Herramienta que analiza una grabación de voz y mide tono, ritmo, pausas y muletillas, para comparar tu progreso sesión a sesión. Todo se procesa en local: el audio no sale del equipo.
Python · FastAPI · faster-whisper · Praat · pypdf · React 19 · TypeScript · uPlot · SQLite
Problem: People who want to speak better judge themselves by ear, and apps that measure voice upload recordings to the cloud.
Solution: Speek turns a recording into comparable metrics (pitch, pace, pauses, filler words) and trains you against them, 100% locally. It also lets you read books aloud and tracks what you really said.
Stack: Python, FastAPI, faster-whisper, Praat, pypdf, React 19, TypeScript, SQLite.
Live demo: None (runs locally; a walkthrough is available on request).
My role: Solo project, end to end: audio analysis, API, UI and tests, working with an AI assistant under written conventions.
Capturas tomadas con datos de ejemplo: una grabación de voz sintética y un PDF de prueba. No hay voces, libros ni datos reales.
Quien quiere hablar mejor (presentaciones, entrevistas, clases) suele guiarse por cómo se escucha, y eso engaña: no hay forma de saber si hablas más rápido que hace un mes o si tu tono se ha vuelto más plano. Las apps que lo miden suben el audio a la nube, y una grabación de tu voz es un dato personal.
Speek convierte una grabación en métricas comparables y te hace practicar contra ellas:
- 📊 Informe por grabación: tono medio, rango habitual, variación en semitonos, palabras por minuto, pausas y muletillas, con recomendaciones. Al tocar una gráfica o una palabra, el audio salta a ese momento.
- 📈 Progreso: la última sesión frente a tu promedio, una gráfica por métrica y metas propias.
- 🏋️ Práctica guiada: ejercicios de lectura, entonación, dicción y habla libre, para repetir el mismo contenido y comparar de forma justa.
- ⏱️ Retos con marcador en vivo: sin silencios largos, sin monotonía, velocidad justa, sin muletillas (con transcripción en vivo) y explicar un texto de memoria.
- 📝 Transcribir en lote: varios audios a la vez, exportables a
.txt,.srto un.zip. - 📚 Libros (beta): subes un PDF, marcas qué parte es contenido y lo lees en voz alta por tramos. Speek alinea tu lectura con el texto y calcula qué leíste de verdad, con modo estricto y revisión escuchando el audio de cada palabra dudosa.
- 🖥️ Un icono del escritorio arranca el servidor y abre el navegador: un clic, sin terminal.
 |
 |
| La biblioteca, con el avance de cada libro. | Lo leído se marca en el texto: bien dicho, con errores o dado por bueno. |
 |
 |
| Tono, pausas y velocidad sincronizados con el audio. | Transcripción tocable y exportable. |
El icono del escritorio.
- Todo local por diseño. Praat (vía
parselmouth) para el tono y faster-whisper en CPU para la transcripción: sin GPU, sin servicios externos y sin cuentas. FFmpeg no hace falta (PyAV). - Transcripción en vivo con dos vueltas. Un WebSocket manda el audio al servidor, que transcribe con un modelo más liviano; las palabras salen en gris y se confirman a los 3–4 s. Hay guardas contra el texto inventado que Whisper produce con ruido de fondo.
- Comparabilidad antes que cantidad de métricas. Los ejercicios fijos, la marca de «grabación con ruido de fondo» y el filtro por tipo de ejercicio existen para que dos sesiones se puedan comparar de verdad.
- Modelo de lenguaje intercambiable. El reto de memoria lo evalúa Ollama (privado, gratis, 2–3
minutos en un portátil sin GPU) o la API de Claude (segundos, centavos de dólar); solo viaja el
texto de la explicación, nunca el audio. Se cambia en un
.envsin reiniciar. En pruebas, los modelos pequeños daban por dichas ideas que faltaban, así que no se recomiendan para evaluar. - El progreso de un libro es la unión de lo que dijiste, no un marcador. Cada lectura se alinea con el texto desde el párrafo de inicio (bloques de varias palabras, huecos tolerados) y los tramos se suman. Así el porcentaje refleja lo leído de verdad aunque saltes de capítulo o repitas. Las palabras que el PDF parte por dentro se reparan al extraer, y los términos técnicos se apoyan en un glosario del tramo.
- Un lanzador que no se pelea con el puerto. El icono reutiliza el servidor si ya corre; si no, busca el primer puerto libre desde el 8000 y recompila la interfaz solo si cambió.
- Formatos reconocidos por contenido, no por extensión (el celular entrega
.aac,.ogg,.m4a…), con la fecha de grabación sacada del nombre del archivo o de sus metadatos. - HTTPS local para grabar desde el celular, porque el navegador solo da el micrófono en contextos seguros; con respaldo de copiado donde no hay portapapeles seguro.
216 pruebas automatizadas (API, formatos de audio, métricas, retos, extracción de PDF y alineación de lecturas). Desarrollado del 16 de septiembre al 1 de noviembre de 2026.
Rendimiento medido a mano en un portátil de 8 núcleos sin GPU, modelo small: un audio de 7 min 31 s
con ruido se transcribe en 100–115 s (~4× más rápido que el tiempo real).
Producto funcional de punta a punta, de uso personal: fases 0 a 6 completadas (motor, interfaz web, historial, práctica, retos y transcripción en vivo, reto de memoria), el transcriptor en lote, un rediseño visual, el icono del escritorio y la sección Libros (cargar el PDF, leer en voz alta con progreso real, modo estricto y revisión con audio).
Lo que falta, dicho claro: de los libros, las notas por tramo y explicar en voz alta lo leído. La página «Clonar Voz» existe solo como interfaz: todavía no hace nada. Pendientes: estructura narrativa (historias y chistes) y constancia (rachas, insignias).
Proyecto personal, hecho por mí de principio a fin: análisis de audio, API, interfaz, pruebas y decisiones de diseño, trabajando con un asistente de IA bajo convenciones y pruebas escritas.
🔒 Código fuente privado. Este repositorio es solo el case study. Puedo mostrar el código y la app funcionando en una entrevista técnica.
Contacto: GitHub · LinkedIn · Instagram · kevinhafiddiazgarcia@gmail.com
© 2026 Kevin Díaz. All rights reserved. Text and screenshots may not be reused without permission.