ขอแนะนำ stemsplit-mcp: แยกสเต็มด้วย AI ใน Claude Desktop, Cursor, Cline, Windsurf และ Zed ผ่าน Model Context Protocol (2026)

TL;DR. เราเพิ่งปล่อย stemsplit-mcp — เซิร์ฟเวอร์ Model Context Protocol อย่างเป็นทางการของ StemSplit ติดตั้งครั้งเดียวด้วย npx ชี้ผู้ช่วย AI ของคุณมาที่เซิร์ฟเวอร์นี้ แล้วคุณก็สั่งลบเสียงร้อง สร้างคาราโอเกะ ดึงแบ็คกิ้ง และแยกสเต็มแบบ 4 หรือ 6 สเต็มได้ โดยตรงจากแชต ทั้งกับไฟล์เสียงในเครื่อง และ URL ของ YouTube ใช้งานได้ใน Claude Desktop, Cursor, Cline, Windsurf, Zed และไคลเอนต์อื่นที่รองรับ MCP ภายใต้ลิขสิทธิ์ MIT โอเพ่นซอร์สบน GitHub ไม่ต้องดูแลโครงสร้างพื้นฐานเอง

รูปร่างของเวิร์กโฟลว์ AI จะเปลี่ยนเมื่อการแยกสเต็มเลิกเป็น "API ที่เรียกผ่าน curl จากสคริปต์" แล้วกลายเป็น "สิ่งที่แชตของฉันทำได้อยู่แล้ว" บทความนี้บอกวิธีและเหตุผล

---

สิ่งที่เพิ่งออกมา

stemsplit-mcp v0.2.0 บน npm ใช้ได้ด้วยคำสั่งเดียว:

npx -y stemsplit-mcp

เซิร์ฟเวอร์พูด Model Context Protocol — มาตรฐานเปิดที่ Anthropic เปิดตัวเมื่อปลายปี 2024 เพื่อให้ผู้ช่วย AI คุยกับเครื่องมือภายนอกผ่านอินเทอร์เฟซ JSON-RPC แบบเดียวกัน ปัจจุบัน MCP รองรับโดย Claude Desktop, Cursor, Cline, Windsurf, Zed, OpenDevin, Goose และไคลเอนต์อื่นที่กำลังเพิ่มขึ้นต่อเนื่อง

สิ่งที่มันเปิดให้ใช้:

พ่วงด้วย resource 4 ตัว (ยอดคงเหลือสด, งานล่าสุด, รายละเอียดงาน, รายละเอียดงาน YouTube) และ prompt 4 ตัว (เครื่องมือสร้างคาราโอเกะ, ตัวแยกเสียงร้อง, ชุด sampler 6 สเต็ม, แบ็คกิ้งจาก YouTube) ดู reference เต็มได้ที่ GitHub README

กรณีใช้งานหลัก: โยน path หรือ URL ของ YouTube เข้าไปในแชต รับสเต็มกลับมา ไม่ต้องวาง pipeline HTTP ไม่ต้องเขียน polling ไม่ต้องเก็บกวาดไฟล์ชั่วคราว

---

ทำไม MCP จึงเหมาะกับเสียง

ถ้าเคยอินทิเกรต API แยกสเต็มมาก่อน — ของเราหรือของใครก็ตาม — คุณรู้จักท่ารำนี้:

POST /jobs            → คืน job_id
GET  /jobs/:id        → poll ทุก 5 วินาทีจนกระทั่ง status=COMPLETED
GET  presigned_url    → ดาวน์โหลดสเต็มแต่ละไฟล์ลงดิสก์

สาม endpoint, หนึ่งลูป polling, URL หมดอายุ, ลอจิก retry สำหรับ 5xx ชั่วคราว ทุกทีมที่อินทิเกรตเสียงเขียนโค้ดเดิมซ้ำ MCP รวบเรื่องนี้ไว้ในตัวมัน

