earshot открыли в публичный доступ как локальный аудиоанализ для ИИ-агентов

earshot появился в открытом доступе как локальный инструмент аудиоанализа для ИИ-агентов. Проект работает на CPU, без обязательного GPU, и после загрузки моделей может описывать звучание файла словами, находить нужные фрагменты по таймкодам и проверять, синхронизирован ли звук с видеорядом.

Для интеграции доступны CLI, Python API и MCP-сервер. Это позволяет либо прогонять аудио и видео пакетно, либо отдавать агенту уже готовые текстовые описания и метки времени. В MCP-режиме модели не загружаются заново на каждый запрос, что удобнее для агентных сценариев.

В версии 0.3 проект использует открытые модели CLAP и AST; также заявлен банк из 201 программно генерируемого звукового эффекта. Код распространяется по лицензии MIT. По описанию проекта, обычный запуск через CLI тратит примерно 20–40 секунд на первичную загрузку моделей.

Инструмент уже можно подключать в локальные мультимодальные пайплайны, где нужны текстовые описания звука и таймкоды событий без отдельного облачного API.