Công cụ cục bộ giúp các tác nhân lập trình "nghe" âm thanh: biến âm thanh thành bằng chứng mà tác nhân có thể suy luận (mô tả văn bản, mức độ khớp, mốc thời gian, phiên âm toàn bộ), đồng thời cho phép tổng hợp hiệu ứng âm thanh bằng mã và lặp lại dựa trên thính giác.
Số sao 3050 (+108 / 24h)
Lý do
- Các lệnh describe / match / find / timeline cung cấp thông tin về âm thanh giống như thế nào, mức độ khớp với một mô tả, đoạn phù hợp nhất trong bản ghi dài, cùng với "bản phiên âm" từng giây và tình trạng đồng bộ âm-hình của toàn bộ video
- critique chấm điểm hiệu ứng âm thanh cho các video quảng cáo do mã tạo ra và đưa ra các đề xuất sửa đổi kèm mốc thời gian, dựa trên tham chiếu từ 7 đoạn phim chuyên nghiệp được tác nhân biên soạn
- forge tạo hiệu ứng âm thanh trong mã bằng các công thức tổng hợp vật lý, sau đó tìm kiếm tiến hóa dựa trên điểm số từ bộ đánh giá tích hợp; phiên bản 0.4 cho biết thư viện âm thanh đã có 252 mục, bổ sung preset launch, và đặt mỗi hiệu ứng âm thanh theo nhạc nền và điểm cắt
- Cung cấp CLI, API Python và máy chủ MCP; tác nhân đã ghi rõ cách đo lường từng con số trong docs/VALIDATION.md, cũng như viết riêng LIMITS.md để giải thích những đánh giá nào không đáng tin cậy
Cách dùng
- Yêu cầu Python 3.10+ và ffmpeg; sau khi git clone, tạo venv, cài đặt phiên bản torch cho CPU trước, rồi chạy pip install -e ".[mcp,llm,dev]", sử dụng python -m earshot doctor --load để tự kiểm tra
- Tích hợp với Claude Code: claude mcp add earshot --scope user -- \u003cvenv>/bin/python -m earshot mcp (phương thức MCP giữ mô hình thường trực, tránh việc tải lại mỗi lần chạy lệnh)
- Trong thư mục skills/ của kho lưu trữ có kèm hai kỹ năng (earshot, real-sound), chỉ cần sao chép vào ~/.claude/skills/ là tác nhân có thể sử dụng theo quy trình
Rủi ro
- Lần đầu sử dụng sẽ tải xuống hai mô hình mở (tác nhân cho biết khoảng 1.1 GB); mỗi lần gọi CLI đều phải tải lại mô hình, tác nhân cho biết mất từ 20–40 giây
- Tác nhân thừa nhận rằng việc tổng hợp hiệu ứng âm thanh đang tối ưu hóa điểm số của chính mô hình, nên việc kiểm tra bằng mô hình có thể bị "nịnh"; mô hình đánh giá độ chân thực dễ bị lừa, không nghe được tần số trên 14 kHz và nội dung giọng nói
- Các bản ghi tham chiếu có bản quyền và không nằm trong kho lưu trữ, forge với --refset yêu cầu người dùng tự chuẩn bị tài liệu tham khảo; mã nguồn theo giấy phép MIT, còn hai mô hình có giấy phép riêng