earshot — 让编码 Agent 听见声音的本地音频分析与合成 CLI，支持 MCP

earshot 是 Leonxlnx 开发的开源命令行与 Python 库，定位是”给编码 Agent 装耳朵”：AI Agent 已经能写代码生成影片、产品演示和游戏，却听不见自己做出来的声音——分不清高档按键声和廉价音效、注意不到命中音比画面晚了 80 毫秒、也察觉不到音乐在错误的地方推上去。earshot 把声音转成 Agent 能推理的文字证据，既能描述一段音频像什么、在长录音里找最佳片段、判断是真录音还是代码合成，也能用代码反向合成声音。它跑在本地 CPU 上，提供 CLI、Python API 和 MCP Server 三种用法。

它属于开源软件里面向开发者的工具推荐，也是 GitHub 上少见的音频 Agent 工具，普通用户没有图形界面可用，需要命令行基础，新手建议先看官方文档。

场景痛点

用 AI 写片子或做交互原型时，画面和文案能直接预览，声音却只能靠人耳一遍遍地听。程序员想加一个按键音，得先去音效网站下载一堆 wav，挨个试听，再凭感觉拖到时间线上；想知道某个音效是不是比画面慢了半拍，没有可视化手段，只能拉波形软件肉眼比对。更麻烦的是想批量做一批风格统一的音效，要么买素材库，要么自己学声音设计，AI 助手对此基本帮不上忙。

主要功能特点

把声音转成 Agent 能读的证据

earshot的核心命令把音频变成文字和分数：describe 给出校准标签和最接近的替代描述，match 计算一段描述和音频的相似度并给出强/一般/弱的判定，find 在长录音里找出最符合描述的几秒区间。realness 还能判断一段声音是真录音、专业制作还是代码合成，并逐窗口给出证据。这是效率工具里把听觉问题变成可推理数据的做法。

时间线、图表与成片打分

timeline 生成一份”听读稿”，列出每秒的事件、电平、段落、响度和节拍网格；sheet 导出一张带标注的 PNG，包含视频帧、事件标签、频谱图、波形和响度曲线，方便看图模型直接读。critique 把待测影片和 7 部专业发布片的参考画像比对，输出打分表和按时间戳列出的修改建议。这属于软件工具里给 AI 做 QA 的一类。

用代码合成声音 forge

earshot forge 让 Agent 用物理合成配方写声音：模态共振器、接触激励、滤波噪声、模拟房间和麦克风，配方不含采样音频。forge 按参数渲染多个候选，内置 critic 从描述匹配、真实感和音色平衡打分，演化择优。盲测时按键声和 whoosh 与真录音放一起，15 次里只被认出 8 次。这是创意灵感方向。

录音反推成代码 fit

earshot fit 用分析合成把录音翻译成可读代码：它拟合带参数的模态、追踪分音和时变噪声手势，直到达成的渲染和原录音对齐，再输出 forge 配方模块。模块存的是声音结构而非采样，能换种子生成新 take。作者在 12 段录音上测得生成代码和原录音中位 CLAP 余弦 0.945。这是数字生活里音频参数化思路。

252 个音效库与套件

仓库自带 252 个音效的代码库，按 id 秒级渲染，不加载模型也不联网：UI 弹出声、木和塑料敲击、子低音命中、排钟、水滴、快门、反向镲、上升 riser 等。sfx render 可以把声音对齐到画面指定时刻、调整时长和音高；kit 按角色组织一整部片子的音效。这是 Web应用之外本地素材库的用法。

本地 CPU 与 MCP 接入

earshot要求 Python 3.10+ 和 PATH 上的 ffmpeg，只跑 CPU 不用 GPU。首次使用会下载两个开源模型约 1.1 GB 到本地缓存，之后完全离线；它提供 MCP Server，一行命令挂到 Claude Code，模型常驻内存。它适合网站推荐里做音频工具链的开发者。

官方网站

GitHub https://github.com/Leonxlnx/earshot

下载地址

https://pan.quark.cn/s/ab448aa87194

earshot — 让编码 Agent 听见声音的本地音频分析与合成 CLI，支持 MCP

场景痛点