BroadRouter

Paano i-transcribe ang WhatsApp voice notes sa n8n

Na-update

Gumamit ng walong n8n node: WhatsApp Trigger sa Messages, If node na audio lang ang pinapadaan, ang WhatsApp Download operation para sa media URL, HTTP Request na kumukuha ng .ogg file, Read/Write Files node na nagse-save nito, ffmpeg sa Execute Command node para gawing WAV, ikalawang Read/Write Files node na naglo-load ng WAV, at HTTP Request sa /v1/audio/transcriptions. Kailangan nito ng self-hosted na n8n na may naka-install na ffmpeg.

Ginagawang teksto ng workflow na ito ang bawat papasok na WhatsApp voice note sa loob ng n8n. Ito ang n8n na bersyon ng script sa WhatsApp voice notes guide: parehong ffmpeg conversion at parehong transcription call. Sinuri ang mga pangalan at option ng node sa ibaba laban sa documentation at source code ng n8n noong 2026-11-14; nasa sources ang mga link.

Ano ang kailangan mo

  • Self-hosted na n8n. Ayon sa docs ng n8n, wala ang Execute Command node sa n8n Cloud at naka-disable ito bilang default mula n8n 2.0.
  • ffmpeg sa n8n host. Sa Docker, sa loob ng n8n container tumatakbo ang command, hindi sa Docker host, kaya dapat nasa image ang ffmpeg.
  • WhatsApp Business Cloud credential sa n8n, na nakakonekta sa isang Meta app na may WhatsApp Business Account mo, at ang access token ng app na iyon.
  • Isang BroadNet API key. May $5 na panimulang credit ang mga bagong account nang walang card, at tumatakbo rito ang dalawang transcription model.

Ihanda ang n8n: ffmpeg, Execute Command at isang folder para sa mga file

Walang package manager ang opisyal na n8n Docker image. Ipinapakita ng docs ng n8n kung paano ibalik ang apk sa isang custom image para mag-install ng curl; ang parehong Dockerfile, na ffmpeg ang kapalit ng curl, ang magbibigay sa iyo ng ffmpeg:

FROM n8nio/n8n
USER root

# Restore the apk package manager (removed from the base image)
COPY --from=alpine:3.22 /sbin/apk /sbin/apk
COPY --from=alpine:3.22 /lib/apk /lib/apk
COPY --from=alpine:3.22 /usr/lib/libapk* /usr/lib/

RUN apk add --no-cache ffmpeg
USER node

I-build ito gamit ang docker build -t n8n-ffmpeg . at patakbuhin ang n8n-ffmpeg kapalit ng n8nio/n8n. Kami ang nagpalit ng ffmpeg sa curl example ng n8n, kaya patakbuhin nang isang beses ang ffmpeg -version sa isang Execute Command node para makumpirma ito.

Pagkatapos, i-set ang dalawang environment variable:

Variable Value Bakit
NODES_EXCLUDE "[]" Naka-block bilang default ang Execute Command. Inaalis ng walang lamang listahan ang block nito, pati ng bawat ibang node na bina-block ng n8n bilang default, kaya ibalik ang mga gusto mong manatiling naka-block.
N8N_RESTRICT_FILE_ACCESS_TO huwag i-set Mula n8n 2.0, ~/.n8n-files ang default nito. Sa opisyal na image, iyon ay /home/node/.n8n-files, ang folder na ginagamit sa ibaba.

Ang workflow, node por node

# Node Setting
1 WhatsApp Trigger Event: Messages
2 If {{ $json.messages?.[0]?.type ?? '' }} is equal to audio
3 WhatsApp Business Cloud Resource Media, Operation Download, Media ID {{ $json.messages[0].audio.id }}
4 HTTP Request GET {{ $json.url }}, header Authorization: Bearer <WhatsApp access token>, Response Format File, Put Output in Field data
5 Read/Write Files from Disk Write File to Disk, path /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg, Input Binary Field data
6 Execute Command ang ffmpeg command sa ibaba
7 Read/Write Files from Disk Read File(s) From Disk, ang path ng .wav, Put Output File in Field data
8 HTTP Request POST sa transcription endpoint, nasa ibaba

Nandiyan ang nodes 5 hanggang 7 dahil shell command ang pinapatakbo ng Execute Command at hindi ito tumatanggap ng binary data ng n8n, kaya isinusulat muna sa disk ang file at saka binabasa ulit.

