Resumo: A avaliação clínica da voz é essencial para a identificação de distúrbios vocais e definição de estratégias terapêuticas, exigindo análise minuciosa de aspectos acústicos, perceptivo-auditivos e fisiológicos. Este estudo propõe a aplicação de algoritmos de aprendizado de máquina supervisionado na classificação do grau de distúrbio vocal em quatro categorias: normal, leve, moderado e severo. Utilizou-se uma base de dados do Laboratório Integrado de Estudos da Voz (LIEV/UFPB), composta inicialmente por 470 participantes. Após exclusões de casos com diagnóstico não especificado e de usuários profissionais da voz, a amostra final foi de 445 participantes (390 disfônicos e 55 não disfônicos), com média de idade de 41,20 anos (DP = 14,04). Foram utilizadas como variáveis de entrada (inputs) 47 medidas acústicas, obtidos a partir de duas tarefas de fala adotadas na literatura. Os dados foram particionados em 80% para treinamento e 20% para teste. Foram testados diferentes algoritmos: árvore de decisão, floresta aleatória, SVM, KNN, entre outros. A seleção de hiperparâmetros foi realizada por validação cruzada com 5 folds e 30 repetições. O desempenho foi avaliado por meio das seguintes métricas: acurácia balanceada, recall, especificidade e F1-score. Os melhores modelos obtiveram uma acurácia balanceada superior a 70% na tarefa de classificação multiclasse com quatro categorias. Como principal avanço tecnológico, desenvolveu-se uma API (Interface de Programação de Aplicações) integrada ao modelo inteligente, permitindo a predição automatizada do grau de distúrbio vocal a partir de novos dados de forma rápida, escalável e acessível para aplicação clínica em tempo real. Os resultados indicam que os algoritmos de aprendizado de máquina apresentam potencial para auxiliar o diagnóstico fonoaudiológico, oferecendo uma abordagem não invasiva e ágil, agora potencializada por uma ferramenta pronta para uso em serviços de saúde.