O primeiro programa que vendi: um app que monta sozinho videoaulas de cifra, sincronizando letra, acordes e desenhos com IA.
Esse foi o primeiro programa grande que eu vendi. E foi de um jeito que eu não esperava...
Em 2025, passei oito meses no seminário, em Palotina/PR. Sou católico e, naquele ano, estava discernindo a vida sacerdotal: pensei em ser padre e seguir esse caminho. Já contei um pedaço dessa história em outro projeto, o Escolhedor de tarefas do seminário.
Lá a gente tinha aula de muita coisa, além dos trabalhos, e uma dessas aulas era a de música. O professor era o Vinícius, que todo mundo chamava de Vini. Ele dava aula de violão e de canto e tinha uma escola de música em Palotina, com vários professores.
Um dia ele ficou sabendo que eu era desenvolvedor e que me dava bem com tecnologia. E veio falar comigo com uma proposta.
O Vini tinha um canal antigo no YouTube, de uns quatro anos atrás, de cifras para tocar violão. Para quem não é músico: a cifra é a letra da música com os acordes escritos em cima das palavras, mostrando exatamente o que tocar e em que momento. As videoaulas do canal mostravam a letra com a cifra na parte de baixo e um músico tocando do lado, com o desenho do acorde aparecendo na tela.
A proposta era eu fazer a edição desses vídeos. Quatro anos antes, ele pagava 50 reais por vídeo.
Pensei seriamente, porque era dinheiro, né? Quase aceitei! Mas, olhando com mais calma, propus outra coisa: "Se a gente reajustar o valor, talvez você tenha que pagar uns 70 reais ou mais por vídeo. E se eu criar um programa que já faça tudo automaticamente? Você manda a cifra e o vídeo tocando, e o programa alinha tudo com IA e entrega o vídeo pronto."
E se eu criar um programa que já faça tudo automaticamente?
Assim nasceu o Projeto Sonora. Falar foi fácil... 🤭
Mas olha, foi uma loucura. Isso é uma stack de programa grande, uma automação absurda. A quantidade de coisas que precisam funcionar juntas para sair um vídeo pronto do outro lado é enorme. E os modelos de IA não eram como os de hoje: no projeto eu ainda cheguei a usar o GPT-4.
Em resumo, o programa fazia isto:
E aqui vai um arrependimento: eu ainda não tinha aprendido LangChain, então fiz tudo na mão. Criei vários fluxos, as tais chains, que são cadeias de prompts, um passando o resultado para o outro. O framework teria resolvido grande parte do que eu fiz manualmente, e isso acabou me custando muito mais do que se eu já soubesse usar.
O Vini mandava o vídeo dele tocando violão e, por cima, a música cantada. O primeiro passo era extrair só a voz de quem estava cantando. Essa voz ia para o Whisper, o modelo de transcrição da OpenAI, para descobrir o tempo exato em que a pessoa começava a cantar cada frase. Aí eu pegava o texto da cifra e procurava cada trecho dentro dessa transcrição.
Usei dois Whispers: um que me dava o tempo por frase e outro que calculava, com precisão, o tempo de cada palavra. Esse segundo ia ser a chave para os acordes, mais para frente.
Com os tempos em mãos, o programa organizava a estrutura de como a letra ia aparecer. Se um trecho fosse grande ou pequeno demais, podia não caber direito no vídeo, então tinha uma série de cálculos que o próprio computador fazia para distribuir a letra na tela.
Depois vinham os tempos de cada elemento: onde cada frase entra e onde termina. Eu precisava disso exato, porque a edição do vídeo também era feita com Python, e o código tinha que saber o que mostrar em cada momento.
Essa parte deu um baita trabalho. Eu pegava o vídeo do Vini tocando, extraía o áudio e tratava ele para sobrar só o som do violão no fundo. Depois, extraía os acordes de duas formas.
A primeira foi um módulo que encontrei no GitHub, o ChordExtractor, que usa o Librosa (uma biblioteca de análise de áudio em Python) e técnicas de extração de frequência para descobrir o acorde.
Explicando de um jeito simples: um acorde é uma tríade, três notas tocadas juntas. O dó maior, por exemplo, é formado por dó, mi e sol, que são a primeira, a terceira e a quinta. Como sou músico, essa parte eu entendi com facilidade ksksk. O método procura essas três frequências soando juntas e, a partir delas, diz qual é o acorde.
A segunda forma foi outra biblioteca, baseada em rede neural. As duas me diziam em que ponto do áudio encontravam cada acorde.
Mas nem tudo são flores... Em 90% dos casos, o tempo não batia. Às vezes era um erro de milissegundos, às vezes o acorde vinha errado: um lá com sétima no lugar de um lá normal, por exemplo.
