Biblioteca de texto a voz de código abierto cuyo modelo KittenTTS 2 clona voces a partir de 5 segundos de audio y funciona en tiempo real en CPU.
16,3 mil975PythonApache-2.0Actualizado hace 19 horas
Leonxlnx/earshot
Kit de herramientas solo para CPU que permite a los agentes de programación escuchar audio: describir, comparar, encontrar, evaluar y sintetizar sonidos mediante CLI, API de Python y servidor MCP.
- Estrellas
- 2,110
- Forks
- 123
- Issues abiertos
- 5
- Último commit
- hace 9 horas
¿Qué es?
earshot permite que los agentes de programación con IA escuchen. Describe con palabras cómo suena un archivo de audio, puntúa cuánto coincide una descripción de texto con una grabación, encuentra los mejores momentos en audios largos, determina si un sonido es una grabación real o si se sintetizó mediante código, y genera una transcripción de escucha segundo a segundo de un video, con marcadores de sincronización respecto a los cortes de imagen. Se ejecuta localmente en la CPU y está disponible como CLI, API de Python y servidor MCP para Claude Code y otros agentes.
Además de escuchar, el proyecto incluye un forge que crea sonidos mediante código: las recetas de síntesis física se renderizan, un evaluador basado en los mismos modelos las puntúa y luego se refinan mediante búsqueda. El comando fit convierte una grabación existente en una receta de síntesis parametrizada que se puede modificar o transformar gradualmente. Un banco integrado de 201 efectos de sonido se renderiza por ID sin modelos ni acceso a la red, e incluye presets de kits para diseño de sonido cinematográfico.
El repositorio no contiene audio ni video; las grabaciones de referencia utilizadas para la evaluación tienen licencias independientes. Los modelos se descargan una sola vez desde Hugging Face, en revisiones fijadas, y se guardan en caché para usarlos sin conexión.
Funciones clave
- 01Describe sonidos con etiquetas calibradas, mediciones y etiquetas de AudioSet.
- 02Puntúa cuánto coincide una descripción de texto con una grabación e indica el grado de correspondencia.
- 03Encuentra los momentos que mejor coinciden dentro de grabaciones largas y los recorta.
- 04Clasifica clips como grabaciones reales o sonidos sintetizados mediante código.
- 05Genera transcripciones cronológicas y hojas anotadas de las bandas sonoras de videos.
- 06Sintetiza efectos de sonido a partir de recetas de código y los puntúa con un evaluador integrado.
- 07Ofrece todas las herramientas mediante CLI, API de Python y servidor MCP.
Casos de uso
- Permitir que un agente de programación compruebe si los efectos de sonido generados coinciden con el sonido deseado.
- Elegir el mejor candidato de una carpeta con clips de audio descargados.
- Auditar la sincronización y el volumen de la banda sonora de un video generado mediante código.
- Generar efectos de sonido sin conexión para flujos de trabajo programáticos de cine o interfaces de usuario.
Inicio rápido
- 1
Instala earshot siguiendo las instrucciones del README
- 2
Comprueba la instalación, los modelos y la configuración de la CPU
earshot doctor - 3
Describe cómo suena un archivo de audio
earshot describe FILE
Antes de usarlo
- Cada llamada a la CLI vuelve a cargar los modelos, por lo que tarda unos 20-40 segundos en responder.
- La búsqueda basada en referencias de Forge requiere grabaciones de referencia con licencia propia, que no están incluidas en el repositorio.
- La búsqueda puede manipular las comprobaciones de calidad del sonido generado, así que hay que escuchar y medir los resultados para verificarlos.
- El comando opcional llm sube el audio a Gemini y requiere tu propia clave de API.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es earshot?
- Kit de herramientas solo para CPU que permite a los agentes de programación escuchar audio: describir, comparar, encontrar, evaluar y sintetizar sonidos mediante CLI, API de Python y servidor MCP. earshot permite que los agentes de programación con IA escuchen. Describe con palabras cómo suena un archivo de audio, puntúa cuánto coincide una descripción de texto con una grabación, encuentra los mejores momentos en audios largos, determina si un sonido es una grabación real o si se sintetizó mediante código, y genera una transcripción de escucha segundo a segundo de un video, con marcadores de sincronización respecto a los cortes de imagen. Se ejecuta localmente en la CPU y está disponible como CLI, API de Python y servidor MCP para Claude Code y otros agentes.
- ¿earshot es gratuito? ¿Qué licencia tiene?
- earshot es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿earshot sigue mantenido?
- Mantenimiento activo. El último commit de earshot fue el 22 oct 2026.
- ¿Para qué puedo usar earshot?
- Permitir que un agente de programación compruebe si los efectos de sonido generados coinciden con el sonido deseado. Elegir el mejor candidato de una carpeta con clips de audio descargados. Auditar la sincronización y el volumen de la banda sonora de un video generado mediante código. Generar efectos de sonido sin conexión para flujos de trabajo programáticos de cine o interfaces de usuario.
- ¿Cómo se instala earshot?
- Instala earshot siguiendo las instrucciones del README Comprueba la instalación, los modelos y la configuración de la CPU: earshot doctor Describe cómo suena un archivo de audio: earshot describe FILE
- ¿Dónde consigo earshot?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Leonxlnx/earshot
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Modelo multilingüe de texto a voz con 0,1B de parámetros, ejecución en tiempo real en CPU, clonación de voz y salida estéreo a 48 kHz.
4,5 mil564PythonApache-2.0Actualizado hace 2 meses
Un kit de herramientas de diseño de movimiento que permite a agentes de programación como Claude Code crear videos con Remotion, escenas guiadas por una línea de tiempo, revisión visual y un motor de sonido en Python.
60680JavaScriptMITActualizado hace 13 días
VoxCPM2 es un modelo de texto a voz de código abierto y sin tokenizador que admite 30 idiomas, diseño de voz a partir de descripciones de texto y clonación de voz a partir de clips de referencia cortos.
39,9 mil4,5 milPythonApache-2.0Actualizado hace 15 días
Sistema open source de texto a voz con clonación de voz, control de emociones en lenguaje natural y generación multivoz, basado en modelos de tipo LLM.
33,4 mil2,9 milPythonOtherActualizado hace 9 días
Familia de modelos de texto a voz de código abierto de Resemble AI, con clonación de voz a partir de un breve clip de referencia en inglés y muchos otros idiomas.
27,1 mil3,7 milPythonMITActualizado hace 3 meses