BroadRouter

Transcribir notas de voz de WhatsApp a texto con una API

Actualizado

Las notas de voz de WhatsApp son audio Opus en archivos .ogg, que el endpoint de transcripción no acepta directamente. Convierta cada una a WAV mono de 16 kHz con ffmpeg y envíela a BroadNet Transcribe Arabic o a BroadNet Transcribe con el campo language correcto. Un script corto hace ambas cosas para una carpeta entera.

Exporte las notas de voz desde el chat (o recíbalas a través de su integración con WhatsApp Business) y tendrá archivos .ogg. La documentación de la Cloud API de Meta indica que los mensajes de voz de WhatsApp son archivos .ogg codificados con el códec Opus. Las grabaciones del teléfono suelen ser .m4a. El endpoint de transcripción de BroadNet acepta WAV y MP3, así que primero convierta el archivo.

1. Convierta un archivo

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

-ar 16000 -ac 1 genera audio mono de 16 kHz, la conversión que usa la documentación de BroadNet para notas de voz y grabaciones telefónicas. El mismo comando funciona con .m4a. Un WAV mono de 16 kHz y 16 bits ocupa 32,000 bytes por segundo, así que el límite de 26,214,400 bytes por archivo admite unos 13 minutos. Para grabaciones más largas, el divisor de audio calcula cuántos fragmentos necesita y escribe los comandos de ffmpeg.

2. Transcriba una carpeta entera

import os, pathlib, subprocess
from openai import OpenAI

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

for src in sorted(pathlib.Path("voice-notes").glob("*.ogg")):
    wav = src.with_suffix(".wav")
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(src), "-ar", "16000", "-ac", "1", str(wav)], check=True)
    with open(wav, "rb") as audio:
        text = client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic",
            file=audio,
            language="ar",          # use "en", "es", ... with broadnet/cohere-transcribe
        ).text
    src.with_suffix(".txt").write_text(text, encoding="utf-8")
    print(src.name, "->", text[:60])

Cada .txt queda junto a su nota de voz. Para ejecutar los mismos pasos automáticamente con cada mensaje entrante de WhatsApp Business, consulte el workflow de n8n para notas de voz de WhatsApp.

Costo

Una nota de voz de un minuto cuesta $0.0042 en árabe o $0.002 con el modelo de 14 idiomas. El audio y las transcripciones no se conservan después de la solicitud; consulte cero retención de datos.

Solución de problemas

  • Letras latinas en lugar de árabe: agregue language="ar". La documentación de BroadNet indica enviar siempre language.

  • Error 413: el archivo supera los 26,214,400 bytes (25 MiB). Divida las grabaciones largas en partes WAV de 10 minutos:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 o 422 al subir el archivo: compruebe que el archivo sea realmente WAV o MP3 y no un .ogg renombrado a .wav. Ejecute la conversión con ffmpeg.

  • ffmpeg: command not found: instale ffmpeg con su gestor de paquetes (por ejemplo, apt install ffmpeg o brew install ffmpeg).

  • Error 429: las claves de pago por uso permiten 4 solicitudes simultáneas; procese los archivos con un pool pequeño. Consulte todos los códigos de error de BroadNet.

Más detalles sobre el modelo, los formatos y la precisión: la guía de voz a texto en árabe. Para comparar lo que cobran otros proveedores por minuto de audio, consulte el índice abierto de precios de APIs de voz a texto, con fuente y fecha para cada precio. Para entender por qué 16 kHz basta para la voz, consulte frecuencia de muestreo.

Preguntas frecuentes

¿En qué formato están las notas de voz de WhatsApp?

Audio Opus en un contenedor Ogg, guardado como .ogg. La documentación de la Cloud API de Meta indica que los mensajes de voz deben ser archivos .ogg codificados con el códec Opus, solo en mono.

¿Puedo enviar el archivo .ogg directamente a la API de transcripción?

No a BroadNet Inference. Su endpoint de transcripción acepta WAV y MP3, así que convierta primero la nota de voz con ffmpeg. Un solo comando la convierte en WAV mono de 16 kHz.

¿Se guardan las notas de voz después de la transcripción?

BroadNet indica que el audio y las transcripciones se procesan para la solicitud y no se conservan. Solo guarda registros sin contenido, como tiempos, estado y uso, para facturación y seguridad.

¿Qué modelo debo usar para notas de voz en árabe?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, con language en ar. Use BroadNet Transcribe, broadnet/cohere-transcribe, para los otros 13 idiomas que cubre.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity