En la era actual, el acceso a agentes de codificación como Claude Code ha revolucionado la creación de aplicaciones internas. Lo que antes llevaba semanas o meses de desarrollo, ahora se puede lograr en cuestión de horas. Esta agilidad nos permite construir herramientas personalizadas que se ajustan perfectamente a nuestras necesidades, sin la necesidad de grandes inversiones o de depender de soluciones comerciales.

Imagina la siguiente situación: tienes grabaciones de reuniones y necesitas identificar quién dijo qué. Las herramientas de transcripción convencionales son útiles, pero a menudo solo etiquetan a los oradores de forma anónima (orador 1, orador 2, etc.). Si bien esto es un avance, lo ideal sería tener los nombres reales de las personas asociados a sus intervenciones. Esta necesidad, que muchos hemos experimentado, ha llevado al desarrollo de soluciones innovadoras.

La necesidad de un reconocimiento de oradores personalizado

Personalmente, me gusta grabar las reuniones internas para poder consultar discusiones pasadas. Sin embargo, me di cuenta de que mi herramienta de transcripción habitual, Soniox, solo ofrecía etiquetas anónimas. Esto tiene sentido, ya que si solo proporcionas grabaciones individuales, es imposible que la API sepa quién es quién. Busqué soluciones en línea que pudieran nombrar a los individuos a partir de muestras de audio, pero no encontré ninguna herramienta robusta que se ajustara a mis requisitos. Fue entonces cuando decidí construir mi propia aplicación.

Crear mi propia herramienta me dio control total sobre la aplicación, permitiéndome personalizarla según mis necesidades exactas y asegurándome de que los datos se manejaran de forma adecuada. Si esto hubiera ocurrido en 2019, sin acceso a agentes de codificación, probablemente no habría emprendido este proyecto. Habría tardado días en implementarlo de forma sólida, si es que hubiera sido posible con los modelos de transcripción de audio de la época. Pero ahora, gracias a la evolución de los modelos de audio y a la asistencia de la IA, esto se puede lograr en solo unas pocas horas y con una alta precisión.

Construyendo la aplicación de reconocimiento de oradores con IA

El proceso de construcción de la aplicación fue sorprendentemente eficiente. La clave está en comunicar tu visión de la aplicación de la manera más detallada posible en un único prompt para el agente de codificación. Esto implica pensar en toda la aplicación, desde el modelo de transcripción a utilizar hasta cómo se etiquetará a cada orador. Cuanta más información proporciones al modelo de antemano, más alineado estará contigo y menos rondas de preguntas y respuestas serán necesarias.

Mi prompt inicial fue bastante extenso, cubriendo la mayoría de los aspectos que quería implementar. Aunque tuve que hacer algunos ajustes posteriores, como el diseño de la interfaz para etiquetar a los oradores, el modelo pudo implementar gran parte de la funcionalidad desde el principio. Ahora, después de haber etiquetado a varios oradores, la aplicación reconoce automáticamente a las personas en nuevas grabaciones de reuniones. Si aparece una persona nueva, la aplicación me lo indica y me pide que la etiquete, almacenando esa información para futuras grabaciones.

Así funciona la aplicación internamente

Para entender cómo funciona la aplicación, veamos los detalles técnicos. Primero, utilizo Soniox para obtener las transcripciones anónimas, ya que en mi experiencia, funciona mejor que los modelos locales. Una vez que tengo la transcripción anónima, confío en su precisión y procedo a encontrar las marcas de tiempo de cada orador único. Esto es posible porque Soniox proporciona los tiempos de inicio y fin de cada frase, lo que me permite extraer muestras de audio individuales de cada participante.

Con estas muestras de audio, las comparo con una lista de muestras de audio previamente almacenadas. Este proceso se realiza mediante la incrustación del audio, similar a cómo se incrustan palabras en texto, y luego comparándolas mediante la similitud de coseno. Si la confianza es alta (más del 80%), la aplicación etiqueta automáticamente al orador, ya que es muy probable que sea alguien que ya conocemos. Si la confianza es menor, la aplicación me presenta la muestra de audio para que la etiquete manualmente. Una vez etiquetada, esa muestra se incrusta y se almacena para futuras comparaciones.

En esencia, la aplicación utiliza incrustaciones de audio para comparar rápidamente las voces y determinar si un orador ya ha sido identificado o si es una persona nueva.

La posibilidad de construir herramientas internas de forma tan rápida y económica ha cambiado las reglas del juego. Lo que antes era un proyecto costoso y que consumía mucho tiempo, ahora es una tarea accesible que puede realizarse en cuestión de horas. Incluso un pequeño aumento de productividad, como el que ofrece esta aplicación al permitir buscar en reuniones anteriores con mayor precisión, justifica el esfuerzo. La IA no solo está transformando cómo interactuamos con la tecnología, sino también cómo la creamos.