开源文本转语音库,KittenTTS 2 可从几秒音频克隆声音,并能在 CPU 上实时合成。
Leonxlnx/earshot
让编程智能体能够听声音的 CPU 本地工具包,支持描述、匹配、检索、评审与代码合成音效。
- Star
- 2,129
- Fork
- 125
- 未关闭 Issue
- 5
- 最近提交
- 9小时前
这是什么?
earshot 让编程智能体具备“听”的能力。它能用文字描述音频文件的听感,评估一段文字描述与录音的吻合程度,在长录音中找出最匹配的片段,判断声音是真实录制还是代码合成,并为视频生成逐秒的听觉转录,标注与画面切点的同步关系。整个流程在 CPU 上本地运行,提供命令行、Python API 和 MCP 服务器三种接入方式,可直接用于 Claude Code 等智能体。
除了“听”,项目还包含一个用代码制作声音的 forge 模块:以物理合成配方渲染候选音效,由基于同一套模型的评审器打分,并通过搜索逐步优化。fit 命令可以把现有录音翻译成参数化的合成配方,便于变化与插值。内置的 201 个音效库无需模型或网络即可按编号渲染,并提供面向影视配音的音效套件预设。
仓库本身不包含音频或视频文件,用于评测的参考录音需另行获取。模型首次使用时从 Hugging Face 按固定版本下载并缓存,之后可离线运行。
核心功能
- 01为声音生成校准标签、测量数据与 AudioSet 标签描述。
- 02评估文字描述与录音的吻合度,并给出强弱判断。
- 03在长录音中找出最匹配的片段并输出时间范围。
- 04区分真实录音与代码合成音效。
- 05为视频配音生成时间线转录与标注图。
- 06通过代码配方合成音效,并由内置评审器打分优化。
- 07通过 CLI、Python API 和 MCP 服务器提供统一工具接口。
适用场景
- 让编程智能体检查生成的音效是否符合预期。
- 从一批下载的音频素材中挑选最合适的一个。
- 检查代码生成视频配乐的音画同步与响度。
- 在离线环境下为程序化影片或界面流程生成音效。
快速上手
- 1
按照 README 中的说明安装 earshot
- 2
检查安装、模型和 CPU 设置
earshot doctor - 3
描述一个音频文件听起来像什么
earshot describe FILE
使用前须知
- 每次 CLI 调用都会重新加载模型,回应前需约 20-40 秒。
- forge 基于参考的搜索需要你自己拥有许可的参考录音,仓库中不包含这些录音。
- 搜索过程可能针对模型做优化,因此结果需要人工试听和客观测量来验证。
- 可选的 llm 命令会将音频上传至 Gemini,需要你自己的 API 密钥。
收录于专题
标签
常见问题
- earshot 是什么?
- 让编程智能体能够听声音的 CPU 本地工具包,支持描述、匹配、检索、评审与代码合成音效。 earshot 让编程智能体具备“听”的能力。它能用文字描述音频文件的听感,评估一段文字描述与录音的吻合程度,在长录音中找出最匹配的片段,判断声音是真实录制还是代码合成,并为视频生成逐秒的听觉转录,标注与画面切点的同步关系。整个流程在 CPU 上本地运行,提供命令行、Python API 和 MCP 服务器三种接入方式,可直接用于 Claude Code 等智能体。
- earshot 可以免费使用吗?用的什么许可证?
- earshot 以 MIT 许可证开源。用于商业产品前,请先确认许可证条款。
- earshot 还在维护吗?
- 活跃维护中。earshot 最近一次提交是在 2026年10月22日。
- earshot 适合用来做什么?
- 让编程智能体检查生成的音效是否符合预期。 从一批下载的音频素材中挑选最合适的一个。 检查代码生成视频配乐的音画同步与响度。 在离线环境下为程序化影片或界面流程生成音效。
- earshot 怎么安装和运行?
- 按照 README 中的说明安装 earshot 检查安装、模型和 CPU 设置: earshot doctor 描述一个音频文件听起来像什么: earshot describe FILE
- 在哪里获取 earshot?
- 源代码和安装说明在 GitHub 上:https://github.com/Leonxlnx/earshot
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
一个仅 0.1B 参数的多语言语音合成模型,可在 CPU 上实时推理,支持声音克隆与 48 kHz 立体声输出。
面向 Claude Code 等编码智能体的动效设计工具包,内含 Remotion 视频流程、画面自检循环与 Python 音效引擎。
VoxCPM2 是一个开源的免分词器语音合成模型,支持 30 种语言、文本描述设计音色和参考音频克隆。
开源文本转语音系统,支持声音克隆、自然语言控制情绪和多角色语音生成。
Resemble AI 开源的文本转语音模型系列,支持基于参考音频的声音克隆,覆盖英语及多种其他语言。