MiniMax-MCP
MiniMax-MCP 是 MiniMax 官方推出的模型上下文协议(MCP)服务器,旨在为开发者提供一套标准化的接口,轻松调用 MiniMax 强大的多模态生成能力。通过它,用户可以便捷地接入高质量的文本转语音、图像生成以及视频生成 API,将复杂的模型调用过程简化为统一的协议交互。
这一工具主要解决了不同 AI 服务之间接口标准不一、集成成本高的问题。以往开发者需要针对每种能力编写独立的适配代码,而 MiniMax-MCP 通过遵循通用的 MCP 标准,让各类应用能够像“插拔电源”一样快速连接 MiniMax 的生成模型,大幅降低了开发门槛和维护复杂度。
MiniMax-MCP 特别适合软件开发者、AI 应用构建者以及希望在自己的产品中嵌入多模态功能的技术团队使用。无论是打造智能助手、内容创作平台,还是探索交互式多媒体应用,都能从中获益。其核心亮点在于对 MCP 协议的原生支持,这不仅意味着更流畅的工具链整合,也为未来接入更多 MiniMax 模型预留了灵活扩展的空间,让创新想法能更快地转化为现实应用。
使用场景
一位独立开发者正在构建一个自动化短视频生成助手,旨在将新闻文本自动转化为包含解说配音、配图和动态片头的完整视频。
没有 MiniMax-MCP 时
- 接口调用繁琐:开发者需要分别阅读文本转语音、图像生成和视频生成三份独立的 API 文档,手动编写大量胶水代码来处理鉴权和请求格式。
- 工作流断裂:不同模态的数据(音频文件、图片 URL)需要在本地临时存储并手动传递,导致代码逻辑支离破碎,难以维护。
- 调试效率低下:一旦某个环节(如视频合成)失败,很难快速定位是参数错误还是网络问题,缺乏统一的上下文监控。
- 扩展性差:若想更换模型版本或调整生成参数,必须修改多处硬编码配置,极易引入新 Bug。
使用 MiniMax-MCP 后
- 统一交互协议:通过标准的 MCP 协议,开发者只需一次配置即可让 AI 代理直接调用 MiniMax 的文本转语音、图像及视频生成能力,无需重复造轮子。
- 流程自动化闭环:AI 代理能自动串联“写脚本→生配音→绘插图→剪视频”的全流程,中间数据在上下文中无缝流转,无需本地文件中转。
- 智能错误处理:当生成任务受阻时,MiniMax-MCP 能基于上下文自动重试或调整参数,大幅降低了人工干预频率。
- 敏捷迭代开发:新增功能仅需更新 MCP 配置描述,底层 API 变更对上层业务逻辑透明,显著提升了开发速度。
MiniMax-MCP 通过将多模态生成能力标准化为统一接口,让开发者从复杂的 API 集成中解放出来,专注于创意逻辑的实现。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始

