---
title: "Transcribir audios de WhatsApp (.ogg) a texto con una API"
description: "Convierta notas de voz de WhatsApp (.ogg) o grabaciones del teléfono (.m4a) a WAV con ffmpeg y transcríbalas en árabe u otros 13 idiomas con una sola llamada."
url: https://broadrouter.com/es/guides/transcribe-whatsapp-voice-notes/
lang: es
updated: 2026-11-16
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/guides/transcribe-whatsapp-voice-notes/) (actualizado el 2026-11-16).

# Transcribir notas de voz de WhatsApp a texto con una API

Actualizado 2026-11-16

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

```bash
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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) calcula cuántos fragmentos necesita y escribe los comandos de ffmpeg.

## 2\. Transcriba una carpeta entera

```python
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](https://broadrouter.com/es/guides/n8n-whatsapp-voice-note-transcription/).

## 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](https://broadrouter.com/es/privacy/).

## 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:
    
    ```bash
    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](https://broadrouter.com/es/guides/errors-and-retries/).
    

Más detalles sobre el modelo, los formatos y la precisión: [la guía de voz a texto en árabe](https://broadrouter.com/es/guides/arabic-speech-to-text-api/). Para comparar lo que cobran otros proveedores por minuto de audio, consulte el [índice abierto de precios de APIs de voz a texto](https://broadrouter.com/data/speech-to-text-api-prices/), con fuente y fecha para cada precio. Para entender por qué 16 kHz basta para la voz, consulte [frecuencia de muestreo](https://broadrouter.com/es/glossary/sample-rate/).

## Términos de esta guía

[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.

[Concurrencia (concurrency)](https://broadrouter.com/es/glossary/concurrency/)

La concurrencia es el número de solicitudes que un cliente tiene en curso al mismo tiempo. Las APIs de LLM suelen limitarla por clave o por plan, aparte de las solicitudes por minuto, porque cada solicitud abierta ocupa capacidad de GPU hasta que su respuesta termina.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[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.

[Límite de frecuencia (rate limit)](https://broadrouter.com/es/glossary/rate-limit/)

Un límite de frecuencia (rate limit) es un tope que una API impone a cuánto puede usarla un cliente en un periodo, como solicitudes por minuto o tokens por minuto. Las solicitudes que lo superan se rechazan, normalmente con HTTP 429 Too Many Requests, hasta que el uso vuelve a quedar por debajo.

[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.

[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.

## 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.

## Guías relacionadas

-   [Transcribir notas de voz de WhatsApp en n8n](https://broadrouter.com/es/guides/n8n-whatsapp-voice-note-transcription/)
-   [API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)
-   [Códigos de error de BroadNet Inference y cuándo reintentar](https://broadrouter.com/es/guides/errors-and-retries/)

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-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**Fuentes**

-   [Referencia de la API de BroadNet Inference, transcripción y conversión con ffmpeg (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [Precios de BroadNet Inference](https://inference.broadnet.ai/es/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [WhatsApp Cloud API de Meta, mensajes de audio (las notas de voz son OGG con el códec Opus; consultada el 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [Documentación de formatos de FFmpeg, muxer segment (consultada el 2026-11-14)](https://ffmpeg.org/ffmpeg-formats.html#segment)
