Синтетический человек в Docker-контейнере. У него есть уши, рот, глаза и руки.
Полностью автономная среда, имитирующая реального пользователя, который взаимодействует с веб-приложениями через голос и браузер. В ней есть:
Виртуальный микрофон — MCP может внедрять аудио (TTS или сырое), которое любое приложение считает идущим с аппаратного микрофона
Виртуальные динамики — MCP может захватывать и транскрибировать аудио, которое воспроизводит ОС
Настоящий браузер — Chromium с управлением через Playwright, постоянные сессии входа
Настоящий дисплей — Xvfb + VNC для отладки (смотрите, что происходит в реальном времени)
Интерфейс MCP — всё доступно через инструменты Streamable HTTP
Related MCP server: Lotus MCP
Тест голосового режима ChatGPT — внедрить «Какой прогноз погоды?» в микрофон, захватить голосовой ответ ChatGPT, транскрибировать его и выполнить проверку
Тест Gemini Live — тот же процесс для голосового ИИ от Google
Тест нашего Mobile Mesh UI — полное сквозное тестирование голосовых разговоров в нашем приложении
Любое веб-приложение с голосовыми функциями — если оно использует микрофон/динамики браузера, мы можем его протестировать
┌─────────────────────────────────────────────────────────────┐
│ 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 responseСессии входа сохраняются в ./data/browser-profile/ (смонтированный том).
Для токенов аутентификации ChatGPT/Gemini используйте DragonsKeep:
Сохраните куки в DragonsKeep как chatgpt-session / gemini-session
При запуске контейнера внедрите их в профиль браузера
Или: войдите вручную один раз через VNC (http://localhost:6080) — сессия сохранится.
Порт | Сервис |
8360 | MCP Server (Streamable HTTP) |
6080 | noVNC (просмотр VNC в браузере) |
5900 | VNC direct |
Инструмент | Описание |
| Синтезировать текст → внедрить как вход микрофона |
| Захватить вывод динамиков → транскрибировать в текст |
| Передать сырые аудио-байты в виртуальный микрофон |
| Записать сырое аудио с виртуальных динамиков |
| Обнаружить речь на динамиках, дождаться окончания и транскрибировать |
Инструмент | Описание |
| Перейти на URL |
| Кликнуть по элементу |
| Ввести текст в поле ввода |
| Нажать клавишу клавиатуры |
| Сделать скриншот страницы |
| Получить текстовое содержимое страницы |
| Выполнить JavaScript |
| Подождать появления текста |
| Получить текущий URL |
| Разрешить доступ к микрофону для origin |
Инструмент | Описание |
| Скриншот всего рабочего стола |
| Получить разрешение дисплея |
| Получить URL живого VNC-просмотра |
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.
