BroadRouter

Paano gawing text ang WhatsApp voice notes gamit ang API

Na-update

Opus audio sa .ogg file ang WhatsApp voice notes, at hindi ito direktang tinatanggap ng transcription endpoint. I-convert muna ang bawat isa sa 16 kHz mono WAV gamit ang ffmpeg, saka ipadala sa BroadNet Transcribe Arabic o BroadNet Transcribe na may tamang language field. Kayang gawin ng isang maikling script ang dalawa para sa buong folder.

I-export ang voice notes mula sa chat (o tanggapin ang mga ito sa WhatsApp Business integration mo) at .ogg file ang makukuha mo. Ayon sa Cloud API docs ng Meta, .ogg file na naka-encode gamit ang Opus codec ang WhatsApp voice messages. Kadalasang .m4a naman ang recording ng phone. WAV at MP3 ang tinatanggap ng transcription endpoint ng BroadNet, kaya mag-convert muna.

1. Mag-convert ng isang file

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

Gumagawa ang -ar 16000 -ac 1 ng 16 kHz mono audio, ang conversion na ginagamit ng docs ng BroadNet para sa voice notes at recording ng phone. Gumagana rin ang parehong command sa .m4a. Ang 16 kHz mono 16-bit WAV ay 32,000 bytes kada segundo, kaya mga 13 minuto ang kasya sa 26,214,400-byte na limit ng file. Para sa mas mahahabang recording, kinukuwenta ng audio splitter kung ilang chunk ang kailangan mo at isinusulat nito ang mga ffmpeg command.

2. I-transcribe ang buong folder

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])

Lumalabas ang bawat .txt sa tabi ng voice note nito. Para awtomatikong patakbuhin ang parehong mga hakbang sa bawat papasok na WhatsApp Business message, tingnan ang n8n workflow para sa WhatsApp voice notes.

Gastos

Ang isang minutong voice note ay $0.0042 sa Arabic o $0.002 sa model na may 14 na wika. Hindi itinatago ang audio at transcript pagkatapos ng request; tingnan ang zero data retention.

Pag-troubleshoot

  • Latin na letra imbes na Arabic: idagdag ang language="ar". Sabi ng docs ng BroadNet, laging ipadala ang language.

  • 413 error: lampas sa 26,214,400 bytes (25 MiB) ang file. Hatiin ang mahahabang recording sa tig-10 minutong WAV:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 o 422 sa upload: siguraduhing WAV o MP3 talaga ang file at hindi .ogg na pinalitan lang ng pangalan bilang .wav. Patakbuhin ang ffmpeg conversion.

  • ffmpeg: command not found: i-install ang ffmpeg mula sa package manager mo (halimbawa apt install ffmpeg o brew install ffmpeg).

  • 429 error: 4 na sabay-sabay na request ang pinapayagan ng pay-as-you-go key; iproseso ang mga file sa maliit na pool. Tingnan ang lahat ng error code ng BroadNet.

Higit pang detalye tungkol sa model, mga format at accuracy: ang guide sa Arabic speech-to-text. Para ikumpara kung magkano ang singil ng ibang provider kada minuto ng audio, tingnan ang bukas na price index ng speech-to-text API, na may source at petsa sa bawat presyo. Para malaman kung bakit sapat ang 16 kHz para sa pananalita, basahin ang sample rate.

Mga tanong

Anong audio format ang WhatsApp voice notes?

Opus audio sa loob ng Ogg container, naka-save bilang .ogg. Ayon sa Cloud API docs ng Meta, dapat .ogg file na naka-encode gamit ang Opus codec ang voice messages, at mono lang.

Puwede ko bang ipadala nang diretso ang .ogg file sa transcription API?

Hindi sa BroadNet Inference. WAV at MP3 ang tinatanggap ng transcription endpoint nito, kaya i-convert muna ang voice note gamit ang ffmpeg. Isang command lang para gawin itong 16 kHz mono WAV.

Naka-store ba ang voice notes pagkatapos ma-transcribe?

Ayon sa BroadNet, pinoproseso ang audio at transcript para sa request at hindi itinatago. Mga record na walang content lang ang itinatago nito, gaya ng timing, status at usage, para sa billing at security.

Anong model ang gagamitin ko para sa Arabic na voice notes?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, na naka-set ang language sa ar. Gamitin ang BroadNet Transcribe, broadnet/cohere-transcribe, para sa 13 pang wikang sakop nito.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity