translate-srt-mcp
SRT字幕ファイルを日本語に翻訳するMCPサーバー。LM Studioの翻訳モデルを使用して高品質な字幕翻訳を提供します。
主な機能
- SRT形式の完全サポート: タイムスタンプを保持したまま翻訳
- チャンクベース処理: 大きなファイルも効率的に処理
- LM Studio統合: ローカルLLMを使用した高品質な翻訳
- エラーハンドリング: 翻訳失敗時の自動リトライと詳細なエラー報告
- 統計情報: 翻訳履歴と使用状況の追跡
- 分析ツール: SRTファイルの検証と詳細分析
- 接続診断: LM Studioの状態確認機能
利用可能なツール
1. translate_srt
字幕を日本語に翻訳します。
# 基本的な使用法
translated = mcp__translate-srt__translate_srt(
srt_content=content
)
# カスタム設定
translated = mcp__translate-srt__translate_srt(
srt_content=content,
model_name="llama-3.2-3b",
chunk_size=500,
preserve_formatting=True
)
2. analyze_srt
SRTファイルの統計情報を分析します。
stats = mcp__translate-srt__analyze_srt(
srt_content=content,
detailed=True # 詳細な分析を含む
)
3. check_lm_studio_status
LM Studioの接続状態を確認します。
status = mcp__translate-srt__check_lm_studio_status(
lm_studio_url="http://localhost:1234",
model_name="llama-3.2-3b"
)
4. preview_srt
字幕のプレビューを生成します。
preview = mcp__translate-srt__preview_srt(
srt_content=content,
num_entries=5,
show_start=True,
show_end=True
)
5. get_server_info
サーバー情報と統計を取得します。
info = mcp__translate-srt__get_server_info()
使用例
MCPクライアントでの実際の使用手順
# 1. LM Studioの状態を確認
status = await check_lm_studio_status()
if not status["api_reachable"]:
print("LM Studioが起動していません")
# 2. SRTファイルを読み込み
srt_content = read_file("movie.srt")
# 3. 分析して内容を確認
analysis = await analyze_srt(srt_content, detailed=True)
print(f"字幕数: {analysis['subtitle_count']}")
print(f"総時間: {analysis['duration_formatted']}")
# 4. プレビュー表示
preview = await preview_srt(srt_content, num_entries=3)
print("最初の3つの字幕:")
for entry in preview["preview_entries"]["start"]:
print(f"{entry['time']}: {entry['text']}")
# 5. 翻訳実行
translated = await translate_srt(
srt_content=srt_content,
model_name="llama-3.2-3b-instruct",
chunk_size=1000
)
# 6. 結果を保存
write_file("movie_ja.srt", translated)
# 7. 統計情報を確認
info = await get_server_info()
print(f"翻訳回数: {info['statistics']['total_translations']}")
print(f"処理文字数: {info['statistics']['total_characters']}")
必要要件
- Python 3.13以上
- LM Studio または OpenAI互換APIサーバー
- uv パッケージマネージャー（推奨）
インストール
方法1: uvx を使用（推奨・最も簡単）
インストール不要！mcp.jsonの設定だけで使用できます。
# テスト実行したい場合
uvx --from git+https://github.com/sumik5/translate-srt-mcp translate-srt-mcp
# 環境変数を設定して実行
LM_STUDIO_URL="http://localhost:1234" \
LM_MODEL_NAME="grapevine-AI/plamo-2-translate-gguf" \
uvx --from git+https://github.com/sumik5/translate-srt-mcp translate-srt-mcp
方法2: ローカルインストール
# リポジトリをクローン
git clone https://github.com/yourusername/translate-srt-mcp.git
cd translate-srt-mcp
# 依存関係をインストール（uvを使用）
uv sync
# または pip を使用
pip install -r requirements.txt
環境変数
# LM StudioのAPI URL (デフォルト: http://localhost:1234/v1)
export LM_STUDIO_URL="http://localhost:1234"
# 使用する翻訳モデル名 (必須)
export LM_MODEL_NAME="llama-3.2-3b-instruct"
# デフォルトのチャンクサイズ (デフォルト: 1000)
export CHUNK_SIZE="1000"
Claude Codeでの設定例
To use this server with the Claude Desktop app, add the following configuration to the "MCP Servers" section of your Claude settings:
"mcpServers": {
"translate-srt": {
"command": "uv",
"args": [
"--directory",
"/path/to/translate-srt-mcp",
"run",
"translate-srt-mcp"
],
"env": {
"LM_STUDIO_URL": "http://localhost:1234",
"LM_MODEL_NAME": "llama-3.2-3b-instruct",
"CHUNK_SIZE": "1000"
}
}
}
MCPクライアントでの使用時のベストプラクティス
-
使用前の準備
- LM Studioを起動し、適切なモデルをロード
check_lm_studio_statusで接続確認
-
大きなファイルの処理
analyze_srtで事前にファイルサイズを確認- 適切な
chunk_sizeを設定（500-2000を推奨）
-
エラー対処
- 接続エラー: LM Studioの起動状態を確認
- モデルエラー: 正しいモデル名を指定
- 翻訳エラー: チャンクサイズを調整
-
品質向上のヒント
- 専門用語が多い場合は小さいチャンクサイズを使用
preserve_formatting=Trueで元の改行を保持- 翻訳後に
preview_srtで結果を確認
Development
Install dependencies:
uv install
For development with auto-reloading:
uv run fastmcp dev translate_srt_mcp.main:mcp
トラブルシューティング
LM Studioに接続できない
# 接続状態を確認
status = await check_lm_studio_status()
print(status["recommendation"])
モデルが見つからない
# 利用可能なモデルを確認
status = await check_lm_studio_status()
print("利用可能なモデル:", status["available_models"])
翻訳が途中で止まる
- チャンクサイズを小さくする（例: 500）
- タイムアウト時間を増やす（translator.pyで設定）
ライセンス
MIT License