Ein synthetischer Mensch in einem Docker-Container. Hat Ohren, einen Mund, Augen und Hände.
Eine vollständig in sich geschlossene Umgebung, die einen echten Benutzer simuliert, der über Sprache und Browser mit Web-Apps interagiert. Sie umfasst:
Virtuelles Mikrofon – MCP kann Audio (TTS oder Rohdaten) einspeisen, das jede App als von einem Hardware-Mikrofon stammend betrachtet
Virtuelle Lautsprecher – MCP kann jegliches Audio, das das Betriebssystem abspielt, aufnehmen und transkribieren
Echter Browser – Chromium mit Playwright-Steuerung und dauerhaften Anmeldesitzungen
Echtes Display – Xvfb + VNC zum Debugging (live beobachten, was gerade passiert)
MCP-Schnittstelle – alles wird als Tools über Streamable HTTP bereitgestellt
Related MCP server: Lotus MCP
ChatGPT-Sprachmodus testen – „What's the weather?“ in das Mikrofon einspeisen, ChatGPTs gesprochene Antwort aufnehmen, transkribieren und Assertions durchführen
Gemini Live testen – gleicher Ablauf gegen Googles Sprach-KI
Unsere Mobile Mesh UI testen – vollständige End-to-End-Sprachkonversationstests gegen unsere eigene App
Jede Web-App mit Sprachunterstützung – wenn sie Mikrofon/Lautsprecher des Browsers nutzt, können wir sie testen
┌─────────────────────────────────────────────────────────────┐
│ Docker Container │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ MCP Server (port 8360) │ │
│ │ │ │
│ │ Audio Tools: │ │
│ │ tts_to_mic(text) → Piper TTS → virtual mic │ │
│ │ transcribe_speakers() → parec → Whisper STT │ │
│ │ inject_audio(b64) → raw audio → virtual mic │ │
│ │ capture_audio(secs) → raw audio from speakers │ │
│ │ wait_for_speech() → detect + transcribe │ │
│ │ │ │
│ │ Browser Tools: │ │
│ │ browser_navigate, click, type, screenshot, etc. │ │
│ │ browser_grant_mic_permission(origin) │ │
│ │ │ │
│ │ Screen Tools: │ │
│ │ screen_screenshot, screen_size, vnc_url │ │
│ └──────────┬──────────────────────────┬───────────────┘ │
│ │ │ │
│ ┌──────────▼──────────┐ ┌───────────▼───────────────┐ │
│ │ PulseAudio │ │ Playwright + Chromium │ │
│ │ │ │ │ │
│ │ virtual_mic ◀──────│──│── browser reads as mic │ │
│ │ (pipe-source) │ │ │ │
│ │ │ │ browser plays audio ──▶ │ │
│ │ virtual_speaker ───│──│── captured via .monitor │ │
│ │ (null-sink) │ │ │ │
│ └─────────────────────┘ └───────────────────────────┘ │
│ │
│ ┌─────────────────────┐ ┌───────────────────────────┐ │
│ │ Xvfb :99 │ │ x11vnc + noVNC │ │
│ │ 1920x1080x24 │ │ port 5900 / 6080 │ │
│ └─────────────────────┘ └───────────────────────────┘ │
└─────────────────────────────────────────────────────────────┘# Build and start
docker compose up -d --build
# Watch the virtual display (open in your browser)
open http://localhost:6080/vnc.html?autoconnect=true
# Test the MCP server
curl http://localhost:8360/mcp -X POST \
-H "Content-Type: application/json" \
-H "Accept: application/json, text/event-stream" \
-d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"health","arguments":{}}}'
# Run smoke tests
bash test-smoke.sh# 1. Build and start
docker compose up -d --build
# 2. Open VNC in your browser to see the desktop
open http://localhost:6080/vnc.html?autoconnect=true
# 3. In the VNC window, Chromium is running. Log into:
# - https://chat.openai.com (ChatGPT)
# - https://gemini.google.com (Gemini)
# 4. Export cookies to DragonsKeep so they persist
bash scripts/export-browser-cookies.sh
# 5. Done! Future container starts auto-inject the stored sessions.# Infrastructure tests (no login required)
cd tests && pip install -r requirements.txt
pytest test_audio_roundtrip.py test_browser.py -v
# ChatGPT conversation tests (requires login)
pytest test_conversations.py -v -m chatgpt --timeout=120
# Gemini conversation tests
pytest test_conversations.py -v -m gemini --timeout=120
# Our Mesh UI conversation tests
pytest test_conversations.py -v -m meshui --timeout=120
# All conversation tests
pytest test_conversations.py -v --timeout=120# From any MCP client (Kiro, our mesh agent, etc.)
# 1. Navigate to ChatGPT
browser_navigate("https://chat.openai.com")
# 2. Grant mic permission
browser_grant_mic_permission("https://chat.openai.com")
# 3. Click the voice mode button
browser_click("[data-testid='voice-mode-button']")
# 4. Speak a question (injected into the virtual mic)
tts_to_mic("What is the capital of France?")
# 5. Wait for ChatGPT to respond and transcribe what it says
response = wait_for_speech(timeout_seconds=15)
# response == "The capital of France is Paris."
# 6. Assert
assert "Paris" in responseAnmeldesitzungen bleiben in ./data/browser-profile/ gespeichert (gemountetes Volume).
Für ChatGPT/Gemini-Authentifizierungscommunities kannst du DragonsKeep verwenden:
Speichere Cookies in DragonsKeep als chatgpt-session / gemini-session
Beim Containerstart werden sie dann in das Browserprofil injiziert
Oder: einmal manuell über VNC (http://localhost:6080) anmelden – die Sitzung bleibt erhalten.
Port | Dienst |
8360 | MCP Server (Streamable HTTP) |
6080 | noVNC (browserbasierter VNC-Viewer) |
5900 | VNC direkt |
Tool | Beschreibung |
| Text synthetisieren und als Mikrofon-Eingabe einspeisen |
| Lautsprecherausgabe erfassen und als Text transkribieren |
| Rohe Audio-Bytes in das virtuelle Mikrofon einspeisen |
| Rohes Audio von den virtuellen Lautsprechern aufnehmen |
| Sprache auf den Lautsprechern erkennen, auf das Ende warten, transkribieren |
Tool | Beschreibung |
| Eine URL aufrufen |
| Ein Element anklicken |
| In ein Eingabefeld tippen |
| Eine Tastaturtaste drücken |
| Einem Screenshot der Seite aufnehmen |
| Den Textinhalt der Seite abrufen |
| JavaScript ausführen |
| Warten, bis ein Text auf der Seite erscheint |
| Aktuelle URL abrufen |
| Mikrofonzugriff für einen Ursprung erlauben |
Tool | Beschreibung |
| Einen Screenshoft des vollständigen Desktops aufnehmen |
| Bildschirmauflösung abrufen |
| Live-URL des VNC-Vauzürs abrufen |
This server cannot be deployed
Test the voice agents you run: scored transcripts, pass/fail verdicts, latency and WER metrics.
Simulation, evaluation and monitoring for voice agents.
Run multi-step tasks in a real Chrome browser: persistent environments, live view, human takeover.
Launch, inspect, control, and share isolated cloud browsers for your agents.
