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 anglanguage. -
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
.oggna pinalitan lang ng pangalan bilang.wav. Patakbuhin ang ffmpeg conversion. -
ffmpeg: command not found: i-install ang ffmpeg mula sa package manager mo (halimbawaapt install ffmpegobrew 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.
