BroadRouter

Chatbot de WhatsApp en árabe: de las notas de voz a las respuestas

Por el equipo de BroadNet Inference · 5 min de lectura · Publicado · Actualizado

Un asistente de WhatsApp en árabe tiene cinco partes: un webhook que recibe mensajes de WhatsApp Business Platform, una cola, voz a texto para las notas de voz, un LLM que redacta la respuesta y un emisor que contesta mediante la API. Convertir una nota de voz y transcribirla con BroadNet Transcribe Arabic cuesta $0.0042 por minuto de audio.

Un chatbot de WhatsApp en árabe necesita cinco partes: un webhook que recibe mensajes de la plataforma oficial WhatsApp Business Platform, una cola, voz a texto para las notas de voz, un LLM que redacta respuestas en árabe y un emisor que contesta dentro de la ventana de 24 horas de WhatsApp. Las notas de voz importan porque muchos clientes arabófonos hablan en su dialecto en lugar de escribir.

BroadRouter es un sitio de BroadNet, así que los ejemplos usan BroadNet Inference. Cualquier proveedor de voz a texto y de chat compatible con OpenAI encaja en los mismos puntos.

¿Cuáles son las partes de un chatbot de WhatsApp en árabe?

WhatsApp user
   │  text or voice note
   ▼
WhatsApp Business Platform (Cloud API)
   │  webhook POST
   ▼
1. Webhook receiver ── verify signature, store event, return 200
   │
   ▼
2. Queue (Redis, SQS, a database table)
   │
   ▼
3. Worker
   ├─ voice note? download media → ffmpeg → speech to text
   ├─ build prompt: system rules + recent history + new message
   └─ LLM drafts reply (or hands over to a human)
   │
   ▼
4. Sender ── POST /messages on the Cloud API
   │
   ▼
5. Store ── conversation state, opt-in status, audit log

1. Receptor del webhook

WhatsApp Cloud API entrega los mensajes entrantes como solicitudes HTTPS POST a un webhook que usted registra. Dos reglas mantienen sana esta parte:

  • Verifique cada solicitud. La documentación de Meta indica calcular un HMAC-SHA256 del payload JSON con el secreto de su aplicación (app secret) y compararlo con el encabezado X-Hub-Signature-256. Rechace todo lo que no coincida.
  • Devuelva 200 rápido. Guarde el evento y confírmelo. No descargue audio ni llame a un LLM dentro del manejador del webhook. Si la entrega falla, Meta reintenta “immediately, then a few more times with decreasing frequency over the next 7 days” (Traducción: «de inmediato y luego algunas veces más, con frecuencia decreciente, durante los 7 días siguientes») y le pide que gestione usted la deduplicación.

Use el id del mensaje de WhatsApp como clave de idempotencia, para que un webhook reenviado nunca produzca dos respuestas.

2. Cola

Una cola desacopla los tiempos de entrega de WhatsApp de su tiempo de procesamiento. También le permite limitar la concurrencia según sus límites de inferencia. Una clave de pago por uso de BroadNet permite 30 solicitudes por minuto y 4 simultáneas, así que lo adecuado es un pequeño grupo de workers con reintentos ante 429. Vea errores y reintentos y cómo manejar los límites de tasa 429.

3. Worker: de notas de voz a texto

Para una nota de voz, el webhook le da un objeto audio con un id de medio, un mime_type como audio/ogg; codecs=opus y voice: true para las grabaciones hechas en WhatsApp. El worker hace GET al id del medio para obtener la URL de descarga, descarga el archivo con su token de acceso y luego lo convierte y transcribe. El endpoint de BroadNet acepta WAV o MP3, así que primero convierta:

import os, subprocess, tempfile
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def transcribe_voice_note(ogg_bytes: bytes) -> str:
    with tempfile.TemporaryDirectory() as d:
        src, wav = os.path.join(d, "in.ogg"), os.path.join(d, "in.wav")
        open(src, "wb").write(ogg_bytes)
        subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", src,
                        "-ar", "16000", "-ac", "1", wav], check=True)
        with open(wav, "rb") as audio:
            return client.audio.transcriptions.create(
                model="broadnet/cohere-transcribe-arabic",
                file=audio,
                language="ar",   # without it, Arabic can come back in Latin letters
            ).text

El directorio temporal desaparece después de la llamada, lo que mantiene el audio fuera de sus discos. La guía de notas de voz de WhatsApp incluye una versión por lotes para chats exportados, y la guía de voz a texto en árabe trata formatos y límites. Los archivos deben pesar menos de 26,214,400 bytes (25 MiB); las notas de voz normales quedan muy por debajo.