เคล็ดลับคือ: ไฟล์เสียงไม่เดินผ่าน context ของแชต ใหญ่เกินไป แทนที่จะส่งไฟล์ MCP แลกเปลี่ยน การอ้างอิง — path ของไฟล์และ URL — ขณะที่ไบต์จริงไหลตรงระหว่างเครื่องของคุณ, API ของ StemSplit และ Cloudflare R2 LLM จะเห็นแค่:

• "สเต็มเสียงร้องอยู่ที่ ~/Downloads/stemsplit/job_abc123/vocals.mp3"

แล้วนำไปต่อเข้าเครื่องมือถัดไป (ถอดเสียง, normalize, อัปโหลดเข้าโปรเจกต์ DAW อะไรก็ได้) LLM ไม่จำเป็นต้องอ่านไฟล์ MP3 ขนาด 30 MB ด้วยตัวเองเลย

นี่คือเหตุผลที่เซิร์ฟเวอร์ MCP นี้ทำงานได้กับ LLM แบบโลคอลและโมเดล context สั้น โปรโตคอลถูกออกแบบมาเพื่อรูปแบบ "ทำงานหนักบนเครื่องของคุณแล้วคืนเฉพาะ reference" โดยตรง

---

ติดตั้งในไม่ถึง 2 นาที

ต้องการสามอย่าง:

1. Node.js 20+ (ตรวจด้วย node --version)
2. API key ของ StemSplit — สร้างที่ stemsplit.io/app/settings/api
3. ไคลเอนต์ที่รองรับ MCP — ดูการตั้งค่าตามไคลเอนต์ด้านล่าง

จริง ๆ ไม่จำเป็นต้องลงแพ็กเกจ npm — ไคลเอนต์ส่วนใหญ่จะรันด้วย npx -y stemsplit-mcp แล้ว cache ครั้งแรก ถ้าชอบลงทั่วระบบ: npm install -g stemsplit-mcp

Claude Desktop

แก้ ~/Library/Application Support/Claude/claude_desktop_config.json (macOS) หรือ %APPDATA%\Claude\claude_desktop_config.json (Windows):

{
  "mcpServers": {
    "stemsplit": {
      "command": "npx",
      "args": ["-y", "stemsplit-mcp"],
      "env": {
        "STEMSPLIT_API_KEY": "sk_live_..."
      }
    }
  }
}

รีสตาร์ต Claude เครื่องหมาย MCP ที่แถบล่างจะแสดง "stemsplit" พร้อมจุดสีเขียวเมื่อพร้อมใช้งาน

Cursor

เพิ่มลงใน ~/.cursor/mcp.json (หรือใช้ Settings → MCP):

{
  "mcpServers": {
    "stemsplit": {
      "command": "npx",
      "args": ["-y", "stemsplit-mcp"],
      "env": { "STEMSPLIT_API_KEY": "sk_live_..." }
    }
  }
}

Cline (VS Code), Windsurf, Zed

โครงสร้างเดียวกัน — command, args, env ดู snippet เต็มต่อไคลเอนต์ใน คู่มือ docs

---

หน้าตาเวลาใช้จริง

เมื่อตั้งค่าเสร็จ workflow ก็เหลือเพียงพูดคุย ตัวอย่างที่เราใช้กันเอง:

ลบเสียงร้องจากไฟล์ในเครื่อง

"ทำเวอร์ชันคาราโอเกะของ /Users/me/Music/song.mp3 ให้หน่อย"

LLM เลือก separate_stems ด้วย outputType=BOTH เซิร์ฟเวอร์อัปโหลดไฟล์ poll จนเสร็จ ดาวน์โหลดเสียงร้อง + แบ็คกิ้งไปที่ ~/Downloads/stemsplit/<job-id>/ แล้วส่ง path ในเครื่องกลับให้ผู้ช่วย ผู้ช่วยจะชี้ให้คุณไปที่แบ็คกิ้ง

