Como criar um app de reconhecimento de locutor com Claude Code em 2 horas

Ferramentas internas em minutos, não em meses

Uma das maiores vantagens dos agentes de codificação como Claude Code ou Codex é a velocidade para criar aplicações internas. Antes dos agentes, construir uma ferramenta interna eficaz levava semanas ou meses — e, na maioria das vezes, a alternativa era comprar algo pronto, avaliando se o custo compensava o tempo economizado. Agora, é possível montar a ferramenta em questão de horas, sob medida para a sua necessidade exata.

O problema que motivou o app

O autor grava reuniões internas para consultar discussões antigas. As ferramentas de transcrição que ele usava — como o Soniox — identificavam os interlocutores apenas com rótulos anônimos (“Speaker 1”, “Speaker 2”, “Speaker 3”). O que ele realmente queria era o nome de quem fala cada frase: não só quem disse o quê, mas a identificação nominal de cada participante.

Ele procurou por um serviço que, a partir de amostras de áudio de cada pessoa, rotulasse os participantes de uma reunião pelo nome — e não encontrou nada robusto. Decidiu, então, construir a própria ferramenta: um app onde o usuário rotula cada locutor uma única vez e o sistema aplica esse rótulo automaticamente a todas as gravações futuras.

Como o app funciona

O fluxo é direto: você envia a gravação de uma reunião, a ferramenta transcreve o áudio, identifica cada locutor e associa cada trecho ao nome correto. O segredo está em comparar as impressões de voz (voice embeddings) de cada segmento com as amostras rotuladas previamente — o que transforma “Speaker 1” em “João” e “Speaker 2” em “Maria”.

A lição de engenharia: descreva a visão completa no primeiro prompt

A técnica que o autor destaca é transferível a qualquer ferramenta interna: descreva a visão completa do app em um único prompt detalhado. Isso significa pensar em todas as decisões antes — qual modelo de transcrição usar, como rotular cada locutor, como estruturar a interface — e informar tudo ao agente de uma vez, em vez de deixá-lo fazer perguntas. Quanto mais alinhado o prompt com a decisão que você já tomou, menos iterações são necessárias.

Para quem prioriza privacidade, é possível rodar tudo localmente com modelos de transcrição open source, mantendo os dados sob seu controle. O autor, por exemplo, usa no dia a dia a ferramenta FluidVoice para transcrever o que dita ao computador.

O impacto

O app foi construído em cerca de duas horas — algo que, em 2019, exigiria dias de trabalho, se é que seria viável com os modelos de áudio da época. A combinação de agentes de codificação com modelos de transcrição atuais mudou a economia das ferramentas internas: o que antes era uma decisão de compra passou a ser uma decisão de construção.