---
title: "Arabic WhatsApp chatbot architecture: voice, STT, LLM"
description: "Gumaganang architecture para sa Arabic WhatsApp assistant: webhook, queue, transcription ng voice note, LLM reply, policy at gastos, may Python na puwedeng iangkop."
url: https://broadrouter.com/fil/blog/arabic-whatsapp-chatbot-architecture/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-whatsapp-chatbot-architecture/) (na-update noong 2026-11-16).

# Arabic WhatsApp chatbot architecture: mula voice note hanggang reply

Ng BroadNet Inference team · 5 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Limang bahagi ang Arabic WhatsApp assistant: webhook na tumatanggap ng mensahe mula sa WhatsApp Business Platform, queue, speech-to-text para sa voice note, LLM na gumagawa ng draft ng reply, at sender na sumasagot sa pamamagitan ng API. $0.0042 kada minuto ng audio ang pag-convert at pag-transcribe ng voice note gamit ang BroadNet Transcribe Arabic.

## Mga pangunahing punto

-   I-acknowledge agad ang webhook at gawin ang mabagal na trabaho (download, transcribe, LLM) mula sa queue.
-   Dumarating ang mga WhatsApp voice note bilang Ogg/Opus audio. I-convert sa 16 kHz mono WAV gamit ang ffmpeg, saka i-transcribe na may language=ar.
-   Magmensahe lang sa mga taong nag-opt in, at sumagot sa loob ng customer-service window. Huwag kailanman magpadala ng hindi hinihinging mensahe.
-   Panatilihing maikli, plain text at walang link ang mga unang reply sa mga bagong contact.
-   $21.00 ang pag-transcribe ng 10,000 voice note na tig-30 segundo gamit ang BroadNet Transcribe Arabic.

**Sa page na ito**

1.  Ano ang mga bahagi ng Arabic WhatsApp chatbot?
2.  Aling mga patakaran ng WhatsApp policy ang sakop ng chatbot?
3.  Magkano ang pagpapatakbo ng Arabic WhatsApp bot?
4.  Paano mapapanatiling pribado ang mga voice note?
5.  Launch checklist

Limang bahagi ang kailangan ng Arabic WhatsApp chatbot: webhook na tumatanggap ng mensahe mula sa opisyal na WhatsApp Business Platform, queue, speech-to-text para sa voice note, LLM na gumagawa ng draft ng reply sa Arabic, at sender na sumasagot sa loob ng 24-hour window ng WhatsApp. Mahalaga ang mga voice note dahil maraming Arabic-speaking na customer ang nagsasalita sa dialect sa halip na mag-type.

Pinapatakbo ng BroadNet ang BroadRouter, kaya BroadNet Inference ang gamit sa mga halimbawa. Kasya sa parehong mga puwesto ang anumang OpenAI-compatible na speech-to-text at chat provider.

## Ano ang mga bahagi ng Arabic WhatsApp chatbot?

```
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\. Webhook receiver

Inihahatid ng WhatsApp Cloud API ang mga papasok na mensahe bilang HTTPS POST request sa webhook na ini-register mo. Dalawang patakaran ang nagpapanatiling maayos sa bahaging ito:

-   **I-verify ang bawat request.** Ayon sa docs ng Meta, kuwentahin ang HMAC-SHA256 ng JSON payload gamit ang app secret mo at ikumpara ito sa `X-Hub-Signature-256` header. Tanggihan ang anumang hindi tumutugma.
-   **Ibalik agad ang 200.** I-store ang event at i-acknowledge ito. Huwag mag-download ng audio o tumawag ng LLM sa loob ng webhook handler. Kapag pumalya ang delivery, nagre-retry ang Meta “immediately, then a few more times with decreasing frequency over the next 7 days” (salin: agad, saka ilang beses pa na pabawas nang pabawas ang dalas sa susunod na 7 araw), at sinasabihan kang hawakan ang deduplication.

Gamitin ang WhatsApp message id bilang [idempotency key](https://broadrouter.com/fil/glossary/idempotency-key/), para hindi kailanman magbunga ng dalawang reply ang muling naihatid na webhook.

### 2\. Queue

Pinaghihiwalay ng queue ang timing ng delivery ng WhatsApp at ang oras ng processing mo. Hinahayaan ka rin nitong limitahan ang concurrency ayon sa mga inference limit mo. Pinapayagan ng BroadNet pay-as-you-go key ang 30 request kada minuto at 4 nang sabay, kaya maliit na worker pool na may retry sa 429 ang tamang hugis. Tingnan ang [errors and retries](https://broadrouter.com/fil/guides/errors-and-retries/) at [paano hawakan ang 429 rate limit](https://broadrouter.com/fil/blog/handle-llm-api-429-rate-limits/).

### 3\. Worker: voice note papuntang text

Para sa voice note, binibigyan ka ng webhook ng `audio` object na may media `id`, `mime_type` gaya ng `audio/ogg; codecs=opus`, at `voice: true` para sa mga recording na ginawa sa WhatsApp. Ginagawa ng worker ang GET sa media id para makuha ang download URL, dina-download ang file gamit ang access token mo, saka kino-convert at tina-transcribe ito. WAV o MP3 ang tinatanggap ng endpoint ng BroadNet, kaya mag-convert muna:

```python
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
```

Nawawala ang temporary directory pagkatapos ng call, kaya hindi napupunta sa disk mo ang audio. May batch version para sa mga na-export na chat ang [gabay sa WhatsApp voice note](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/), at tinatalakay ng [gabay sa Arabic speech-to-text](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) ang mga format at limit. Dapat mas maliit sa 26,214,400 byte (25 MiB) ang mga file; malayong mas maliit doon ang karaniwang voice note.

### 3b. Worker: paggawa ng draft ng reply

Ituring ang transcript na parang na-type na mensahe, pero sabihin sa model na galing ito sa speech, dahil walang bantas ang mga transcript at puwedeng may recognition error:

```python
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 sa routing, humingi sa model ng [structured output](https://broadrouter.com/fil/glossary/structured-output/) (`intent`, `handover`, `reply`) sa halip na free text, at kumilos batay sa mga field; isinusulat ng libreng [JSON schema generator](https://broadrouter.com/tools/json-schema-generator/) ang schema mula sa isang halimbawang reply. Sa mga test ng BroadNet, naintindihan ng [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) ang Gulf at Egyptian na dialect at sumulat ito ng maayos na Arabic; mas mura kada token ang [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) at ito ang model sa mga unlimited plan ng BroadNet. Parehong nagre-reason ang dalawa bago sumagot, kaya mag-iwan ng espasyo sa `max_tokens`. Malalim na tinatalakay ang paghawak ng dialect sa [Gulf, Egyptian at Levantine Arabic sa mga LLM](https://broadrouter.com/fil/blog/arabic-llm-gulf-egyptian-dialects/).

### 4\. Sender

Lumalabas ang mga reply sa messages endpoint ng Cloud API para sa phone number id mo. Magpadala ng plain text para sa mga pakikipag-usap na reply. Lumalabas nang tama ang WhatsApp formatting (bold, list), pero hindi ang mga Markdown table at heading, kaya sabihin sa model na huwag gumawa ng mga ito.

### 5\. Store

I-store ang estado ng usapan (sapat na ang huling sampung turn para sa karamihan ng support bot), ang opt-in status ng customer at isang audit log ng ipinadala ng bot at kung bakit. Huwag mag-store nang higit sa kailangan: madalas may pangalan, address at detalye ng kalusugan ang mga transcript ng voice note.

## Aling mga patakaran ng WhatsApp policy ang sakop ng chatbot?

Mahigpit ang WhatsApp sa paggamit ng mga negosyo rito, at pinoprotektahan ng mga patakaran ang number mo gaya ng pagprotekta nito sa mga customer mo. Basahin ang [WhatsApp Business Messaging Policy](https://whatsappbusiness.com/policy/) bago mag-launch. Sa praktika:

