Original em inglês: https://argusic.com/subject/earshot
earshot
Ears for coding agents: let AI hear, review and make sound. CPU-only, open source.
Executa com mocksfonte: GitHubPythonMITcommit 591fa3e02803
Python, licença MIT. O projeto se descreve como: ai agents, audio, claude code, mcp e sound design.
earshot executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 1 minuto e encontrou 1 erro, corrigindo-o sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página. Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 1 minuto
- Da máquina limpa até o fim
- 32 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 1 corrigido sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 591fa3e02803
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
/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…Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 1 minuto, mais rápido que a mediana dos 114 projetos comparáveis que a Argusic mediu.
- Recuperou-se do único erro sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 115 projetos de ai-agents que a Argusic instalou e cronometrou, earshot foi o 18º mais rápido a chegar a um estado de execução, e 85 de 115 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,30 |
Tópicos (de GitHub)
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/earshot)Perguntas
- earshot executa?
- earshot executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 1 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou earshot?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 591fa3e02803. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar earshot?
- A execução que produziu este veredito custou US$ 0,30: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar earshot?
- 1 minuto na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- earshot precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar earshot?
- 1 coisa quebrou na execução registrada, e 1 foi corrigida sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como earshot se compara às alternativas?
- Dos 115 projetos de ai-agents que a Argusic instalou e cronometrou, earshot foi o 18º mais rápido a chegar a um estado de execução, e 85 de 115 chegaram a esse estado.
- Onde estão as evidências de earshot?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.