Leonxlnx/earshot

解决什么问题

编码 Agent 已经能生成视频、产品演示和游戏，却没法判断配套的声音对不对：分不出高级的按键声和廉价货，听不出打击音比剪辑点晚了 80 ms，也不知道音乐渐强落在了错误的位置。earshot 把声音变成 Agent 可以推理的证据——用文字描述音色、给描述匹配度打分、在长录音里定位最佳片段、检查音画同步，还能输出带标注的音频时间线图片。

有什么不同

常见做法有两条路：一是调用托管音频大模型 API，语义判断准，但要上传媒体、按量付费、延迟不可控；二是直接用 DSP 库拿一堆数字，Agent 没法自己解读。earshot 走第三条路：本地 CPU 上跑固定管线，默认不联网，把结果翻译成带校准 z 值的语言，并给出带时间戳的具体修改建议。另一半更有意思：forge 用代码配方合成音效，靠 critic 循环迭代改进；fit 能把一段录音反推成可再渲染的配方。README 也很坦诚：每次 CLI 调用要重新加载模型，耗时 20–40 秒，所以真正高频使用应该走 MCP server 或 Python API。

适合谁

适合正在搭建动态图形、游戏音效或产品发布片 Agent 工作流的开发者，尤其是需要 Agent 自己反复迭代声音、而不能每次都人工试听的团队。对媒体不能出内网的团队，纯本地、纯 CPU 的设计正好。需要广播级母带处理、实时音频处理或 DAW 替代品的人请绕道——这是证据与合成工具，不是音频编辑器。没把 Agent 放进流程的人会觉得 CLI 太重。

上手成本

Python 包，MIT 协议，只跑 CPU。需要安装模型和数据文件，可以用 doctor --load 自检。两项实际成本：除 measure、sfx、kit 外，每次 CLI 调用要花 20–40 秒加载模型；另外要花时间理解 critic 的术语体系和配方格式。可选的 Gemini 上传评审需要自己的 key 并显式同意。项目才 9 天、版本 0.4，接口和配方格式都可能变。

点评

这是一个典型的新项目冲高：约 9 天拿到 2,627 star，日均约 +274，但 Hacker News 上没有讨论，也没上过每日 trending 榜。这说明关注主要集中在发布周，还不是稳定采用。它瞄准的问题是真实空白——做媒体的 Agent 现在确实听不见自己的作品——本地、纯 CPU、MIT 的路子也符合这个缺口。不过 0.4 版本的 README 已经记录了对核心 benchmark 的 v2 重做，接口变动要有心理准备。如果你现在就在搭音频感知的 Agent 管线，值得试；如果要求稳定接口，建议再等几个版本。