A saída foi colocar mais uma IA no meio. Eu entregava para uma LLM o resultado do ChordExtractor, o da rede neural e a lista de acordes da cifra que o Vini mandou, porque ele queria exatamente aqueles acordes, naquela sequência.
A LLM comparava as fontes. Se o primeiro acorde da cifra era um lá, o ChordExtractor podia ter achado um lá com quarta ou com sétima, enquanto a rede neural achava um lá maior. Então ela dava mais peso ao lá maior e calculava o tempo que fizesse sentido.
E é aqui que entra o segundo Whisper. Na cifra, o acorde fica exatamente em cima da palavra, então eu sabia em qual palavra cada acorde caía. Cruzando o tempo da palavra com o tempo que as bibliotecas encontraram, a precisão melhorava muito.
Com o tempo exato de cada acorde, o desenho do lado trocava sempre que o acorde mudava no áudio. Para gerar esses desenhos, baixei outra biblioteca do GitHub, que exporta PNG a partir de modelos em HTML. Exportei todos os acordes usados nos vídeos, montei uma bibliotecona de imagens de acordes e entreguei tudo para o editor.
Com tudo calculado, as informações iam para o editor de vídeo, que tinha um processo para alinhar os tempos, fazer os desenhos aparecerem e ainda montar a thumbnail.
Para a thumbnail, a pessoa preenchia umas informações básicas (nome da música, cantor e tudo mais), e o sistema criava a imagem com o Pillow, seguindo um padrão. Ela entrava nos primeiros segundos do vídeo, e depois vinha a pessoa tocando.
Por fora, o programa era um app em Electron. E fiz com carinho: criei um avatar do Vini com o ChatGPT, e várias partes do app apareciam animadas para ele 😁
Quer ver o resultado? Estes são três vídeos oficiais feitos com o programa. Eu só gravei, e o programa gerou o resto:
No final, o Vini gostou bastante do resultado e me pagou pelo programa. Foi o primeiro programa que vendi para alguém, e que experiência boa!
Poder automatizar esse processo para ele foi ótimo. O Vini queria começar a gravar vídeos de violão para o público católico, com músicas católicas, mas teria um gasto grande até o canal se tornar rentável. Fora que produzir cada vídeo leva tempo. Com o programa, ele podia tocar o canal sem esse gasto desnecessário.
Eu mesmo fiz vários vídeos usando o programa, e o tempo total, somando gravação e edição, caiu para uns 30 minutos. Um absurdo!
E hoje? Não tenho mais contato com o Vini, então não sei dizer se ele chegou a postar. Acho que nada foi para o canal no YouTube, mas ele tinha outro plano para esses vídeos. Na escola, ele tinha um material próprio: montou livros para cada estágio de quem está aprendendo, do iniciante a quem já toca violão, piano ou outro instrumento.
A ideia dele era colocar nesses livros um QR code apontando para a videoaula. Assim o aluno lê a cifra da música no livro e ainda assiste no YouTube alguém tocando. Então talvez os vídeos estejam por lá, como não listados.
Como era um programa de computador, também não acompanho se ele ainda usa. Mas sei que economizou bastante o trabalho dele, e acredito que trouxe resultado para a escola.
Gostei muito desse projeto porque ele despertou em mim uma ânsia por IA. Foi a primeira vez que enxerguei a IA do jeito que a gente enxerga hoje, percebendo o potencial e o tamanho das coisas que dá para fazer com ela.
Depois fiquei pensando: esse projeto é tão complexo que, se eu dissesse que trabalho nele há dois ou cinco anos, qualquer desenvolvedor ia rir da minha cara ou achar que eu estou no Google, numa equipe enorme kkkkk. Mas não. Fiz tudo aproveitando a capacidade das LLMs que a OpenAI disponibiliza.
E detalhe: eu ainda não programava com IA. Só comecei a codar com IA de verdade em 2026. O código foi meio que todo na mão, e a IA ficava dentro do programa, nas chamadas para a LLM, resolvendo algumas coisas que eu deixava com ela.
Hoje o mercado já tem novidades como o JEV, um sistema de decisões que eu acredito que vai revolucionar os softwares que a gente usa. Mas, para mim, tudo isso começou numa aula de música no seminário... 🥹
Pedro Henrique Godoy Costa
Meu primeiro SaaS: nasceu de um script que gerava, com IA, um currículo personalizado para cada vaga, e acabou me apresentando ao meu sócio.
Pedro Henrique Godoy Costa
Startup de atendimento com IA no WhatsApp que fundei com o Diogo Paes, onde sou CTO e dev full stack: agente de IA, CRM e agendamento.
