评测结果，其采用评测排名第一的 ASR 模型，识别准确率达 99% 以上；支持 99+ 语言、自动识别语言、说话人识别和时间戳。识别效果与音质、口音及背景声音有关，原文取得后仍可人工核对。
转文字不设固定分钟数上限，单文件最大 1 GiB。具体输入要求见音视频转文字文档。
第一步：连接 MCP，确认文件来源
先按哼哼猫 MCP 接入说明创建 API Key，将 https://api.meowload.net/mcp 加入 Agent，并确认能看到 create_transcription、get_transcription。需要处理本地音频时，再确认 request_file_upload 可用。
接下来选择合适的输入方式：
| 手中的内容 | 操作方式 |
|---|---|
| 能直接下载的音频或带声音的视频链接 | 通过 fileUrl 创建转文字任务 |
| TikTok、小红书等视频分享页面 | 先提取媒体直链，再创建任务 |
| 电脑上的音频文件 | 由 Agent 上传音频，再用 uploadId 创建任务 |
文件直链指访问后可以取得媒体文件的地址。网页分享链接可按视频提取与下载 MCP 教程先调用 extract_post。有对应音频时优先使用音频；媒体带有 headers 时，一并传入下一步的 fileHeaders。
第二步：复制提示词，让音视频文件链接转文字
将下面最后一行换成你的录音、播客或视频文件链接：
请使用哼哼猫 meowload MCP，把下面的音视频文件转成文字。
1. 调用 create_transcription，fileUrl 使用我提供的文件链接。
language 使用 auto，speakerLabels 使用 false。
如果我提供了媒体下载请求头，将它们原样作为 fileHeaders。
2. 保存返回的任务 ID，每 3 秒用 get_transcription 查询同一个任务，
直到 completed 或 failed。
3. 完成后先输出完整逐字稿，再按有效时间戳分段展示。
不根据上下文补写没识别到的内容，存疑词句单独列出。
4. 根据逐字稿整理内容摘要；如果是会议，列出结论和待办。
没有明确提到负责人或期限时，写“未提及”。
文件链接：<粘贴音频或视频文件直链>
会议或多人访谈可以把 speakerLabels 改为 true，要求按说话人展示分段；课程和播客则可以要求整理学习笔记或内容要点。外语内容可再补一句：“先保留原语言全文，再提供中文翻译。”
工具调用时，实际传了哪些参数？
以下地址和任务 ID 均为结构示例。以需要区分说话人的会议录音为例，可以这样调用 create_transcription：
{
"fileUrl": "https://media.example.com/meeting.mp4",
"fileHeaders": { "Referer": "https://example.com/" },
"language": "auto",
"speakerLabels": true
}
来源无需下载请求头时，省略 fileHeaders；需要指定识别语言时，可以把 auto 改为 zh、en 等语言代码。
创建后保存返回的 id，每 3 秒调用一次 get_transcription：
{
"id": "0123456789abcdefghijklmn"
}
status 为 processing 时继续等待，completed 时读取结果，failed 时查看 error。保留这个任务 ID，网络恢复后可以继续查询。
| 结果字段 | 内容 |
|---|---|
result.text |
识别出的完整文字 |
result.segments |
分段文字、起止时间和可用的说话人标记 |
start、end |
时间单位为秒，用来回到录音中的对应位置 |
speaker |
开启说话人识别后，用于区分发言者的标记 |
说话人标记可以帮助区分发言。整理正式纪要时，再结合上下文或你提供的信息补充姓名。生成字幕前，先检查分段时间是否有效；缺少时间的段落保留序号即可。
本地录音怎么交给 MCP？
让具备本地文件读取和 HTTP 上传能力的 Agent 处理音频，可以直接使用这段提示词：
请把本地音频 <文件路径> 转成文字：
1. 读取文件大小，计算整个文件的 SHA-256。
2. 调用 request_file_upload，mediaType 填 audio，
sizeBytes 填实际字节数，sha256 填计算结果。
3. 如果返回 upload，用 upload.url 和全部 upload.headers，
以 PUT 上传原始文件内容，等待成功后继续；不附加 API Key。
如果 upload 为 null，直接使用返回的 uploadId。
4. 用 uploadId、language:auto、speakerLabels:true
调用 create_transcription，再每 3 秒查询同一个任务 ID。
5. 输出逐字稿、说话人分段和内容摘要。
本地音频上传后用 uploadId 创建任务，媒体直链则用 fileUrl。本地视频可以先提取音轨，再按音频流程上传；已有可访问的视频文件链接时，直接提交链接即可。上传步骤见文件上传说明。
常见问题
视频没有字幕，也能转成文字吗？
可以对视频中的声音进行 ASR 识别，无需先有字幕。要使用包含音轨的视频文件；如果来源把画面和声音分开返回，选择对应音频。
为什么创建之后没有立即返回全文？
识别在后台完成，创建工具先返回任务 ID。让 Agent 持续查询这个 ID，完成后再整理文字。
能直接生成会议纪要或播客文章吗？
可以在取得全文后，让 Agent 根据文字继续整理。建议保留逐字稿和时间位置，便于核对结论、遗漏和专有名词。
我只有视频平台的分享链接，该从哪里开始？
先提取可用媒体，再识别语音。完整操作和可复制提示词可看从 1000+ 网站视频链接提取文案。