YouTube → acapella ด้วย prompt เดียว

"ดึงเสียงร้องเคลียร์ ๆ จาก https://youtu.be/dQw4w9WgXcQ"

เลือก separate_youtube StemSplit ดาวน์โหลดวิดีโอที่ฝั่งเซิร์ฟเวอร์ ทำการแยกสเต็ม แล้วคืน path ของสเต็มเสียงร้องกลับ ไม่ต้องใช้ yt-dlp ไม่ต้องเล่นเกม rate-limit

6 สเต็มสำหรับ sampling

"แบ่ง ~/Music/funk-bass.wav ออกเป็น 6 สเต็มที่คุณภาพดีที่สุด"

เลือก separate_stems กับ outputType=SIX_STEMS และ quality=BEST คุณจะได้ drums, bass, vocals, other, piano และ guitar เป็นไฟล์แยกแต่ละสเต็ม

เช็คก่อนเริ่ม

"เหลือกี่นาที?"

เลือก get_balance มีประโยชน์ก่อนเริ่มงานยาว ๆ

---

ภายในกล่องมีอะไร

การตัดสินใจทางเทคนิคที่จะเริ่มเห็นผลเมื่อคุณพึ่งพาเซิร์ฟเวอร์จริง ๆ:

Retry อัตโนมัติแบบ exponential backoff + jitter

เมื่อก่อน 502 เพียงครั้งเดียวระหว่าง polling 10 นาทีก็พอจะล้มงานทั้งงาน ตอนนี้:

• คำขอ GET จะ retry ได้สูงสุด 4 ครั้ง สำหรับเครือข่ายล่ม, 5xx, และ 429 (เคารพ Retry-After)
• POST ไปยัง endpoint สร้างงานเป็นแบบอนุรักษ์นิยม — เฉพาะ network error ที่ พิสูจน์ได้ว่าเซิร์ฟเวอร์ไม่ได้รับ request เท่านั้นที่จะ retry จะได้ไม่ถูกหักเงินสองรอบโดยไม่ได้ตั้งใจ
• อัปโหลดไป R2 retry สูงสุด 3 ครั้ง โดยเปิดไฟล์เป็นสตรีมใหม่ทุกครั้ง (ReadableStream ฝั่งเว็บย้อนกลับไม่ได้)
• ดาวน์โหลดจาก R2 retry กับ 5xx แต่ไม่ retry กับ 403 — 403 หมายถึง presigned URL หมดอายุ ทางที่ถูกคือขอ URL ใหม่ผ่าน get_job

ทุก retry จะถูก log ไปที่ stderr เพื่อให้เห็นกลไกทำงานเวลาเกิดปัญหา

ตรวจสอบ path แบบสัมบูรณ์

path สัมพัทธ์อย่าง song.mp3 แต่ก่อนจะถูกแปลงเทียบกับ working directory ของเซิร์ฟเวอร์ MCP เงียบ ๆ — สำหรับ Claude Desktop และ Cursor มักเป็น root ของระบบที่ LLM ไม่มีทางรู้ ตอนนี้เราปฏิเสธ path สัมพัทธ์ตั้งแต่ต้นด้วยข้อความที่บอก LLM ตรง ๆ ว่าให้ทำอะไรต่อ: "ส่ง path สัมบูรณ์อย่าง /Users/you/Music/song.mp3 หรือ path แบบ tilde อย่าง ~/Music/song.mp3 ถ้าไม่ทราบให้ถามผู้ใช้"

ข้อความ error แบบมีโครงสร้าง

error ทุกตัวมี code ที่เครื่องอ่านได้ (INSUFFICIENT_CREDITS, RATE_LIMIT_EXCEEDED, FILE_TOO_LARGE, UNSUPPORTED_FORMAT ฯลฯ) พร้อมข้อความสำหรับมนุษย์และคำแนะนำสำหรับเคสยอดนิยม LLM ไม่ต้องอ่านภาษาอังกฤษเพื่อเดาว่าผิดพลาดอะไร