1.  **Opt-in muna.** Pinapayagan ka ng policy na kontakin ang mga tao kung ibinigay lang nila ang number nila at nag-opt in silang makatanggap ng mensahe mula sa iyo sa WhatsApp. Hindi pahintulot sa marketing ang pagsulat sa iyo ng customer.
2.  **Walang hindi hinihinging mensahe.** Sabi ng policy: “Do not confuse, deceive, defraud, mislead, spam, or surprise people with your communications.” (salin: Huwag lituhin, linlangin, dayain, iligaw, i-spam o gulatin ang mga tao sa iyong mga mensahe.) Huwag kailanman magpadala ng unang mensahe sa mga taong hindi pa kumokontak sa iyo o hindi nag-opt in.
3.  **Igalang ang 24-hour customer service window.** Pinapayagan ang free-form na reply sa loob ng 24 oras mula sa huling mensahe ng customer. Labas doon, mga aprubadong message template lang ang puwede mong ipadala.
4.  **Mag-alok ng tao.** Pinapayagan ang mga awtomatikong reply sa loob ng 24-hour window, pero nangangailangan ang policy ng “prompt, clear, and direct escalation paths” (salin: mabilis, malinaw at direktang escalation path) papunta sa isang tao.
5.  **Sundin ang mga opt-out.** Ayon sa policy, dapat mong igalang ang bawat request na mag-block, huminto o mag-opt out. Ituring na ganoon ang “stop” o “توقف”.

May isa pang patakaran na amin, hindi sa Meta: **panatilihing simple ang mga unang reply sa mga bagong contact.** Pinakaligtas ang maikli at plain-text na reply na walang URL. Mukhang spam sa mga user ang mensaheng puno ng link mula sa negosyong hindi nila kilala, at puwede ka nilang i-block at i-report. Magbahagi ng link mamaya, kapag hiningi na ito ng customer.

## Magkano ang pagpapatakbo ng Arabic WhatsApp bot?

Sinisingil kada minuto ng audio ang speech-to-text. Gamit ang BroadNet Transcribe Arabic:

| Volume | Gastos |
| --- | --- |
| Isang minuto ng voice note | $0.0042 |
| Isang oras ng voice note | $0.25 |
| 10,000 voice note na tig-30 segundo | $21.00 |

Sinisingil kada token ang mga LLM reply sa pay-as-you-go: kada 1M token, $0.175 input at $2.17 output ang Qwen3.8 27B, at $0.175 input at $0.52 output ang DeepSeek V4.1 Flash. Ilang libong token ang isang support reply na may sampung turn ng history, kasama na ang reasoning, kaya ilang ikasanlibong bahagi lang ng mga presyo kada 1M sa itaas ang halaga ng isang reply. Ilagay ang dami ng mensahe mo sa libreng [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) para sa buwanang figure. Kung buong araw na tumatakbo ang bot sa DeepSeek V4.1 Flash, ikumpara ito sa $60 na Full Moon plan sa [pricing page](https://broadrouter.com/fil/pricing/).

## Paano mapapanatiling pribado ang mga voice note?

Ang mga voice note ay ilan sa pinakapersonal na data na hinahawakan ng isang negosyo. Hindi itinatago ng BroadNet Inference ang audio, prompt o transcript pagkatapos ng request (tingnan ang [zero data retention](https://broadrouter.com/fil/privacy/)), pero ang inference step lang ang sakop niyan. Magpasya kung gaano katagal itatago ng sarili mong queue, log at database ang mga transcript, at burahin ang mga media file pagkatapos ng processing.

## Launch checklist

-   Na-verify ang webhook signature, naibalik ang 200 bago ang processing.
-   Idempotency sa WhatsApp message id.
-   Na-convert sa WAV ang mga voice note at na-transcribe na may `language=ar`.
-   Nakaayon sa rate limit mo ang laki ng worker pool, na may backoff sa 429.
-   Itinatakda ng system prompt ang dialect, register, haba at “walang link”.
-   Nasubukan ang handover path papunta sa tao.
-   Naka-record ang opt-in; walang hindi hinihinging padala; template lang labas sa 24-hour window.
-   Binubura ang mga transcript ayon sa iskedyul.

Kung kailangan mo lang gawing ticket ang mga voice note sa halip na bot na sumasagot, tinatalakay ng [voice notes to text para sa negosyo](https://broadrouter.com/fil/blog/voice-notes-to-text-for-business/) ang mas simpleng pipeline na iyon.