I-import ang workflow sa halip na buuin ito

I-download ang workflow bilang n8n JSON (8 node, naka-set up para sa Arabic) at i-import ito sa n8n gamit ang Import from File. Walang key o token sa loob nito. Ang bawat node na nangangailangan ng login ay may placeholder credential na nagsisimula ang pangalan sa REPLACE:; buksan ang apat na node na iyon at piliin ang sarili mong credentials. Sinuri ang mga pangalan ng node type at parameter laban sa source code ng n8n noong 2026-11-14; ipinapaliwanag ng guide sa ibaba ang bawat node, kaya puwede mo rin itong buuin nang mano-mano.

1–2. Mag-trigger sa messages, audio lang ang itira

Sa source code ng n8n, isang item kada change sa webhook ng Meta ang output ng WhatsApp Trigger, at nasa ilalim ng messages ang listahan ng mga mensahe. Lahat ng text, larawan at voice note ay dumarating sa Messages event, kaya ipinapasa lang ng If node ang mga item na audio ang type ng unang mensahe. Dumarating din sa parehong event ang delivery at read receipts nang walang messages list; ginagawang walang lamang string ng ?? '' ang nawawalang value na iyon para hindi pumalya sa kanila ang strict type check.

Isang nakarehistrong webhook URL lang kada app ang pinapayagan ng WhatsApp. Babala ng docs ng n8n na napapalitan ito kapag nagpalipat-lipat ka sa test at production URL ng trigger, kaya hihinto sa pagtanggap ng mga event ang kabilang URL.

3–4. I-download ang voice note mula sa Meta

Tumatawag ang Download operation ng WhatsApp node sa media endpoint ng Meta gamit ang media ID at nagbabalik ng JSON na may url, hindi ang audio. Ayon sa docs ng Meta, 5 minuto ang bisa ng URL na iyon at papalya ang download kung walang access token mo. Kaya kinukuha ng susunod na HTTP Request node ang {{ $json.url }} na may token sa Authorization header at sine-save ang response bilang file sa data field. Sa n8n, itago ang token sa isang Header Auth credential (name Authorization, value Bearer kasunod ang token) sa halip na i-type ito sa node.

5–7. I-convert sa WAV gamit ang ffmpeg

Isulat ang file sa disk (node 5), saka i-convert ito sa Execute Command node (node 6):

ffmpeg -y -loglevel error -i /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg -ar 16000 -ac 1 /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.wav

Gumagawa ang -ar 16000 -ac 1 ng 16 kHz mono WAV, ang conversion na ginagamit ng docs ng BroadNet para sa voice notes. Numero ang media ID, kaya ligtas itong gamitin sa file name. Binabasa ulit ng node 7 ang .wav file papunta sa data field.

8. I-transcribe

Gumawa ng pangalawang Header Auth credential para sa BroadNet (name Authorization, value Bearer kasunod ang BroadNet key mo). Saka i-configure ang huling HTTP Request node:

Field Value
Method POST
URL https://inference.broadnet.ai/v1/audio/transcriptions
Authentication Generic Credential Type, Header Auth, ang BroadNet credential
Send Body naka-on, Body Content Type Form-Data
Body parameter model broadnet/cohere-transcribe-arabic (o broadnet/cohere-transcribe para sa 13 pang wika)
Body parameter language ar (o en, es, …)
Body parameter file Parameter Type n8n Binary File, Input Data Field Name data

JSON ang response at nasa text ang transcript, kaya {{ $json.text }} ang babasahin ng mga susunod na node. Kapareho iyon ng request sa curl call na ito:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

Laging ipadala ang language. Kapag wala ito, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra.