การแจ้งความคืบหน้า

การ poll จะถูกส่งต่อเป็น progress event ของ MCP งาน YouTube ยาว ๆ จะขึ้น "10% → 35% → 70% → 100%" ใน UI ของ Claude Desktop แทนที่จะดูเหมือนค้าง

---

เทียบกับตัวเลือกที่มีอยู่

เซิร์ฟเวอร์ MCP คือคำตอบที่ถูกต้องเมื่อ ผู้ใช้ เครื่องมือคือมนุษย์ในผู้ช่วย AI ตัวเลือกอื่นเหมาะเมื่อผู้ใช้คือซอฟต์แวร์

ทีมโปรดักชันหลายทีมเลือกใช้สองอย่าง: เซิร์ฟเวอร์ MCP สำหรับการสำรวจเชิงโต้ตอบและงานครั้งคราว ส่วน API หรือโมเดล ONNX สำหรับการประมวลผลปริมาณสูง

---

โอเพ่นซอร์สโดยจงใจ

โปรเจกต์ทั้งหมดเป็น MIT: github.com/StemSplit/stemsplit-mcp

โค้ดเล็กพอที่จะอ่านจบในรอบเดียว — TypeScript ประมาณ 1.5 พันบรรทัด ไม่มี dependency แปลกประหลาดนอกจาก @modelcontextprotocol/sdk ของทางการและ zod ตัวช่วย retry, ตัวจำแนกแหล่งที่มา, ลอจิก polling และ mapper ของ error ต่างก็อยู่ในไฟล์ตัวเองพร้อม unit test

ถ้าต้องการ fork ไปต่อกับ backend แยกสเต็มของตัวเอง พื้นผิวที่ต้องแก้อยู่ใน src/client.ts ส่วน plumbing ของ MCP ใน src/index.ts คงเดิม

---

ก้าวต่อไป

นี่คือ v0.2.0 ใน roadmap:

1. Tool annotations (readOnlyHint, openWorldHint) เพื่อให้ไคลเอนต์ MCP เข้มงวดข้าม confirm prompt สำหรับเครื่องมืออ่านอย่างเดียวเช่น get_balance
2. ดาวน์โหลดสเต็มแบบขนาน — ตอนนี้ทำแบบลำดับ ช้ากว่าที่ควรเป็น 6 เท่าในงาน 6 สเต็ม
3. enumeration recent-jobs แบบสด ให้ไคลเอนต์ MCP เปิดดูประวัติงานแบบ native
4. resource subscribe / notify สำหรับความคืบหน้าสดของงาน YouTube ยาว ๆ

ติดตาม repo บน GitHub เพื่อรับเวอร์ชันใหม่ — ทุกเวอร์ชันมาพร้อม CHANGELOG และ GitHub Release ที่ tag ไว้

---

เซิร์ฟเวอร์ stemsplit-mcp ต่างจากการใช้ REST API ของ StemSplit ตรง ๆ ในปี 2026 อย่างไร?

สำหรับ workflow เชิงโต้ตอบ — "จัดเสียง 5 เทคที่เพิ่งอัดให้หน่อย", "ทำคาราโอเกะของลิงก์ YouTube นี้", "สร้าง sampler จากอัลบั้มฟังก์นี้" — เซิร์ฟเวอร์ MCP ดีกว่ามาก เพราะผู้ช่วย AI จัดการการเรียงลำดับทั้งหมด ไม่ว่าจะเป็นการจำแนกแหล่งที่มา อัปโหลด polling ดาวน์โหลด และการกู้ error คุณพิมพ์ประโยคเดียวก็ได้ path ไฟล์กลับมา สำหรับการทำงานอัตโนมัติแบบ server-to-server ที่ไม่มีมนุษย์ในลูป REST API ยังคงเป็นเครื่องมือที่ใช่ — auth เดียวกัน โมเดลเดียวกัน แต่ไม่ต้องมี runtime MCP

ใช้ stemsplit-mcp กับโมเดล AI ในเครื่องหรือ LLM ที่โฮสต์เองในปี 2026 ได้ไหม?

