Earshot

Earshot 是 GitHub 用户 Leon Lin（Leonxlnx）做的开源工具，包含 Skill、命令行工具（CLI）、Python 接口和 MCP 服务器。README 的说法是，它把声音变成编程智能体（coding agent）能拿来推理的证据。你给它本地的音频或视频文件，它可以描述里面的声音，给已有的音效匹配、打分，按时间线对齐，也能用代码合成新的声音，适合给动画、产品视频和声音设计配音效。仓库里另有一个 real-sound 子 Skill，会去 Freesound、Mixkit 这类音效网站找素材。分析默认在你自己的电脑上完成，用的是 CLAP 和 AST 两个音频模型。README 也写明，它不做语音识别，判断不了歌词是什么语言、素材有没有版权、好不好听。

适合谁：用 Claude Code、Codex 这类工具做动画或视频，想让 AI 帮忙挑音效、对节奏的人。不写代码的读者用不上。

使用前提：需要 Python 3.10 或更新版本和 ffmpeg，用 pip 安装。第一次使用会从 Hugging Face 下载两个模型，合计约 1.1 GB。MCP 要自己配置。分析默认只读你电脑上的文件，没有麦克风录音功能。可选的 earshot llm 功能要填你自己的 Gemini 密钥，并且明确同意上传，才会把音频发给 Google；本站建议确实需要时再开。real-sound 子 Skill 会联网下载音效，每段素材的授权要逐个确认。代码是 MIT 许可，两个模型分别是 Apache-2.0 和 BSD-3-Clause 许可。

以上根据项目公开说明整理，本站没有实际测试。