Phil Schmid 分享用 Chrome 虚拟音频给 Agent 测语音功能的妙招
_philschmid · x · 2026-11-05
Phil Schmid 分享了一套用编码 Agent 端到端测试语音/音频等多模态功能的无麦方案：
- 用 Gemini API CLI 生成语音 WAV 测试文件；
- 以 --use-file-for-fake-audio-capture=voice.wav%noloop 启动 Chrome,把 WAV 文件伪装成麦克风输入；
- 通过 Playwright 或 browser-use 点击麦克风按钮,让 getUserMedia 从 0.0s 开始读取 WAV 流；
- 在 DOM 中验证转写结果与 UI 状态。
后续他还贴出了完整 prompt 模板(安装 google-gemini/gemini-skills 的 gemini-api-cli skill,配合 headless Chrome 的 fake media stream 参数)和 skill 链接,可直接交给任意 coding agent 执行。
所属事件:Phil Schmid 发布 Gemini API CLI Skill,Agent 无脚本调用多模态能力(5 条相关)→
「编程与Agent」频道最新
- Google 发布 AlloyDB Express:2 秒建库、闲置自动归零、面向编码 Agent — rseroter · 2026-11-05
- 用户吐槽 Google Argon 4 连续数天不可用，网络错误反复致 agent 中断 — AIandDesign · 2026-11-05
- Claude Code 省 token 十条实操技巧:CLAUDE.md、任务级会话与模型分层 — atullchaurasia · 2026-11-05
- Ari 智能体 16 小时无人干预完成后训练，棋题奖励从 0.118 提至 0.629 — ypatil125 · 2026-11-05
- SGLang Summit 2026 议程亮相：LinkedIn 广告模型 10K QPS、NVIDIA 上 Vera Rubin — DavidBennett__ · 2026-11-05
- 模型回答的证明成本约为vLLM推理的70-95倍，更适合做审计层 — petrusenko_max · 2026-11-05