能做什么
earshot 让 AI 编程 Agent 拥有“听觉”。如今 Agent 已经能写出渲染影片、产品演示或游戏的代码,却听不出高级键盘音和廉价键盘音的区别,察觉不到打击音比剪辑点晚了 80 毫秒,也听不出音乐在错误的位置推高。earshot 把声音转换成 Agent 能推理的证据:用文字描述一个音频听起来怎样、它和某段描述有多吻合、长录音里最合适的片段在哪、这是真实录音还是代码合成、整部影片逐秒的“听写稿”、一张带标注的声音图,以及与专业发布片对比的评分表。有了这些,Agent 还能用代码制作自己的音效并边听边改,或者把一段录音转成可以变化的代码。0.4 版内置 252 个以代码形式保存的音效,包括界面提示音、敲击、呼啸、风铃等,按编号几秒内渲染,不需要模型也不需要联网;另有一套发布片音效预设,会按背景音乐自动调整每个音效的音量和位置。它在本地用 CPU 运行,提供命令行、Python API 和 MCP 服务器,需要 uv 和 ffmpeg,首次使用会下载约 1.1 GB 的开源模型。采用 MIT 许可证。
适合谁
用编程 Agent 制作视频、演示或游戏的开发者和创作者。
主要使用场景
- 让 Agent 检查代码渲染的产品视频的声音设计
- 用代码为应用或游戏生成界面音效
- 在长录音里找出最合适的片段

