Exportez les messages vocaux de la conversation (ou recevez-les via votre intégration WhatsApp Business) et vous obtenez des fichiers .ogg. Selon la documentation de la Cloud API de Meta, les messages vocaux WhatsApp sont des fichiers .ogg encodés avec le codec Opus. Les enregistrements faits au téléphone sont souvent en .m4a. Le point de terminaison de transcription de BroadNet accepte le WAV et le MP3 : il faut donc convertir d’abord.
1. Convertir un fichier
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 produit un audio mono à 16 kHz, la conversion qu’utilise la documentation de BroadNet pour les messages vocaux et les enregistrements téléphoniques. La même commande fonctionne pour le .m4a. Un WAV mono 16 kHz en 16 bits pèse 32 000 octets par seconde : la limite de 26 214 400 octets par fichier correspond donc à environ 13 minutes. Pour des enregistrements plus longs, le découpeur audio calcule le nombre de morceaux nécessaires et écrit les commandes ffmpeg.
2. Transcrire tout un dossier
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])
Chaque .txt est créé à côté de son message vocal. Pour exécuter automatiquement ces étapes sur chaque message WhatsApp Business entrant, voir le workflow n8n pour les messages vocaux WhatsApp.
Coût
Un message vocal d’une minute coûte $0.0042 en arabe, ou $0.002 avec le modèle à 14 langues. L’audio et les transcriptions ne sont pas conservés après la requête ; voir zéro conservation des données.
Dépannage
-
Lettres latines au lieu de l’arabe : ajoutez
language="ar". La documentation de BroadNet recommande de toujours envoyerlanguage. -
Erreur 413 : le fichier dépasse 26 214 400 octets (25 Mio). Découpez les longs enregistrements en morceaux WAV de 10 minutes :
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
400 ou 422 à l’envoi : vérifiez que le fichier est bien du WAV ou du MP3, et pas un
.oggrenommé en.wav. Lancez la conversion ffmpeg. -
ffmpeg: command not found: installez ffmpeg avec votre gestionnaire de paquets (par exempleapt install ffmpegoubrew install ffmpeg). -
Erreur 429 : les clés à l’usage autorisent 4 requêtes simultanées ; traitez les fichiers dans un petit pool. Voir tous les codes d’erreur de BroadNet.
Plus de détails sur le modèle, les formats et la précision : le guide du speech-to-text arabe. Pour comparer ce que facturent d’autres fournisseurs par minute d’audio, consultez l’index ouvert des prix des API de speech-to-text, avec une source et une date pour chaque prix. Pour comprendre pourquoi 16 kHz suffit pour la parole, voir fréquence d’échantillonnage.