3b. Worker: redactar la respuesta

Trate una transcripción exactamente como un mensaje escrito, pero indique al modelo que proviene de voz, ya que las transcripciones no tienen puntuación y pueden contener errores de reconocimiento:

SYSTEM = """You are the WhatsApp assistant of a clinic in Dubai.
Customers write or speak in Gulf Arabic, other dialects, MSA, English or Arabizi.
Reply in simple Modern Standard Arabic unless the customer used English.
Keep replies under 60 words. Plain text only: no links, no markdown.
You can: answer opening hours, explain how to book, collect name and preferred time.
If the message is a complaint, medical question or you are unsure, reply that a
staff member will follow up, and set handover=true."""

def draft_reply(history: list[dict], text: str, from_voice: bool) -> str:
    note = "(transcribed voice note, may contain errors) " if from_voice else ""
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=1500,
        messages=[{"role": "system", "content": SYSTEM}, *history[-10:],
                  {"role": "user", "content": note + text}],
    )
    return r.choices[0].message.content

Para el enrutamiento, pida al modelo salida estructurada (intent, handover, reply) en lugar de texto libre, y actúe según los campos; el generador de JSON Schema gratuito escribe el esquema a partir de una respuesta de ejemplo. En las pruebas de BroadNet, Qwen3.8 27B entendió los dialectos del Golfo y egipcio y escribió árabe fluido; DeepSeek V4.1 Flash es más barato por token y es el modelo de los planes ilimitados de BroadNet. Ambos razonan antes de responder, así que deje margen en max_tokens. El manejo de dialectos se trata a fondo en árabe del Golfo, egipcio y levantino con LLM.

4. Emisor

Las respuestas salen por el endpoint de mensajes de Cloud API para el id de su número de teléfono (phone number id). Envíe texto plano para las respuestas conversacionales. El formato de WhatsApp (negrita, listas) se muestra bien, pero las tablas y los encabezados de Markdown no, así que indique al modelo que no los genere.

5. Almacenamiento

Guarde el estado de la conversación (los últimos diez turnos bastan para la mayoría de los bots de soporte), el estado de consentimiento del cliente y un registro de auditoría de lo que el bot envió y por qué. No guarde más de lo necesario: las transcripciones de notas de voz suelen contener nombres, direcciones y datos de salud.

¿Qué reglas de la política de WhatsApp se aplican a un chatbot?

WhatsApp es estricto con el uso que hacen las empresas, y sus reglas protegen tanto su número como a sus clientes. Lea la política de mensajería de WhatsApp Business antes del lanzamiento. En la práctica:

  1. Primero el consentimiento. La política le permite contactar a las personas solo si le dieron su número y aceptaron recibir mensajes suyos por WhatsApp. Que un cliente le escriba no equivale a consentir el marketing.
  2. Nada de mensajes no solicitados. La política dice: “Do not confuse, deceive, defraud, mislead, spam, or surprise people with your communications.” (Traducción: «No confunda, engañe, defraude, induzca a error, envíe spam ni sorprenda a las personas con sus comunicaciones».) Nunca envíe primeros mensajes a personas que no le hayan contactado ni dado su consentimiento.
  3. Respete la ventana de atención al cliente de 24 horas. Las respuestas libres están permitidas dentro de las 24 horas siguientes al último mensaje del cliente. Fuera de ella, solo puede enviar plantillas de mensaje aprobadas.
  4. Ofrezca una persona. Las respuestas automáticas están permitidas dentro de la ventana de 24 horas, pero la política exige “prompt, clear, and direct escalation paths” (Traducción: «vías de escalamiento rápidas, claras y directas») hacia una persona.
  5. Respete las bajas. La política dice que debe respetar toda solicitud de bloqueo, interrupción o baja. Trate «stop» o «توقف» como una de ellas.

