Un humano sintético en un contenedor de Docker. Tiene oídos, boca, ojos y manos.
Un entorno completamente autónomo que simula la interacción de un usuario real con aplicaciones web mediante voz y navegador. Incluye:
Micrófono virtual — MCP puede inyectar audio (TTS o crudo) que cualquier aplicación cree que proviene de un micrófono físico
Altavoces virtuales — MCP puede capturar y transcribir cualquier audio que reproduzca el sistema operativo
Navegador real — Chromium con Playwright y sesiones de inicio de sesión persistentes
Pantalla real — Xvfb + VNC para depurar (observa lo que ocurre en tiempo real)
Interfaz MCP — Todo se expone como herramientas a través de Streamable HTTP
Related MCP server: Lotus MCP
Probar el modo de voz de ChatGPT — inyecta "¿Qué tiempo hace?" en el micrófono, captura la respuesta hablada de ChatGPT, transcríbela y haz una aserción sobre ella
Probar Gemini Live — es el mismo flujo contra la IA de voz de Google
Probar nuestra Mobile Mesh UI — pruebas completas de conversación por voz de extremo a extremo contra nuestra propia aplicación
Cualquier aplicación web con voz — si usa el micrófono o los altavoces del navegador, podemos probarla
┌─────────────────────────────────────────────────────────────┐
│ 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 responseLas sesiones de inicio de sesión se conservan en ./data/browser-profile/ (volumen montado).
Para los tokens de autenticación de ChatGPT/Gemini, usa DragonsKeep:
Guarda las cookies en DragonsKeep como chatgpt-session / gemini-session
Al iniciar el contenedor, inyéctalas en el perfil del navegador
O bien: inicia sesión manualmente una vez a través de VNC (http://localhost:6080), y la sesión se conserva.
Puerto | Servicio |
8360 | Servidor MCP (Streamable HTTP) |
6080 | noVNC (visor VNC basado en navegador) |
5900 | VNC directo |
Herramienta | Descripción |
| Sintetizar texto → inyectarlo como entrada de micrófono |
| Capturar la salida de los altavoces → transcribirla a texto |
| Enviar bytes de audio crudo al micrófono virtual |
| Grabar audio crudo de los altavoces virtuales |
| Detectar voz en los altavoces, esperar a que termine y transcribir |
Herramienta | Descripción |
| Ir a una URL |
| Hacer clic en un elemento |
| Escribir en un campo de entrada |
| Pulsar una tecla |
| Tomar una captura de pantalla de la página |
| Obtener el contenido de texto de la página |
| Ejecutar JavaScript |
| Esperar a que aparezca un texto |
| Obtener la dirección actual |
| Permitir el acceso al micrófono para un origen |
Herramienta | Descripción |
| Captura de la pantalla completa |
| Obtener la resolución de la pantalla |
| Obtener la URL del visor VNC en directo |
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.
