---
title: "Notas de voz a texto para empresas: WhatsApp y Telegram"
description: "Convierta notas de voz de clientes de WhatsApp Business y bots de Telegram en transcripciones y tickets: descargar, transcribir, extraer campos con un LLM, enrutar."
url: https://broadrouter.com/es/blog/voice-notes-to-text-for-business/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (actualizado el 2026-11-16).

# Notas de voz a texto para empresas: de WhatsApp y Telegram a tickets

Por el equipo de BroadNet Inference · 4 min de lectura · Publicado 2026-11-14 · Actualizado 2026-11-16

Para convertir las notas de voz de clientes en tickets, descargue cada nota de la WhatsApp Cloud API o de la Telegram Bot API en cuanto llegue el webhook, conviértala a WAV, transcríbala con el código de idioma correcto y pida a un LLM que extraiga la intención, la urgencia y los números de pedido en JSON. Cree el ticket con la transcripción adjunta y responda por texto.

## Puntos clave

-   Descargue rápido: las URL de medios de WhatsApp caducan a los 5 minutos y los ID de medios del webhook a los 7 días.
-   Los bots de Telegram pueden descargar archivos de hasta 20 MB, mediante un enlace válido durante al menos una hora.
-   La transcripción es el paso barato: 10,000 notas de voz en árabe de 30 segundos cuestan $21.00.
-   Un LLM convierte una nota desordenada en campos de ticket: intención, urgencia, número de pedido, idioma y un resumen de una línea.
-   Conserve la transcripción, no el audio, salvo que tenga un motivo para almacenar la voz.

**En esta página**

1.  ¿Cómo se convierte una nota de voz en un ticket de soporte?
2.  Pasos 1 y 2: ¿cómo se saca el audio de WhatsApp?
3.  ¿Cómo se sacan las notas de voz de un bot de Telegram?
4.  Paso 5: ¿cómo se convierte una transcripción en un ticket?
5.  ¿Qué casos límite conviene resolver desde el principio?
6.  Lo que gana un equipo
7.  ¿Cuánto cuesta transcribir notas de voz?
8.  ¿Cómo gestionar la privacidad y la conservación?
9.  Dónde encaja BroadNet Inference

_[image: An invoice, a phone showing an audio waveform and the Arabic word "مرحبا", with the text "Speech. Documents. Intelligence."]_

En gran parte de Oriente Medio, los clientes no escriben. Envían una nota de voz de 40 segundos en árabe del Golfo o egipcio, a menudo con un número de pedido dictado a mitad de mensaje. Los agentes la escuchan, retroceden y la teclean en el sistema de soporte. Multiplique eso por unos cientos al día y las notas de voz se convierten en su canal más lento.

Este artículo construye el flujo de trabajo empresarial en torno a la transcripción: sacar las notas de WhatsApp y Telegram, convertirlas en tickets estructurados y mantener los datos bajo control. Para el código de conversión y transcripción en sí, consulte nuestra guía paso a paso para [transcribir notas de voz de WhatsApp](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/). No lo repetiremos aquí.

## ¿Cómo se convierte una nota de voz en un ticket de soporte?

1.  **Reciba** el webhook de WhatsApp o Telegram.
2.  **Descargue** el audio de inmediato.
3.  **Convierta** a WAV mono de 16 kHz.
4.  **Transcriba** con el código de idioma correcto.
5.  **Extraiga** los campos del ticket con un LLM.
6.  **Cree** el ticket, con la transcripción, y responda por texto.
7.  **Elimine** el archivo de audio.

## Pasos 1 y 2: ¿cómo se saca el audio de WhatsApp?

En la WhatsApp Business Cloud API, una nota de voz entrante llega como un webhook con un ID de medio, no con el archivo. La [documentación de medios](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media) de Meta fija las reglas:

-   Llame a `GET /<MEDIA_ID>` en la Graph API para obtener una `url`.
-   Descargue esa URL con `Authorization: Bearer <token>`. Sin el token, la solicitud falla.
-   “Media URLs expire after 5 minutes.” (Traducción: Las URL de medios caducan a los 5 minutos.) Solicite una nueva si llega tarde.
-   Los ID de medios de los webhooks entrantes son válidos durante **7 días**.

```python
import os, requests

GRAPH = os.environ["GRAPH_BASE"]          # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}

def download_whatsapp(media_id, path):
    url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
    with open(path, "wb") as f:
        f.write(requests.get(url, headers=HDR, timeout=30).content)
```

Haga esto en la tarea en segundo plano del manejador del webhook, no más tarde en un lote. Una cola que se ejecuta una vez por hora se encontrará con URL caducadas.