官方 MiniMax 模型上下文协议(MCP)服务器,支持与强大的文本转语音以及视频/图像生成 API 进行交互。该服务器允许 MCP 客户端,如 Claude Desktop、Cursor、Windsurf、OpenAI Agents 等,进行语音生成、声音克隆、视频生成、图像生成等操作。
文档
- 中文文档
- MiniMax-MCP-JS - MiniMax MCP 的官方 JavaScript 实现
使用 MCP 客户端快速入门
- 从 MiniMax 获取您的 API 密钥。
- 安装
uv(Python 包管理器),可通过curl -LsSf https://astral.sh/uv/install.sh | sh命令安装,或参阅uv的 仓库 以获取其他安装方法。 - 重要提示:API 主机和密钥因地区而异,必须匹配;否则,您将收到“无效的 API 密钥”错误。
| 地区 | 全球 | 中国大陆 |
|---|---|---|
| MINIMAX_API_KEY | 从 MiniMax 全球 获取 | 从 MiniMax 获取 |
| MINIMAX_API_HOST | https://api.minimax.io | https://api.minimaxi.com |
Claude Desktop
前往 Claude > 设置 > 开发者 > 编辑配置 > claude_desktop_config.json,添加以下内容:
{
"mcpServers": {
"MiniMax": {
"command": "uvx",
"args": [
"minimax-mcp",
"-y"
],
"env": {
"MINIMAX_API_KEY": "在此处插入您的API密钥",
"MINIMAX_MCP_BASE_PATH": "本地输出目录路径,例如 /User/xxx/Desktop",
"MINIMAX_API_HOST": "API主机地址,https://api.minimax.io 或 https://api.minimaxi.com",
"MINIMAX_API_RESOURCE_MODE": "可选,[url|local],默认为url,音频/图片/视频可以下载到本地或以URL形式提供"
}
}
}
}
⚠️ 注意:API密钥必须与主机匹配。如果出现“API错误:无效的API密钥”提示,请检查您的API主机:
- 全球主机:
https://api.minimax.io - 中国大陆主机:
https://api.minimaxi.com
如果您使用的是Windows系统,需要在Claude Desktop中启用“开发者模式”才能使用MCP服务器。请单击左上角汉堡菜单中的“帮助”,然后选择“启用开发者模式”。
Cursor
前往 Cursor -> 首选项 -> Cursor设置 -> MCP -> 添加新的全局MCP服务器,添加上述配置。
完成以上步骤后,您的MCP客户端即可通过这些工具与MiniMax进行交互:
传输方式
我们支持两种传输方式:stdio 和 sse。
| stdio | SSE |
|---|---|
| 在本地运行 | 可以部署在本地或云端 |
通过 stdout 进行通信 |
通过 网络 进行通信 |
输入:支持处理 本地文件 或有效的 URL 资源 |
输入:在云端部署时,建议使用 URL 作为输入 |
可用工具
| 工具 | 描述 |
|---|---|
text_to_audio |
将文本转换为指定语音的音频 |
list_voices |
列出所有可用的语音 |
voice_clone |
使用提供的音频文件克隆语音 |
generate_video |
根据提示生成视频 |
text_to_image |
根据提示生成图像 |
query_video_generation |
查询视频生成任务的结果 |
music_generation |
根据提示和歌词生成音乐曲目 |
voice_design |
使用预览文本根据提示生成语音 |
发布说明
2025年7月2日
🆕 新功能
- Voice Design:新增
voice_design工具——通过描述性提示和预览音频创建自定义语音 - 视频增强:新增
MiniMax-Hailuo-02模型,具有超清晰画质,并可控制时长和分辨率 - 音乐生成:由
music-1.5模型驱动的music_generation工具得到增强
📈 功能提升
voice_design——根据文本描述生成个性化语音generate_video——现支持 MiniMax-Hailuo-02 模型,提供6秒/10秒时长及768P/1080P分辨率选项music_generation——基于 music-1.5 模型实现高质量音乐创作
常见问题解答
1. API密钥无效
请确保您的API密钥和API主机在地域上一致:
| 地区 | 全球 | 中国大陆 |
|---|---|---|
| MINIMAX_API_KEY | 从 MiniMax Global 获取 | 从 MiniMax 获取 |
| MINIMAX_API_HOST | https://api.minimax.io | https://api.minimaxi.com |
2. spawn uvx ENOENT
请通过在终端中运行以下命令确认其绝对路径:
which uvx
获取绝对路径后(例如 /usr/local/bin/uvx),请更新您的配置以使用该路径(例如 "command": "/usr/local/bin/uvx")。
3. 如何以异步模式使用 generate_video
在开始之前定义完成规则:
或者,您也可以在IDE设置中配置这些规则(例如 Cursor):

使用示例
⚠️ 注意:使用这些工具可能会产生费用。
1. 播报一段晚间新闻
2. 克隆一种语音
3. 生成一段视频
4. 生成图像

常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。