---
title: "WhatsApp voice note (.ogg) transcription gamit ang API"
description: "I-convert sa WAV gamit ang ffmpeg ang WhatsApp .ogg voice notes o .m4a recording ng phone, saka i-transcribe sa Arabic o 13 pang wika sa isang API call."
url: https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/
lang: fil
updated: 2026-11-16
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/guides/transcribe-whatsapp-voice-notes/) (na-update noong 2026-11-16).

# Paano gawing text ang WhatsApp voice notes gamit ang API

Na-update 2026-11-16

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

```bash
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](https://broadrouter.com/tools/audio-splitter-ffmpeg/) kung ilang chunk ang kailangan mo at isinusulat nito ang mga ffmpeg command.

## 2\. I-transcribe ang buong folder

```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])
```

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

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

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

Higit pang detalye tungkol sa model, mga format at accuracy: [ang guide sa Arabic speech-to-text](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/). Para ikumpara kung magkano ang singil ng ibang provider kada minuto ng audio, tingnan ang bukas na [price index ng speech-to-text API](https://broadrouter.com/data/speech-to-text-api-prices/), na may source at petsa sa bawat presyo. Para malaman kung bakit sapat ang 16 kHz para sa pananalita, basahin ang [sample rate](https://broadrouter.com/fil/glossary/sample-rate/).

## Mga termino sa gabay na ito

[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.

[Sample rate](https://broadrouter.com/fil/glossary/sample-rate/)

Ang sample rate ay ang bilang ng audio sample na kinukuha kada segundo, na sinusukat sa hertz (Hz). Karaniwang 16,000 Hz (16 kHz) na mono audio ang inaasahan ng mga speech recognition model. Kasama ng bit depth at bilang ng channel, ang sample rate ang nagtatakda kung gaano kalaki kada minuto ang hindi naka-compress na audio file.

[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.

[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.

[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.

[Zero data retention (ZDR)](https://broadrouter.com/fil/glossary/zero-data-retention/)

Ang zero data retention (ZDR) ay patakaran kung saan pinoproseso lang ng AI provider ang mga prompt at output para i-serve ang isang request, at hindi na nito itinatago ang content na iyon pagkatapos, sa log, cache o training data. Kadalasang itinatago pa rin ang mga record na walang content, gaya ng bilang ng token at timing.

[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.

[Ogg Opus](https://broadrouter.com/fil/glossary/ogg-opus/)

Ang Ogg Opus ay audio na naka-encode gamit ang Opus codec (RFC 6716) at naka-store sa isang Ogg container (RFC 7845). Ginawa ito para sa speech at interactive na audio sa mababang bitrate, at ito ang format na ginagamit ng WhatsApp para sa voice notes, kadalasan bilang .ogg o .opus na file.

## 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.

## Mga kaugnay na gabay

-   [Paano i-transcribe ang WhatsApp voice notes sa n8n](https://broadrouter.com/fil/guides/n8n-whatsapp-voice-note-transcription/)
-   [Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [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-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference, transcription at ffmpeg conversion (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [Pricing ng BroadNet Inference (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API, audio messages (OGG na may Opus codec ang voice messages; sinuri noong 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [FFmpeg formats documentation, segment muxer (sinuri noong 2026-11-14)](https://ffmpeg.org/ffmpeg-formats.html#segment)