## ¿Cómo se sacan las notas de voz de un bot de Telegram?

Un bot de Telegram recibe un objeto `voice` con un `file_id`. La [Bot API](https://core.telegram.org/bots/api#getfile) indica que los bots “can download files of up to 20MB” (Traducción: pueden descargar archivos de hasta 20MB), mediante `https://api.telegram.org/file/bot<token>/<file_path>`, y que el enlace es “valid for at least 1 hour” (Traducción: válido durante al menos 1 hora).

```python
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"

def download_telegram(file_id, path):
    file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
    with open(path, "wb") as f:
        f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
```

En la práctica, ambas plataformas entregan las notas de voz en Ogg/Opus. El endpoint de transcripción acepta WAV o MP3, así que convierta con el comando de ffmpeg de una línea de la [guía de WhatsApp](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/) y transcriba con `language="ar"` (o el idioma del cliente).

## Paso 5: ¿cómo se convierte una transcripción en un ticket?

Una transcripción sin procesar sigue siendo difícil de clasificar. Un LLM puede extraer los campos que necesita su sistema de soporte:

```python
import json
from openai import OpenAI

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

FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
          "order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")

def to_ticket(transcript):
    reply = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        response_format={"type": "json_object"},
        messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
                  {"role": "user", "content": transcript}],
    ).choices[0].message.content
    return json.loads(reply)
```

[Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) es el modelo que BroadNet probó para árabe, incluidos los dialectos del Golfo y egipcio. Valide el JSON antes de escribirlo en el sistema de soporte y recurra a `needs_human: true` cuando falle el análisis; el [artículo sobre salida estructurada](https://broadrouter.com/es/blog/structured-output-json-schema/) incluye un bucle de validación y reparación. Si una nota menciona números de tarjeta o de identificación, ocúltelos antes de este paso; consulte [enviar datos sensibles a una API de LLM](https://broadrouter.com/es/blog/llm-api-sensitive-data/).

## ¿Qué casos límite conviene resolver desde el principio?

Las bandejas de entrada reales son más desordenadas que una demo. Prevea estos casos desde la primera semana:

-   **Varias notas seguidas.** Los clientes suelen enviar tres notas cortas en lugar de una larga. Agrupe en un solo ticket las notas del mismo remitente enviadas en un par de minutos y transcríbalas en orden.
-   **Notas muy cortas.** Las notas tipo “vale” o “gracias” no necesitan ticket. Omita la extracción cuando la transcripción tenga menos de unas pocas palabras.
-   **Notas reenviadas.** En una nota de voz reenviada puede hablar otra persona. Trátela como un adjunto, no como palabras del propio cliente.
-   **Idiomas mezclados.** Los clientes del Golfo intercalan nombres de productos en inglés. Si su cola atiende varios idiomas, registre con cada transcripción el idioma que envió para que los agentes sepan qué esperar.
-   **Archivos grandes.** La documentación de medios de Meta indica un límite de 16 MB para audio y los bots de Telegram pueden descargar hasta 20 MB, ambos por debajo del límite de transcripción de 25 MiB, pero las grabaciones largas siguen tardando más. Procéselas en segundo plano.

## Lo que gana un equipo

| Antes | Después |
| --- | --- |
| El agente escucha cada nota, a menudo dos veces | El agente lee una transcripción y un resumen de una línea |
| Las notas no se pueden buscar | Las transcripciones se pueden buscar por número de pedido o palabra clave |
| Clasifica quien esté libre | Enrutamiento por intención y urgencia |
| Las notas en árabe esperan a un agente que hable árabe | El resumen en inglés permite que cualquier agente atienda los casos simples |

## ¿Cuánto cuesta transcribir notas de voz?

La transcripción es la parte barata del flujo. A $0.0042 por minuto, 10,000 notas de voz en árabe de 30 segundos cuestan $21.00. El modelo de 14 idiomas cuesta $0.002 por minuto. El paso del LLM se cobra por token; una transcripción corta más la instrucción suele sumar unos cientos de tokens. Introduzca sus propios volúmenes en la [calculadora de costo de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/) o compare otros proveedores en la [comparación de precios de voz a texto](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/).

## ¿Cómo gestionar la privacidad y la conservación?

Las notas de voz son datos personales y a menudo contienen más de lo que el cliente quería compartir. Tres hábitos ayudan:

-   **Elimine el audio después de transcribirlo**, salvo que una política le obligue a conservarlo.
-   **Guarde las transcripciones con el ticket**, bajo los controles de acceso del sistema de soporte, no en los registros de la aplicación.
-   **Use un proveedor que no guarde el audio.** BroadNet no conserva audio ni transcripciones después de la solicitud; consulte [cero retención de datos](https://broadrouter.com/es/privacy/).

Responda en texto plano y mantenga las primeras respuestas a contactos nuevos breves y sin enlaces. Las plataformas de mensajería vigilan los patrones similares al spam en los números de empresa.

## Dónde encaja BroadNet Inference

BroadNet cubre los pasos de transcripción y extracción con una sola clave compatible con OpenAI: [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/) para notas en árabe, BroadNet Transcribe para el árabe y otros 13 idiomas y modelos de chat probados en árabe para los campos del ticket. BroadNet informa que su modelo árabe ocupa el puesto #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard. El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe.

BroadNet no se conecta por usted a WhatsApp, Telegram ni a su sistema de soporte; la gestión de webhooks y la creación de tickets dependen de su código o de su herramienta de automatización. Las llamadas son otro tipo de problema, con dos hablantes y grabaciones largas: consulte [transcribir grabaciones de call center](https://broadrouter.com/es/blog/transcribe-call-center-recordings/).

Herramientas gratuitas sobre este tema (en inglés)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/)

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Ogg Opus (formato de notas de voz de WhatsApp)](https://broadrouter.com/es/glossary/ogg-opus/)

Ogg Opus es audio codificado con el códec Opus (RFC 6716) y guardado en un contenedor Ogg (RFC 7845). Está pensado para voz y audio interactivo a bajas tasas de bits, y es el formato que WhatsApp usa para las notas de voz, normalmente como archivos .ogg u .opus.

[WAV (archivo de audio)](https://broadrouter.com/es/glossary/wav/)

WAV (Waveform Audio File Format, o WAVE) es un contenedor de audio basado en el formato RIFF de Microsoft e IBM. Suele llevar muestras PCM lineales sin comprimir, así que su tamaño es predecible: frecuencia de muestreo por bytes por muestra por canales, por segundo.

[Árabe dialectal (dialectal Arabic)](https://broadrouter.com/es/glossary/dialectal-arabic/)

El árabe dialectal es el árabe hablado a diario en una región o ciudad, como el árabe egipcio, del Golfo, levantino o magrebí. Los dialectos difieren del árabe estándar moderno en sonidos, palabras y gramática, no tienen ortografía estándar y se escriben cada vez más en internet, lo que los hace más difíciles para los modelos de lenguaje.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/)

La PII (información de identificación personal) es información que permite distinguir o rastrear la identidad de una persona, como su nombre, un número de identificación o un registro biométrico, más otra información vinculable a ella. El RGPD habla de datos personales, un término más amplio. Con LLMs, se anonimiza antes de que los prompts salgan de sus sistemas.

[Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/)

La salida estructurada es una función de las APIs de LLM que restringe la respuesta del modelo a un formato que define el desarrollador, normalmente un JSON Schema, para que el código pueda procesarla de forma fiable. Es más estricta que JSON mode, que garantiza JSON válido pero no una forma concreta.

## Preguntas frecuentes

### ¿Puedo transcribir automáticamente las notas de voz de WhatsApp?

Sí. Con la WhatsApp Business Cloud API, cada nota de voz llega como un webhook con un ID de medio. Su servidor obtiene la URL del medio, descarga el archivo con su token de acceso, lo convierte y lo envía a una API de transcripción.

### ¿Cómo convierto los mensajes de voz de Telegram a texto?

Su bot recibe un objeto voice con un file\_id. Llame a getFile, descargue el archivo desde la ruta devuelta, conviértalo a WAV con ffmpeg y transcríbalo. Los bots pueden descargar archivos de hasta 20 MB.

### ¿Cuánto cuesta transcribir las notas de voz de los clientes?

Con BroadNet Transcribe Arabic a $0.0042 por minuto, 10,000 notas de 30 segundos cuestan $21.00. El modelo de 14 idiomas cuesta $0.002 por minuto.

### ¿Debo responder a una nota de voz con otra nota de voz?

En soporte, normalmente funciona mejor una respuesta corta por texto: el cliente puede leerla en cualquier lugar y ambas partes pueden buscarla. Mantenga la primera respuesta simple y breve.

### ¿Necesito guardar el audio original?

A menudo no. La transcripción basta para la mayoría de los flujos de soporte. Si conserva el audio por motivos de calidad o legales, fije un plazo de conservación y restrinja el acceso, porque la voz es un dato personal.

## Siga leyendo

-   [Actas de reuniones en árabe a partir de grabaciones: pipeline con API](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Cómo transcribir grabaciones de call center: pipeline listo para árabe](https://broadrouter.com/es/blog/transcribe-call-center-recordings/)
-   [Precios de API de voz a texto comparados: precio por minuto en 2026](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/)
-   [Datos sensibles en una API de LLM: ocultar, minimizar, registrar menos](https://broadrouter.com/es/blog/llm-api-sensitive-data/)
-   [Grabar audio en el navegador y enviarlo a una API de voz a texto](https://broadrouter.com/es/blog/record-browser-audio-transcription-api/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: Transcribir notas de voz de WhatsApp a texto con una API](https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/)
-   [Guía: API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-voice-notes-to-text-for-business&utm_content=page-cta) ·

**Fuentes**

-   [Meta WhatsApp Cloud API, medios (recuperar y descargar; consultado el 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile y Voice (consultado el 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [Referencia de la API de BroadNet Inference, transcripción (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Precios de BroadNet Inference en formato legible por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-voice-notes-to-text-for-business&utm_content=sources)
