Como Fazer o Claude Code e o Codex Falarem com Você (Fish Audio) #claudecode #codex #fishaudio

A busca por agentes de IA com voz

Agentes de IA como Claude Code e Codex revolucionaram a forma como desenvolvedores interagem com terminais e fluxos de trabalho, mas ainda há uma lacuna importante: a comunicação é essencialmente visual. O desenvolvedor precisa vigiar a tela, acompanhar logs e observar o cursor para saber se o agente terminou uma tarefa, encontrou um erro ou precisa de uma decisão. Essa dependência visual interrompe o fluxo de trabalho e impede que o profissional se afaste do computador enquanto o agente executa tarefas longas. A solução proposta neste vídeo é usar síntese de voz para que os agentes avisem ativamente o usuário por áudio, transformando a experiência de monitoramento passivo em uma interação mais natural e menos invasiva.

A API S2.1 Pro da Fish Audio

A Fish Audio é uma plataforma especializada em voz sintética que recentemente liberou sua API S2.1 Pro gratuitamente, sem limite de uso, até o final de novembro. Essa gratuidade é uma oportunidade estratégica para desenvolvedores experimentarem a integração de voz em seus agentes sem custo imediato. A API oferece uma interface simples para conversão de texto em fala, permitindo que qualquer aplicação envie uma string e receba de volta um áudio sintetizado. O modelo S2.1 Pro da Fish Audio tem qualidade notável para um serviço gratuito temporário, com suporte a múltiplos idiomas, incluindo português brasileiro, e recursos avançados que vão além da simples leitura de texto, como a modulação emocional e a clonagem de voz a partir de amostras curtas.

Criando credenciais e escolhendo a voz

Para começar a usar a API, é necessário criar uma conta na Fish Audio e gerar uma chave de acesso em uma área específica do painel. O vídeo destaca que a chave da API deve ser tratada como uma senha: não deve aparecer em prints, vídeos ou commits de código, e o ideal é armazená-la em um arquivo .env fora do repositório git. Após a autenticação, o usuário pode navegar pelas vozes disponíveis na biblioteca da Fish Audio. Existem vozes com timbres, sotaques e entonações variadas, e a escolha depende do contexto de uso. Para um agente de programação que avisa sobre builds quebrados, por exemplo, faz sentido optar por uma voz mais neutra e clara. Para um assistente de produtividade, talvez uma voz mais calorosa seja adequada. A documentação da API orienta sobre os parâmetros de cada modelo.

A primeira fala pela API

O primeiro teste prático é simples: um script Node.js envia uma frase para a API e salva o áudio retornado. Com poucas linhas de código, é possível fazer o computador falar "Bom dia, mundo!". Esse primeiro passo estabelece a base para todas as integrações seguintes, pois prova que o pipeline de texto para áudio está funcionando corretamente. O desenvolvedor precisa configurar corretamente a requisição HTTP, incluindo o formato do áudio de saída, o modelo desejado e a voz escolhida. A API responde com um arquivo de áudio que pode ser reproduzido imediatamente no ambiente local. A partir daí, o código pode ser encapsulado em uma função reutilizável para qualquer finalidade dentro dos agentes de IA.

Emotion tags e expressividade

Um dos recursos mais interessantes da API da Fish Audio é o suporte a emoções por meio de tags embutidas no texto. Essas tags, que funcionam melhor em inglês mesmo quando a fala é em português, permitem que o agente module o tom de voz para expressar urgência, satisfação, cautela ou entusiasmo. Por exemplo, uma tarefa concluída com sucesso pode ser lida com tom alegre, enquanto um erro crítico pode ser comunicado com seriedade. O vídeo demonstra como o agente pode escolher a própria emoção com base no resultado da execução, tornando a comunicação não apenas informativa, mas também contextualmente adequada. Esse nível de expressividade aproxima a interação com agentes de IA de uma conversa humana, onde o tom de voz carrega tanta informação quanto o conteúdo.

Integração com Claude Code e Codex

A integração principal acontece por meio dos Hooks do Claude Code, mecanismo que permite executar comandos personalizados em momentos específicos, como ao iniciar uma tarefa, ao concluir com sucesso ou ao encontrar um erro. Ao associar um hook à função de fala, o Claude Code passa a anunciar verbalmente o status da sua execução. O mesmo pode ser feito com o Codex, o agente da OpenAI, chamando a função de síntese de voz após a conclusão de cada etapa. O vídeo também apresenta o MCP da Fish Audio, que permite adicionar capacidades de fala ao Claude Code sem escrever código diretamente, usando o comando claude mcp add. Com isso, o agente ganha uma ferramenta de voz nativa que pode ser invocada durante a conversa.

Clonagem de voz e múltiplos agentes

Outro recurso explorado é a clonagem de voz, que permite criar uma réplica sintética da voz do próprio usuário a partir de amostras curtas. O processo é feito em uma área específica do painel da Fish Audio, onde o usuário envia gravações e recebe uma voz personalizada. No vídeo, essa voz clonada é usada para que os agentes falem com o timbre do próprio desenvolvedor, aumentando a sensação de familiaridade. Em um cenário mais avançado, o autor demonstra quatro agentes executando simultaneamente no ambiente Alethe, cada um com sua própria voz e personalidade, reportando progresso por áudio de forma independente. Isso ilustra o potencial de orquestração de agentes com interfaces auditivas distintas, algo que seria impossível ou impraticável com monitoramento puramente visual.

Respondendo ao agente por voz

O vídeo avança para a interação bidirecional: não apenas os agentes falam, mas o usuário pode responder por voz. Esse fluxo envolve o reconhecimento de fala do lado do usuário, que converte a resposta falada em texto, que por sua vez é enviado ao agente para processamento. Embora o foco principal do vídeo seja a síntese de voz, a demonstração de resposta falada aponta para um futuro em que a interação com agentes de IA se torna cada vez mais conversacional. O autor faz ressalvas importantes: é preciso verificar os termos de uso da API antes de enviar dados sensíveis, pois parte do conteúdo pode ser usado para treinar modelos. Além disso, a chave de acesso deve ser protegida adequadamente para evitar vazamentos.

Cenário de uso e próximos passos

O vídeo encerra com uma avaliação honesta sobre o custo futuro da API: após o período gratuito, o serviço volta a ser cobrado por caractere. No momento do vídeo, a Fish Audio havia acabado de anunciar o Drama 3, seu novo modelo de voz, com redução de preço de US$ 50 para US$ 10 por milhão de caracteres. A dica é aproveitar a janela gratuita para experimentar e avaliar se o custo futuro compensa. Para quem desenvolve com IA, a capacidade de dar voz a agentes como Claude Code e Codex abre um novo campo de automação e ergonomia. A sugestão de próxima etapa é explorar a orquestração de múltiplos agentes com vozes distintas, aprofundando-se no ambiente Alethe ou implementando um sistema de resposta por voz com reconhecimento de fala.