speech-habit-lens

Dois comandos

1. shl analyze speech.wav --out report.md Reconhece o áudio, extrai ESAS, roda três camadas Claude e escreve um relatório Markdown com evidência: 3-4 minutos de ponta a ponta.
2. shl serve Sobe a UI Streamlit em localhost:8501 com gravação por microfone no navegador, séries temporais Plotly e cartões da camada cruzada.
3. --model claude-opus-4-7 Troca o modelo por execução: Sonnet 4.6 (padrão), Opus 4.7 para os padrões cruzados mais difíceis, Haiku 4.5 para cortar custo.

Para quem é

• Palestrantes e fundadores auditam o pitch que vão dar — antes de a plateia estar olhando
• Product managers acham a frase em que a atualização deixa de aterrissar e ajustam só ela
• Coaches e educadores sustentam o feedback com evidência medida em vez de "você soou meio apagado"
• Engenheiros curiosos veem os próprios hábitos de fala como um instrumento os vê, em um minuto de áudio

Quando usar

• Ao ensaiar um pitch ou uma talk: ouça o hábito de abertura antes de ir ao ar
• Depois de uma demo que caiu: ache o momento em que a voz ficou para trás das palavras
• Ao treinar um palestrante: troque impressão por relatório com timestamp e citação de parâmetro
• Ao auditar a própria fala: leitura mensal dos hábitos que você não sabia que tinha

Instalação

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

Precisa de uma chave da API AmiVoice (grátis até 60 minutos por mês) e de uma chave da API Anthropic. Uma análise custa cerca de ¥18 de uso do Claude Sonnet — algo como 60 execuções por mês por ¥1.080.

As três camadas

• Camada acústica: séries temporais dos 20 parâmetros ESAS — curva de tensão, viés de entonação, energia de abertura, queda no encerramento
• Camada de texto: preenchimentos, posição da conclusão, palavras repetidas, fluxo lógico do transcript reconhecido
• Camada cruzada: correlações corpo–linguagem, como "a energia vocal cai logo antes da conclusão"
• Regra de grounding: toda alegação precisa citar tempo, parâmetro e trecho, o que suprime observações alucinadas
• ESAS independe do idioma: os hábitos acústicos aparecem nítidos mesmo com reconhecimento de texto cheio de erros
• Os 20 nomes de campo do ESAS foram medidos contra a API real (a doc oficial lista só 5 exemplos)
• UI Streamlit: gravação por microfone no navegador, séries temporais interativas em Plotly, cartões da camada cruzada, download do relatório Markdown

Medido em 4 pitches

A mesma ferramenta em quatro clipes de 60 segundos: Jobs, Son (SoftBank), Nishino e Ochiai. Os números abaixo são os picos que a própria ferramenta imprimiu.

Um único indicador não decide se você fala bem: o pico de energy do Jobs é 21, o do Son é 44, e os dois aterrissam. O que a ferramenta mostra é onde mora o hábito de cada um: os cinco "chotto" do Nishino, o pitch do Son totalmente na abertura, a confidence do Ochiai caindo a 0.70 enquanto o padrão acústico segue intenso. Não é a nota; é o hábito específico nomeado na linha do tempo.

Estudo de caso completo dos 4 pitches →

As duas coisas que a impressão perde

Estes são os dois pontos que a ferramenta traz à tona toda vez e que a impressão não pega.

Uso

# análise: reconhecimento → ESAS → Claude × 3 camadas → relatório Markdown
shl analyze examples/sample.wav --out report.md

# escolher o modelo Claude por execução
shl analyze examples/sample.wav --model claude-opus-4-7 --out report.md

# UI no navegador com gravação por microfone em localhost:8501
shl serve

Interface web

shl serve sobe uma UI em Streamlit em localhost:8501: grave pelo microfone do navegador ou arraste um .wav, explore a série temporal ESAS de forma interativa no Plotly, abra os cartões da camada cruzada e baixe o relatório em Markdown. As chaves de API são lidas do .env no lado do servidor e nunca chegam ao navegador.

O que execuções reais retornam

Três padrões que a ferramenta pegou em discursos reais. Toda linha vem com tempo + parâmetro + trecho.

• Abertura do Stallman (0.0s, anticipation=65, energy=2, confidence=15): antecipação máxima com energia vocal mínima. Uma arrancada que não sai do chão — o segundo específico que a impressão traduz por "ele estava meio fora do lugar"
• intensive_thinking=62 × energy=3: os momentos de pensamento mais denso coincidem com a menor saída vocal. Presente em toda talk longa que a ferramenta já rodou
• passionate=0 fluente: as palavras não param, o passionate do ESAS fica em zero. Fluente porém apagado — falha comum de pitches muito ensaiados, só visível na camada cruzada

A ferramenta é espelho, não coach. Ela nomeia o hábito na linha do tempo; o que fazer com isso é seu.

v0.2, construído para o Zennfes Spring 2026. Duração recomendada 30-90 segundos (o tier gratuito do AmiVoice é de 60 minutos/mês). A análise leva cerca de 3-4 minutos de ponta a ponta. A semântica dos parâmetros ESAS vem de medições mais a lista oficial de parâmetros; trate os achados da camada cruzada como dicas de coaching, sem valor de medição clínica.

Por que esta ferramenta existe

Quase todo feedback sobre fala fica no plano da impressão: "você pareceu nervoso", "o fecho ficou fraco", "perdi você no meio". Quando a impressão vira palavra, o segundo específico que a produziu já se perdeu. As três camadas aqui existem para segurar esse segundo: a acústica mede independente de você ter reconhecido as palavras, a de texto registra o que foi de fato dito e a cruzada alinha as duas para que um hábito vire citação, não vibe. Debugue a entrega do jeito que você debuga código.

Ao lado do Whisper e do pyAudioAnalysis

Trabalhos diferentes. O Whisper transcreve; o pyAudioAnalysis classifica frames acústicos. speech-habit-lens fica na camada de cima: alinha uma série temporal emocional por parâmetro com o transcript e pede ao LLM que nomeie o hábito, sob uma regra estrita de citação.

O travessão indica que a ferramenta não oferece aquela superfície fora da caixa. speech-habit-lens fica em cima de um motor de transcript e de um sinal acústico (AmiVoice ESAS neste build); troque qualquer camada de cima e a análise cruzada continua rodando.

FAQ

Sobre o autor

Criado por Ken Imoto: mais de 300 artigos técnicos em Zenn, Qiita, Dev.to e neste site, mais de 40 livros em 4 idiomas, mais de 400 mil pageviews em Zenn e Qiita, 4 artigos de pesquisa no Zenodo e criador do LLMO Framework.

Mais sobre Ken →