ได้ — ไคลเอนต์ที่รองรับ MCP ทุกตัวใช้ได้ รวมถึงตัวที่ใช้โมเดลในเครื่อง เซิร์ฟเวอร์ MCP รันเป็น process แบบ stdio และไม่สนว่าฝั่งตรงข้ามเป็น LLM ใด เราทดสอบกับ Claude Desktop (Claude 4.5 Sonnet / Opus), Cursor (เลือก backend model ได้), Cline (ตั้งค่าได้), Windsurf, Zed และ Goose ที่รันโมเดลในเครื่องผ่าน Ollama สถาปัตยกรรมตั้งใจให้ไม่ขึ้นอยู่กับโมเดลเฉพาะ

เซิร์ฟเวอร์ MCP รับมือ URL ของ YouTube อย่างไรโดยไม่ต้องผูก yt-dlp?

ใช้ endpoint ฝั่งเซิร์ฟเวอร์ /youtube-jobs ของ StemSplit ซึ่งโหลดวิดีโอบน infrastructure ของเรา รันการแยกสเต็มที่นั่น แล้วเปิดผลลัพธ์ผ่าน presigned URL ตัวเซิร์ฟเวอร์ MCP เองไม่เคยเรียก yt-dlp ในเครื่อง — แปลว่าไม่เจอปัญหา rate-limit ไม่เจอบั๊กเฉพาะแพลตฟอร์ม และไม่เปิดความเสี่ยงทางกฎหมายให้ผู้ใช้ที่รันดาวน์โหลดในเครื่อง ข้อแลกคือ URL ต้องเข้าถึงได้สาธารณะ วิดีโอที่ส่วนตัวหรือถูกจำกัดอายุไม่ผ่านทางนี้

คุณภาพการแยกสเต็มผ่าน stemsplit-mcp เท่ากับเว็บแอป StemSplit ไหม?

เท่ากันเป๊ะ เซิร์ฟเวอร์ MCP เป็น client บาง ๆ ที่เรียก endpoint /api/v1/jobs เดียวกับที่เว็บแอปใช้ ทั้งโมเดล ระดับคุณภาพ (FAST / BALANCED / BEST) และฟอร์แมตเอาต์พุต (MP3 / WAV / FLAC) เหมือนกัน ต่างกันแค่จุด trigger: แชตในผู้ช่วย AI แทนการอัปโหลดผ่านเบราว์เซอร์

ไคลเอนต์ MCP ตัวไหนใช้กับ stemsplit-mcp ได้บ้าง?

ไคลเอนต์ใดก็ตามที่รองรับ stdio transport มาตรฐานของ MCP ที่ยืนยันแล้ว: Claude Desktop, Cursor, Cline (VS Code), Windsurf, Zed, Goose (ไคลเอนต์ MCP โอเพ่นซอร์สของ Block) และ OpenDevin Model Context Protocol คือมาตรฐานของ Anthropic ดู รายการไคลเอนต์ทางการ เพื่อข้อมูลล่าสุดเมื่อมีไคลเอนต์ใหม่เพิ่มการรองรับ

---

ลองดู

ถ้ามีบัญชี StemSplit อยู่แล้ว ให้สร้าง API key แล้วทำตามคู่มือตั้งค่า MCP ถ้ายังไม่มี ให้เริ่มฟรี — แพ็กเกจฟรีเพียงพอจะลองทุกเครื่องมือในเซิร์ฟเวอร์นี้

ถ้าสร้างอะไรเจ๋ง ๆ ได้ อยากเห็นด้วยที่ github.com/StemSplit/stemsplit-mcp/discussions หรือ stemsplit.io/contact

---

stemsplit-mcp เผยแพร่ภายใต้สัญญา MIT Model Context Protocol เป็นมาตรฐานเปิดที่ Anthropic นำเสนอเมื่อปลายปี 2024