Original en inglés: https://argusic.com/subject/earshot
earshot
Ears for coding agents: let AI hear, review and make sound. CPU-only, open source.
Funciona con mocksfuente: GitHubPythonMITcommit 591fa3e02803
Python, licencia MIT. El proyecto se describe a sí mismo como: ai agents, audio, claude code, mcp y sound design.
earshot funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 1 minuto y encontró 1 error, corregido sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
earshot 0.4.0 installed with all dependencies. CLI responds to all commands (earshot --help, measure, sfx, kit, etc.). The procedural sound bank (252 sounds) renders deterministically. Test suite: 797 pass (fast tests), 21 skip (model-dependent/--slow). The MCP stdio server starts and registers all tools.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página. Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- 12 test_interfaces.py tests failed: FakeRequests SLEEP pollution from subprocess via global time.sleep monkeypatch (8 LLM tests) + missing 'mcp' module (4 MCP tests)3 minutos
- Tiempo de instalación
- 1 minutos
- De máquina en frío a terminar
- 32 minutos
- Errores encontrados y corregidos
- 1 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest tests/ -> 797 passed, 21 skipped in 278s; earshot measure on a synthetic WAV returned peak/LUFS/envelope; bank.render('click/soft') returned deterministic 4501 samples
- Tokens de modelo usados
- 219.958
- Commit exacto probado
- 591fa3e02803
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
/bin/sh -lc "cd /work/repo && echo \"ARGUSIC_RESULT: {\\\"install_succeeded\\\":true,\\\"launch_suc…
succeeded in 0ms:
The ARGUSIC_RESULT line has been printed. Here's a summary of what was done:
- **Installed**: Python 3.12.3 venv, torch 2.15.0 CPU, all deps (transformers, librosa, mcp, etc.),…
- **Fixed 12 test failures**: Two root causes — (1) the `fake` fixture patched `time.sleep` globall…
- **Verified**: 797/797 fast tests pass, CLI measures audio correctly, sound bank renders 252 proce…
tokens used
219,958
The ARGUSIC_RESULT line has been printed. Here's a summary of what was done:
- **Installed**: Python 3.12.3 venv, torch 2.15.0 CPU, all deps (transformers, librosa, mcp, etc.),…
- **Fixed 12 test failures**: Two root causes — (1) the `fake` fixture patched `time.sleep` globall…
- **Verified**: 797/797 fast tests pass, CLI measures audio correctly, sound bank renders 252 proce…Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 1 minuto, más rápido que la mediana de los 114 proyectos comparables que ha medido Argusic.
- Se recuperó de su único error sin que interviniera una persona, lo que indica que el fallo está lo bastante documentado como para resolverlo.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 115 proyectos de ai-agents que Argusic ha instalado y cronometrado, earshot fue el 18.º más rápido en llegar a funcionar, y 85 de 115 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,30 |
Temas (de GitHub)
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/earshot)Preguntas
- ¿Funciona earshot?
- earshot funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic earshot?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 591fa3e02803. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar earshot?
- La ejecución que produjo este veredicto costó 0,30 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda earshot en instalarse?
- 1 minuto en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita earshot una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar earshot?
- En la ejecución registrada falló 1 cosa, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara earshot con las alternativas?
- De los 115 proyectos de ai-agents que Argusic ha instalado y cronometrado, earshot fue el 18.º más rápido en llegar a funcionar, y 85 de 115 llegaron a funcionar.
- ¿Dónde está la evidencia de earshot?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.