Philipp Schmid 演示用 Gemini API CLI 配合编码 Agent 测试语音等多模态功能

Philipp Schmid· @_philschmid · X·2026-11-05 01:54· 1 小时前AI 评分52

AI 导读

Philipp Schmid 分享用 Gemini API CLI 配合编码 Agent 测试语音、音频等多模态功能的方法。步骤为：用 Gemini API CLI 生成语音，通过 Chrome 的 --use-file-for-fake-audio-capture=voice.wav%noloop 参数注入音频，用 Playwright 或 browser-use 点击麦克风按钮让 getUserMedia 从 0.0s 读取 WAV，最后在 DOM 中校验转录和 UI 状态，Prompt 见原文。

正文 · 原文

你知道吗？你可以将 Gemini API CLI 与你的编码 Agent 配合使用，来测试语音和音频等多模态功能。具体做法如下：

1. 使用 Gemini API CLI 生成语音
2. 使用 Chrome 并加上 --use-file-for-fake-audio-capture=voice.wav%noloop
3. 通过 Playwright 或 browser-use 点击麦克风按钮，让 getUserMedia 从 0.0s 开始流式读取 WAV
4. 在 DOM 中校验转录文本和 UI 状态

Prompt 见下方 👇

来源：Philipp Schmid · x.com