Hay una regla más, nuestra y no de Meta: mantenga sencillas las primeras respuestas a contactos nuevos. Lo más seguro es una respuesta breve en texto plano y sin URL. Los mensajes cargados de enlaces de una empresa desconocida parecen spam a los usuarios, que pueden bloquearle y denunciarle. Comparta los enlaces más tarde, cuando el cliente los pida.

¿Cuánto cuesta operar un bot de WhatsApp en árabe?

La voz a texto se factura por minuto de audio. Con BroadNet Transcribe Arabic:

Volumen Costo
Un minuto de notas de voz $0.0042
Una hora de notas de voz $0.25
10,000 notas de voz de 30 segundos $21.00

Las respuestas del LLM se facturan por token en pago por uso: por 1M de tokens, Qwen3.8 27B cuesta $0.175 de entrada y $2.17 de salida, y DeepSeek V4.1 Flash $0.175 de entrada y $0.52 de salida. Una respuesta de soporte con diez turnos de historial ocupa unos pocos miles de tokens, razonamiento incluido, así que una sola respuesta cuesta unas pocas milésimas de los precios por 1M indicados arriba. Introduzca su volumen de mensajes en la calculadora de costos de API de LLM gratuita para obtener una cifra mensual. Si el bot funciona con DeepSeek V4.1 Flash todo el día, compárelo con el plan Luna Llena (Full Moon) de $60 en la página de precios.

¿Cómo se mantiene la privacidad de las notas de voz?

Las notas de voz están entre los datos más personales que maneja una empresa. BroadNet Inference no conserva audio, prompts ni transcripciones tras la solicitud (vea retención cero de datos), pero eso solo cubre el paso de inferencia. Decida cuánto tiempo conservan las transcripciones su propia cola, sus logs y su base de datos, y elimine los archivos multimedia tras procesarlos.

Lista de verificación para el lanzamiento

  • Firma del webhook verificada y 200 devuelto antes de procesar.
  • Idempotencia basada en el id del mensaje de WhatsApp.
  • Notas de voz convertidas a WAV y transcritas con language=ar.
  • Grupo de workers dimensionado según sus límites de tasa, con espera exponencial ante 429.
  • System prompt que fija dialecto, registro, extensión y «sin enlaces».
  • Vía de derivación a una persona, probada.
  • Consentimiento registrado; sin envíos no solicitados; solo plantillas fuera de la ventana de 24 horas.
  • Transcripciones eliminadas según un calendario.

Si solo necesita convertir notas de voz en tickets en lugar de un bot que responda, notas de voz a texto para empresas explica ese pipeline más sencillo.

Preguntas frecuentes

¿Puedo escribir a clientes que nunca me han escrito?

Solo si aceptaron recibir mensajes de su empresa, y solo con plantillas de mensaje aprobadas. Los mensajes no solicitados infringen las políticas de WhatsApp y pueden provocar restricciones en su número.

¿Por qué convertir las notas de voz antes de transcribirlas?

Las notas de voz de WhatsApp son archivos Ogg/Opus, y el endpoint de transcripción de BroadNet acepta WAV o MP3. Un solo comando de ffmpeg las convierte a WAV mono de 16 kHz.

¿Qué LLM debería redactar las respuestas?

Pruebe con sus propios mensajes. BroadNet reporta que Qwen3.8 27B entendió los dialectos del Golfo y egipcio y escribió árabe fluido en sus pruebas; DeepSeek V4.1 Flash es más barato por token y está disponible en planes de tarifa plana.

¿Cuánto tiempo puede responder un bot de WhatsApp sin plantilla?

Dentro de la ventana de atención al cliente de 24 horas que sigue al último mensaje del cliente, puede enviar respuestas libres. Fuera de ella, la política de mensajería de WhatsApp Business solo permite plantillas de mensaje aprobadas.

¿Un chatbot de WhatsApp necesita derivar a una persona?

Sí. La política permite la automatización, pero exige vías de escalamiento rápidas, claras y directas, como la transferencia a un agente humano en el chat, un número de teléfono, un correo electrónico o un formulario de soporte.

¿BroadNet conserva las notas de voz?

No. BroadNet Inference procesa el audio y las transcripciones para la solicitud y no los conserva. Sus propios servidores y WhatsApp sí guardan copias, así que planifique también allí la retención.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity