speech-habit-lens

Dos comandos

1. shl analyze speech.wav --out report.md Reconoce el audio, extrae ESAS, corre tres capas de Claude y escribe un informe Markdown con evidencia: 3-4 minutos de punta a punta.
2. shl serve Lanza la UI de Streamlit en localhost:8501 con grabación desde el micrófono del navegador, series temporales en Plotly y tarjetas de la capa cruzada.
3. --model claude-opus-4-7 Cambia el modelo por ejecución: Sonnet 4.6 (por defecto), Opus 4.7 para los patrones cruzados más difíciles, Haiku 4.5 para bajar el costo.

Para quién es

• Ponentes y fundadores auditan el pitch que van a dar antes de que la sala mire
• Product managers encuentran la frase donde la actualización deja de aterrizar y ajustan solo esa
• Coaches y educadores sustentan el feedback con evidencia medida en lugar de "sonaste un poco plano"
• Ingenieros curiosos ven sus propios hábitos de habla como los ve un instrumento, con un minuto de audio

Cuándo usarlo

• Al ensayar un pitch o una charla: oye el hábito de apertura antes del directo
• Después de una demo que cayó: encuentra el momento en que la voz se quedó atrás de las palabras
• Al entrenar a un ponente: cambia impresión por informe con timestamp y cita de parámetro
• Al auditar tu propia habla: lectura mensual de los hábitos que no sabías que tenías

Instalación

git clone https://github.com/kenimo49/speech-habit-lens
cd speech-habit-lens
pip install -e .

cp .env.example .env   # AMIVOICE_API_KEY + ANTHROPIC_API_KEY

Necesita una clave de la API AmiVoice (gratis hasta 60 minutos al mes) y una clave de la API Anthropic. Un análisis cuesta unos ¥18 de uso de Claude Sonnet — cerca de 60 ejecuciones al mes por ¥1.080.

Las tres capas

• Capa acústica: series temporales de los 20 parámetros ESAS — curva de tensión, sesgo de entonación, energía de apertura, caída del cierre
• Capa de texto: muletillas, posición de la conclusión, palabras repetidas, flujo lógico del transcript reconocido
• Capa cruzada: correlaciones cuerpo–lenguaje, como "la energía vocal cae justo antes de la conclusión"
• Regla de grounding: toda afirmación tiene que citar tiempo, parámetro y fragmento, lo que suprime observaciones alucinadas
• ESAS no depende del idioma: los hábitos acústicos salen nítidos aunque el reconocimiento venga lleno de errores
• Los 20 nombres de campo del ESAS fueron medidos contra la API real (la doc oficial lista solo 5 ejemplos)
• UI en Streamlit: grabación con micrófono en el navegador, series temporales interactivas en Plotly, tarjetas de la capa cruzada, descarga del informe Markdown

Medido en 4 pitches

La misma herramienta en cuatro clips de 60 segundos: Jobs, Son (SoftBank), Nishino y Ochiai. Los números de abajo son los picos que imprimió la propia herramienta.

Un solo indicador no decide si hablas bien: el pico de energy de Jobs es 21, el de Son es 44, y los dos aterrizan. Lo que la herramienta muestra es dónde vive el hábito de cada uno: los cinco "chotto" de Nishino, el pitch de Son entregado por completo en la apertura, la confidence de Ochiai cayendo a 0,70 mientras el patrón acústico sigue intenso. No es la nota; es el hábito específico nombrado en la línea de tiempo.

Estudio de caso completo de los 4 pitches →

Las dos cosas que la impresión pierde

Estos son los dos puntos que la herramienta saca a la luz cada vez y que la impresión no atrapa.

Uso

# análisis: reconocimiento → ESAS → Claude × 3 capas → informe Markdown
shl analyze examples/sample.wav --out report.md

# elegir el modelo Claude por ejecución
shl analyze examples/sample.wav --model claude-opus-4-7 --out report.md

# UI en el navegador con grabación por micrófono en localhost:8501
shl serve

Interfaz web

shl serve levanta una UI en Streamlit en localhost:8501: graba con el micrófono del navegador o arrastra un .wav, explora la serie temporal ESAS de forma interactiva en Plotly, abre las tarjetas de la capa cruzada y descarga el informe en Markdown. Las claves de API se leen del .env en el lado del servidor y nunca llegan al navegador.

Qué devuelven las ejecuciones reales

Tres patrones que la herramienta atrapó en discursos reales. Cada línea viene con tiempo + parámetro + fragmento.

• Apertura de Stallman (0.0s, anticipation=65, energy=2, confidence=15): anticipación máxima con energía vocal mínima. Una carrera que no despega — el segundo específico que la impresión traduce por "sonó fuera de lugar"
• intensive_thinking=62 × energy=3: los momentos de pensamiento más denso coinciden con la menor salida vocal. Presente en toda charla larga que la herramienta corrió hasta ahora
• passionate=0 fluente: las palabras no paran, el passionate del ESAS se queda en cero. Fluente pero plano — falla común de pitches muy ensayados, solo visible en la capa cruzada

La herramienta es espejo, no coach. Nombra el hábito en la línea de tiempo; qué hacer con eso es tuyo.

v0.2, construido para el Zennfes Spring 2026. Duración recomendada 30-90 segundos (el tier gratuito de AmiVoice es de 60 minutos/mes). El análisis toma cerca de 3-4 minutos de punta a punta. La semántica de los parámetros ESAS viene de mediciones más la lista oficial de parámetros; trata los hallazgos de la capa cruzada como pistas de coaching, sin valor de medición clínica.

Por qué existe esta herramienta

Casi todo feedback sobre habla vive al nivel de la impresión: "parecías nervioso", "el cierre estuvo débil", "te perdí en el medio". Cuando la impresión se vuelve palabra, el segundo específico que la produjo ya se perdió. Las tres capas de aquí existen para retener ese segundo: la acústica lo mide sin depender de si reconociste las palabras, la de texto registra lo que se dijo de verdad, y la cruzada las alinea para que un hábito se vuelva cita, no vibe. Depura la entrega como depuras código.

Junto a Whisper y pyAudioAnalysis

Trabajos distintos. Whisper transcribe; pyAudioAnalysis clasifica frames acústicos. speech-habit-lens queda en la capa de arriba: alinea una serie temporal emocional por parámetro con el transcript y le pide al LLM que nombre el hábito, bajo una regla estricta de cita.

La raya indica que la herramienta no ofrece esa superficie por defecto. speech-habit-lens vive encima de un motor de transcript y de una señal acústica (AmiVoice ESAS en este build); cambia cualquier capa de arriba y el análisis cruzado sigue corriendo.

FAQ

Sobre el autor

Creado por Ken Imoto: más de 300 artículos técnicos en Zenn, Qiita, Dev.to y este sitio, más de 40 libros en 4 idiomas, más de 400 mil páginas vistas en Zenn y Qiita, 4 artículos de investigación en Zenodo y creador del LLMO Framework.

Más sobre Ken →