De Anki a mi propia app: Cómo IA y React Native crearon VibeLing para aprender idiomas
Un desarrollador frustrado con las limitaciones de las herramientas existentes de aprendizaje de idiomas creó VibeLing, su propia app móvil. En solo 5 meses, el proyecto atrajo a más de 1.000 usuarios sin gastar un euro en marketing. ¿La clave tecnológica? React Native, Node.js y modelos de IA para generar ejemplos y traducciones.
Problemas con las soluciones existentes
El autor probó varios métodos de aprendizaje de idiomas y identificó dos tipos principales de apps que se quedaban cortas:
• Apps de diccionario (como SkyEng) – ofrecen listas fijas de palabras, pero no permiten añadir frases personalizadas ni expresiones contextuales.
• Apps de tarjetas (como Anki) – requieren entrada manual de datos, convirtiendo la creación de material en una tarea tediosa.
Este dolor fue más intenso al estudiar serbio, donde las herramientas amigables escasean. Eso encendió la chispa para una solución a medida.
Arquitectura y pila tecnológica de VibeLing
Para un MVP rápido, el equipo eligió esta pila:
- Frontend: React Native + Expo para desarrollo multiplataforma en iOS y Android.
- Backend: Node.js como proxy a APIs de IA y servicios de texto a voz de AWS.
- Infraestructura: Vercel para despliegue, RevenueCat para gestión de suscripciones.
- Sitio web: Next.js con SSR para optimización SEO.
La IA se encargó de traducciones automáticas y oraciones de ejemplo, eliminando la entrada manual del usuario.
Construyendo el MVP y desafíos iniciales
La primera versión fue una simple página web con un campo de entrada para validar el concepto. Una vez probado, se creó la versión móvil en días. El desarrollo se aceleró con herramientas de IA:
• Cursor y Claude para generación de código.
• Kits de UI listos de plantillas de Figma Community para diseño.
Un obstáculo inesperado fue el uso dual de cirílico y latín en serbio. Los modelos de IA mezclaban alfabetos de forma inconsistente, y el TTS de AWS solo aceptaba latín. ¿La solución? Un convertidor algorítmico en lugar de ajustar prompts de IA.
Lanzamiento y feedback de usuarios
El lanzamiento inicial en iOS reveló bugs y casos límite pasados por alto en pruebas. Las reseñas negativas aportaron insights clave para estabilizar. La distribución se hizo vía:
• El canal de Telegram del autor (1.500 suscriptores).
• Publicaciones en el hub "Me autopromociono" de Habr, atrayendo unos 700 usuarios.
Un susto mayor: la integración de RevenueCat con Google Play falló, reembolsando automáticamente pagos exitosos. Esto generó malas reseñas y riesgo de baneo de cuenta. Se solucionó con ajustes manuales de configuración.
Estado actual y planes futuros
A fecha de hoy, la app presume de:
• Más de 1.000 usuarios registrados.
• 700 usuarios activos en los últimos 28 días.
• 5 suscripciones pagadas.
Items clave del roadmap:
- Mejorar la estabilidad de la IA, sobre todo para idiomas raros.
- Optimizar el flujo de usuario desde añadir palabras hasta dominarlas.
- Explorar generación de imágenes para recuerdo asociativo, equilibrando costes de tokens.
Lecciones clave
• La IA acelera el desarrollo, pero no sustituye el código profundo – las redes neuronales clavaron el MVP, pero problemas espinosos como pagos necesitaron soluciones manuales.
• La distribución gana a un código perfecto – un MVP rudimentario que resuelve un dolor real puede ganar tracción con publicaciones dirigidas.
• Resuelve primero tus propios problemas – si te sirve a ti, probablemente ayude a otros.
• El soporte multilingüe requiere matices – rarezas como los alfabetos duales del serbio exigen soluciones técnicas ingeniosas.
— Editorial Team
Aún no hay comentarios.