Ano ang gagawin sa teksto

I-save ito sa CRM o helpdesk mo, o ipasa sa isang chat model para i-summarise o i-classify ang mensahe. Ipinapakita ng n8n OpenAI-compatible guide kung paano ituro ang OpenAI Chat Model node ng n8n sa BroadNet gamit ang parehong key. Para maglinis, magdagdag ng huling Execute Command node na magbubura sa dalawang file para sa media ID na iyon.

Troubleshooting

  • Walang natatanggap ang trigger. Tingnan kung naka-publish ang workflow sa production URL at kung naka-subscribe ang Meta app mo sa WhatsApp Business Account; ayon sa docs ng n8n, hindi ginagawa ng n8n ang subscription na iyon.
  • 404 ang media download. Nag-expire ang URL pagkalipas ng 5 minuto. Ayon sa docs ng Meta, humingi ng bagong media URL, at i-renew ang access token kung pumalya rin iyon.
  • “Unrecognized node type” o nawawala ang Execute Command. Naka-block ito bilang default mula n8n 2.0; i-set ang NODES_EXCLUDE.
  • ffmpeg: not found. Walang ffmpeg ang image; i-build ang custom image sa itaas.
  • Access to the file is not allowed. Magsulat sa ilalim ng /home/node/.n8n-files, o i-set ang N8N_RESTRICT_FILE_ACCESS_TO sa folder na ginagamit mo.
  • 400, 413 o 429 mula sa BroadNet. Ang 413 ay nangangahulugang lampas sa 26,214,400 bytes ang file (mga 13 minuto ng 16 kHz mono WAV); ang 429 ay sobrang daming sabay-sabay na request. Tingnan ang BroadNet error codes at retries.

Nasa Arabic speech-to-text guide ang tungkol sa accuracy, mga dialect at kung paano ikinukumpara ang presyo ng BroadNet sa ibang speech-to-text API. Para sa batch at streaming list prices ng mahigit 20 speech-to-text na produkto, bawat isa may source at petsa ng pagsuri, tingnan ang bukas na speech-to-text API price index.

Mga tanong

Gumagana ba ang workflow na ito sa n8n Cloud?

Hindi sa kasalukuyang anyo nito. Ayon sa docs ng n8n, wala ang Execute Command node sa n8n Cloud, at kailangan ng conversion step ang ffmpeg sa machine na nagpapatakbo ng n8n. Sa n8n Cloud, i-convert ang audio sa isang panlabas na serbisyong hawak mo at tawagin ito gamit ang HTTP Request node.

Bakit hindi ko puwedeng ipadala nang diretso ang WhatsApp .ogg file sa transcription endpoint?

Opus audio sa loob ng Ogg container ang WhatsApp voice notes. WAV at MP3 ang tinatanggap ng transcription endpoint ng BroadNet, kaya kino-convert muna ng workflow ang bawat note sa 16 kHz mono WAV gamit ang ffmpeg.

Bakit hindi audio file ang ibinabalik ng WhatsApp Download operation?

Sa source code ng n8n, tumatawag ang Download operation sa GET media endpoint ng Meta, na nagbabalik ng JSON object na may pansamantalang URL. Isang pangalawang HTTP Request node ang kumukuha sa URL na iyon gamit ang WhatsApp access token mo. Ayon sa Meta, 5 minuto ang bisa ng URL.

Bakit walang natatanggap ang WhatsApp Trigger ko pagkatapos kong i-publish ang workflow?

Isang webhook URL lang kada app ang pinapayagan ng WhatsApp, kaya napapalitan ito kapag nagpalipat-lipat ka sa test at production URL ng n8n. Sabi rin ng docs ng n8n, hindi nito sina-subscribe ang Meta app mo sa WhatsApp Business Account; tingnan ang subscription na iyon sa Subscribed Apps API ng Meta.

Magkano ang pag-transcribe ng WhatsApp voice notes sa ganitong paraan?

Kada minuto ng audio ang singil ng BroadNet: $0.0042 sa BroadNet Transcribe Arabic o $0.002 sa BroadNet Transcribe. Ang 10,000 Arabic na voice note na tig-30 segundo ay nagkakahalaga ng $21.00. Hiwalay ang singil ng n8n at Meta.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity