Descargue una nota de voz de WhatsApp y obtendrá un pequeño archivo .ogg. Dentro hay audio Opus, un códec diseñado para llamadas de voz.
Cómo funciona
Hay dos capas, cada una definida por un RFC de la IETF:
| Capa | Especificación | Qué hace |
|---|---|---|
| Códec Opus | RFC 6716 | Comprime el audio. Combina una capa de predicción lineal basada en SILK con una capa MDCT basada en CELT, y va desde voz de banda estrecha a 6 kbit/s hasta música estéreo a 510 kbit/s |
| Contenedor Ogg | RFC 7845 | Envuelve los paquetes Opus en un archivo que empieza con un encabezado de identificación OpusHead |
El RFC 6716 enumera cinco anchos de banda, desde banda estrecha (narrowband, frecuencia de muestreo de 8 kHz) hasta banda completa (fullband, 48 kHz). El RFC 7845 indica que las posiciones de gránulo (granule positions) siempre cuentan muestras a 48 kHz, sea cual sea la frecuencia que entregue el decodificador. Recomienda la extensión .opus y el tipo de medio audio/ogg, opcionalmente audio/ogg; codecs=opus.
La referencia de medios de la WhatsApp Cloud API de Meta indica el audio OGG como audio/ogg con “Opus codec only” (traducción: solo códec Opus), mono, de hasta 16 MB.
Por qué importa
- Muchas APIs no lo aceptan. Un endpoint de voz a texto que solo acepta WAV o MP3 rechaza una nota de voz hasta que usted la convierta.
- La conversión es barata. Un solo comando de ffmpeg decodifica Opus a PCM. El resultado es mucho más grande que la nota de voz, así que vigile los límites de tamaño de archivo.
- Confusión de nombres. “Opus” también es el nombre de un modelo en otros proveedores. En el contexto de audio, se refiere al códec.
En BroadNet Inference
El endpoint de transcripción de BroadNet acepta solo WAV (audio/wav) o MP3 (audio/mpeg), de hasta 26,214,400 bytes por archivo. Su documentación convierte una nota de voz de WhatsApp en un solo paso:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar fija la frecuencia de muestreo del audio y -ac el número de canales, según la documentación de ffmpeg, así que esto genera un WAV mono a 16 kHz. Después envíelo con language=ar (o en) a BroadNet Transcribe Arabic o a BroadNet Transcribe. La guía de notas de voz de WhatsApp tiene un script que convierte y transcribe una carpeta entera, y la guía de n8n lo hace dentro de un flujo de trabajo. Si una nota de voz es demasiado larga para un solo archivo, el divisor de audio calcula los fragmentos.
Errores comunes
- Renombrar en lugar de convertir. Cambiar
.oggpor.wavno cambia el audio que contiene. Decodifique con ffmpeg. - Omitir
-ac 1. El estéreo duplica el tamaño del WAV sin mejorar la transcripción.