Nvk Anirudh MCP

MCP音视频

提供方 未标注

音视频 HTTP · 远程 未标注 社区 / 第三方
查看接入方式

全面解析YT To LinkedIn MCP ServerMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器,YT To LinkedIn MCP Server能让AI助手访问实时数据、执行操作,为您提供更智能的工作体验和自动化解决方案。

一句话选型结论

按资料字段整理

Nvk Anirudh MCP 属于音视频类 MCP 服务器,HTTP · 远程,鉴权方式未标注,有可直接复制的远程端点配置。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类音视频 传输方式HTTP · 远程 鉴权未标注 部署方式远程部署
GitHub 星标 未标注 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

音视频
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

安装与配置

HTTP · 远程 未标注
连远程 HTTPS 端点,通常为 Streamable HTTP
pip install -r requirements.txt

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    确认你的客户端支持远程端点,并拿到服务地址。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
转写与字幕

把音视频转成文字和字幕。

音视频处理

裁剪、转码、拼接素材。

内容分发

把成品发到对应平台。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • 远程端点依赖网络与服务方可用性,注意密钥与调用额度。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在音视频场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Nvk Anirudh MCP当前 未标注 HTTP · 远程 远程部署 有 2026-05-17
Ableton MCP B7b69a6a 16 stdio · 本地进程 本地部署 有 2026-05-17
Mini Max MCP 8 SSE · 服务端推送 远程部署 有 2026-05-18
LocalAI 未标注 stdio · 本地进程 本地部署 有 2026-04-11
Youtube E0eb3510 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Voicemode MCP 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

音视频
字段来自项目仓库与公开索引,中文说明由本站标注
提供方未标注上游标注的维护方 未标注
分类音视频本站按上游分类展示
连接方式HTTP · 远程连远程 HTTPS 端点,通常为 Streamable HTTP
鉴权方式未标注远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型远程部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

4.8 KB
来自项目仓库与上游目录的原文,未做删改

YouTube to LinkedIn MCP Server

A Model Context Protocol (MCP) server that automates generating LinkedIn post drafts from YouTube videos. This server provides high-quality, editable content drafts based on YouTube video transcripts.

Features

  • YouTube Transcript Extraction: Extract transcripts from YouTube videos using video URLs
  • Transcript Summarization: Generate concise summaries of video content using OpenAI GPT
  • LinkedIn Post Generation: Create professional LinkedIn post drafts with customizable tone and style
  • Modular API Design: Clean FastAPI implementation with well-defined endpoints
  • Containerized Deployment: Ready for deployment on Smithery

Setup Instructions

Prerequisites

  • Python 3.8+
  • Docker (for containerized deployment)
  • OpenAI API Key
  • YouTube Data API Key (optional, but recommended for better metadata)

Local Development

  1. Clone the repository:bash git clone <repository-url> cd yt-to-linkedin

  2. Create a virtual environment and install dependencies:bash python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate pip install -r requirements.txt

  3. Create a .env file in the project root with your API keys:OPENAI_API_KEY=your_openai_api_key YOUTUBE_API_KEY=your_youtube_api_key

  4. Run the application:bash uvicorn app.main:app --reload

  5. Access the API documentation at http://localhost:8000/docs

Docker Deployment

  1. Build the Docker image:bash docker build -t yt-to-linkedin-mcp .

  2. Run the container:bash docker run -p 8000:8000 --env-file .env yt-to-linkedin-mcp

Smithery Deployment

  1. Ensure you have the Smithery CLI installed and configured.

  2. Deploy to Smithery:bash smithery deploy

API Endpoints

1. Transcript Extraction

Endpoint: /api/v1/transcript
Method: POST
Description: Extract transcript from a YouTube video

Request Body:```json
{
"youtube_url": "https://www.youtube.com/watch?v=VIDEO_ID",
"language": "en",
"youtube_api_key": "your_youtube_api_key" // Optional, provide your own YouTube API key
}


**Response**:```json
{
  "video_id": "VIDEO_ID",
  "video_title": "Video Title",
  "transcript": "Full transcript text...",
  "language": "en",
  "duration_seconds": 600,
  "channel_name": "Channel Name",
  "error": null
}

2. Transcript Summarization

Endpoint: /api/v1/summarize
Method: POST
Description: Generate a summary from a video transcript

Request Body:```json
{
"transcript": "Video transcript text...",
"video_title": "Video Title",
"tone": "professional",
"audience": "general",
"max_length": 250,
"min_length": 150,
"openai_api_key": "your_openai_api_key" // Optional, provide your own OpenAI API key
}


**Response**:```json
{
  "summary": "Generated summary text...",
  "word_count": 200,
  "key_points": [
    "Key point 1",
    "Key point 2",
    "Key point 3"
  ]
}

3. LinkedIn Post Generation

Endpoint: /api/v1/generate-post
Method: POST
Description: Generate a LinkedIn post from a video summary

Request Body:```json
{
"summary": "Video summary text...",
"video_title": "Video Title",
"video_url": "https://www.youtube.com/watch?v=VIDEO_ID",
"speaker_name": "Speaker Name",
"hashtags": ["ai", "machinelearning"],
"tone": "professional",
"voice": "first_person",
"audience": "technical",
"include_call_to_action": true,
"max_length": 1200,
"openai_api_key": "your_openai_api_key" // Optional, provide your own OpenAI API key
}


**Response**:```json
{
  "post_content": "Generated LinkedIn post content...",
  "character_count": 800,
  "estimated_read_time": "About 1 minute",
  "hashtags_used": ["#ai", "#machinelearning"]
}

4. Output Formatting

Endpoint: /api/v1/output
Method: POST
Description: Format the LinkedIn post for output

Request Body:```json
{
"post_content": "LinkedIn post content...",
"format": "json"
}


**Response**:```json
{
  "content": {
    "post_content": "LinkedIn post content...",
    "character_count": 800
  },
  "format": "json"
}

Environment Variables

Variable Description Required
OPENAI_API_KEY OpenAI API key for summarization and post generation No (can be provided in requests)
YOUTUBE_API_KEY YouTube Data API key for fetching video metadata No (can be provided in requests)
PORT Port to run the server on (default: 8000) No

> Note: While environment variables for API keys are optional (as they can be provided in each request), it's recommended to set them for local development and testing. When deploying to Smithery, users will need to provide their own API keys in the requests.

License

MIT

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
Nvk Anirudh MCP 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Nvk Anirudh MCP 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

Nvk Anirudh MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Nvk Anirudh MCP 需要 API Key 吗?

资料没有标注鉴权方式,是否需要密钥取决于服务本身,接入前按官方文档确认。

Nvk Anirudh MCP 能提供哪些能力?

资料显示能力标签包括 内容生成、Python、自动化。具体工具清单以官方文档为准。

Nvk Anirudh MCP 需要什么运行环境?

运行时为 Python;属于远程端点,不需要在本地装运行时。

Nvk Anirudh MCP 是本地还是远程?

它是远程端点,连服务地址即可。传输方式为HTTP · 远程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。