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

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

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[Rate limit](https://broadrouter.com/fil/glossary/rate-limit/)

Ang rate limit ay hangganang itinatakda ng API sa dami ng paggamit ng isang client sa isang yugto ng oras, gaya ng request kada minuto o token kada minuto. Tinatanggihan ang mga request na lampas sa limit, kadalasan na may HTTP 429 Too Many Requests, hanggang bumaba ulit ang paggamit.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Concurrency](https://broadrouter.com/fil/glossary/concurrency/)

Ang concurrency ay ang bilang ng request na sabay-sabay na in flight mula sa isang client. Madalas itong nililimitahan ng mga LLM API kada key o plan, hiwalay sa requests per minute, dahil humahawak ng GPU capacity ang bawat bukas na request hanggang matapos ang response nito.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

[WAV](https://broadrouter.com/fil/glossary/wav/)

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

## Mga tanong

### Puwede ko bang i-message ang mga customer na hindi pa sumusulat sa akin?

Kung nag-opt in lang sila na makatanggap ng mensahe mula sa negosyo mo, at gamit lang ang mga aprubadong message template. Labag sa mga patakaran ng WhatsApp ang hindi hinihinging mensahe at puwedeng ma-restrict ang number mo.

### Bakit kailangang i-convert ang voice note bago i-transcribe?

Ogg/Opus file ang mga WhatsApp voice note, at WAV o MP3 ang tinatanggap ng transcription endpoint ng BroadNet. Isang ffmpeg command lang ang magko-convert sa mga ito sa 16 kHz mono WAV.

### Aling LLM ang dapat gumawa ng draft ng mga reply?

I-test sa sarili mong mga mensahe. Ayon sa BroadNet, naintindihan ng Qwen3.8 27B ang Gulf at Egyptian na dialect at sumulat ito ng maayos na Arabic sa mga test nito; mas mura kada token ang DeepSeek V4.1 Flash at available ito sa mga flat plan.

### Gaano katagal puwedeng sumagot ang WhatsApp bot nang walang template?

Sa loob ng 24-hour customer service window pagkatapos ng huling mensahe ng customer, puwede kang magpadala ng free-form na reply. Labas doon, mga aprubadong message template lang ang pinapayagan ng WhatsApp Business Messaging Policy.

### Kailangan ba ng human handover ang mga WhatsApp chatbot?

Oo. Pinapayagan ng policy ang automation pero nangangailangan ito ng mabilis, malinaw at direktang escalation path, gaya ng paglipat sa isang human agent sa chat, phone number, email o support form.

### Itinatago ba ng BroadNet ang mga voice note?

Hindi. Pinoproseso ng BroadNet Inference ang audio at transcript para sa request at hindi ito itinatago. May kopya pa rin ang sarili mong mga server at ang WhatsApp, kaya magplano rin ng retention doon.

## Magbasa pa

-   [Arabic text classification gamit ang LLM: sentiment, intent, triage](https://broadrouter.com/fil/blog/arabic-text-classification-llm/)
-   [Voice note sa text para sa negosyo: WhatsApp at Telegram sa ticket](https://broadrouter.com/fil/blog/voice-notes-to-text-for-business/)
-   [Gulf, Egyptian at Levantine Arabic: paano hinaharap ng LLM ang dialect](https://broadrouter.com/fil/blog/arabic-llm-gulf-egyptian-dialects/)
-   [Arabic prompt engineering: register, RTL, numeral at halo-halong text](https://broadrouter.com/fil/blog/arabic-prompt-engineering/)
-   [Arabizi at LLM: paghawak ng Franco-Arabic na may numerong 3 at 7](https://broadrouter.com/fil/blog/arabizi-llm-handling/)
-   [Paano ayusin ang 429 error sa LLM API: backoff, jitter at limiter](https://broadrouter.com/fil/blog/handle-llm-api-429-rate-limits/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Gabay: Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-whatsapp-chatbot-architecture&utm_content=page-cta) ·

**Mga source**

-   [Meta, WhatsApp Cloud API: paggawa ng webhook endpoint (X-Hub-Signature-256, retry sa loob ng 7 araw; sinuri noong 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/webhooks/create-webhook-endpoint)
-   [Meta, webhook reference ng WhatsApp Cloud API: mga audio message (sinuri noong 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/webhooks/reference/messages/audio)
-   [WhatsApp Business Messaging Policy (sinuri noong 2026-11-14)](https://whatsappbusiness.com/policy/)
-   [API reference ng BroadNet Inference, transcription at ffmpeg conversion (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-whatsapp-chatbot-architecture&utm_content=sources)
-   [Machine-readable na presyo ng BroadNet Inference, pricing.json (sinuri noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-whatsapp-chatbot-architecture&utm_content=sources)
