मिडिल ईस्ट के बड़े हिस्से में ग्राहक टाइप नहीं करते। वे खाड़ी या मिस्री अरबी में 40 सेकंड का वॉइस नोट भेजते हैं, अक्सर बीच में ऑर्डर नंबर बोलते हुए। फिर एजेंट सुनते हैं, पीछे करते हैं, और हेल्पडेस्क में टाइप करते हैं। दिन में कुछ सौ नोट हों, तो वॉइस नोट आपका सबसे धीमा चैनल बन जाते हैं।
यह पोस्ट ट्रांसक्रिप्शन के आसपास का बिज़नेस वर्कफ़्लो बनाती है: WhatsApp और Telegram से नोट निकालना, उन्हें व्यवस्थित टिकट में बदलना, और डेटा को नियंत्रण में रखना। कन्वर्ज़न और ट्रांसक्रिप्शन के कोड के लिए हमारी क़दम-दर-क़दम गाइड WhatsApp वॉइस नोट ट्रांसक्राइब करना देखें। हम उसे यहाँ नहीं दोहराएँगे।
वॉइस नोट सपोर्ट टिकट कैसे बनता है?
- WhatsApp या Telegram से webhook प्राप्त करें।
- ऑडियो तुरंत डाउनलोड करें।
- 16 kHz मोनो WAV में बदलें।
- सही भाषा कोड के साथ ट्रांसक्राइब करें।
- LLM से टिकट फ़ील्ड निकालें।
- ट्रांसक्रिप्ट के साथ टिकट बनाएँ, और टेक्स्ट में जवाब दें।
- ऑडियो फ़ाइल डिलीट करें।
क़दम 1 और 2: WhatsApp से ऑडियो कैसे निकालें?
WhatsApp Business Cloud API पर आने वाला वॉइस नोट फ़ाइल के रूप में नहीं, बल्कि मीडिया ID वाले webhook के रूप में आता है। Meta के मीडिया डॉक्स नियम तय करते हैं:
urlपाने के लिए Graph API परGET /<MEDIA_ID>कॉल करें।- उस URL को
Authorization: Bearer <token>के साथ डाउनलोड करें। token के बिना अनुरोध फ़ेल होता है। - “Media URLs expire after 5 minutes.” (अनुवाद: मीडिया URL 5 मिनट बाद ख़त्म हो जाते हैं।) देर हो जाए तो नया URL माँगें।
- आने वाले webhook के मीडिया ID 7 दिन तक वैध रहते हैं।
import os, requests
GRAPH = os.environ["GRAPH_BASE"] # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}
def download_whatsapp(media_id, path):
url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
with open(path, "wb") as f:
f.write(requests.get(url, headers=HDR, timeout=30).content)
यह webhook handler के बैकग्राउंड जॉब में करें, बाद में किसी बैच में नहीं। घंटे में एक बार चलने वाली क्यू को ख़त्म हो चुके URL मिलेंगे।
Telegram बॉट से वॉइस नोट कैसे निकालें?
Telegram बॉट को file_id वाला एक voice ऑब्जेक्ट मिलता है। Bot API कहता है कि बॉट https://api.telegram.org/file/bot<token>/<file_path> के ज़रिए “can download files of up to 20MB” (अनुवाद: 20MB तक की फ़ाइलें डाउनलोड कर सकते हैं), और लिंक “valid for at least 1 hour” (अनुवाद: कम से कम 1 घंटे वैध) रहता है।
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"
def download_telegram(file_id, path):
file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
with open(path, "wb") as f:
f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
व्यवहार में दोनों प्लैटफ़ॉर्म Ogg/Opus वॉइस नोट देते हैं। ट्रांसक्रिप्शन एंडपॉइंट WAV या MP3 लेता है, इसलिए WhatsApp गाइड की एक लाइन वाली ffmpeg कमांड से बदलें, फिर language="ar" (या ग्राहक की भाषा) के साथ ट्रांसक्राइब करें।
क़दम 5: ट्रांसक्रिप्ट को टिकट में कैसे बदलें?
कच्चे ट्रांसक्रिप्ट को triage करना अब भी मुश्किल है। LLM वे फ़ील्ड निकाल सकता है जो आपके हेल्पडेस्क को चाहिए:
import json
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
"order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")
def to_ticket(transcript):
reply = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
{"role": "user", "content": transcript}],
).choices[0].message.content
return json.loads(reply)
Qwen3.8 27B वह मॉडल है जिसे BroadNet ने अरबी के लिए टेस्ट किया, खाड़ी और मिस्री बोलियों समेत। हेल्पडेस्क में लिखने से पहले JSON को validate करें, और parsing फ़ेल होने पर needs_human: true पर लौट आएँ; structured output वाली पोस्ट में validate-and-repair लूप है। अगर किसी नोट में कार्ड या ID नंबर हों, तो इस क़दम से पहले उन्हें छिपा दें; देखें LLM API को संवेदनशील डेटा भेजना।
किन edge case को पहले से संभालें?
असली इनबॉक्स डेमो से ज़्यादा बिखरे होते हैं। पहले हफ़्ते से इनकी तैयारी रखें:
- लगातार कई नोट। ग्राहक अक्सर एक लंबे नोट की जगह तीन छोटे नोट भेजते हैं। एक ही भेजने वाले के कुछ मिनट के अंदर आए नोट को एक टिकट में जोड़ें, और उन्हें क्रम से ट्रांसक्राइब करें।
- बहुत छोटे नोट। “Okay” या “thanks” वाले नोट को टिकट की ज़रूरत नहीं। जब ट्रांसक्रिप्ट में कुछ ही शब्द हों, तो extraction छोड़ दें।
- फ़ॉरवर्ड किए गए नोट। फ़ॉरवर्ड किए गए वॉइस नोट में कोई और बोल रहा हो सकता है। उसे अटैचमेंट मानें, ग्राहक के अपने शब्द नहीं।
- मिली-जुली भाषा। खाड़ी के ग्राहक अंग्रेज़ी प्रोडक्ट नाम मिलाकर बोलते हैं। अगर आपकी क्यू कई भाषाएँ संभालती है, तो हर ट्रांसक्रिप्ट के साथ भेजी गई भाषा दर्ज करें, ताकि एजेंट जानें कि क्या उम्मीद करें।
- बड़ी फ़ाइलें। Meta के मीडिया डॉक्स ऑडियो के लिए 16 MB की सीमा बताते हैं और Telegram बॉट 20 MB तक डाउनलोड कर सकते हैं, दोनों 25 MiB की ट्रांसक्रिप्शन सीमा से नीचे, लेकिन लंबी रिकॉर्डिंग फिर भी ज़्यादा समय लेती हैं। उन्हें बैकग्राउंड में प्रोसेस करें।
टीम को इससे क्या मिलता है
| पहले | बाद में |
|---|---|
| एजेंट हर नोट सुनता है, अक्सर दो बार | एजेंट ट्रांसक्रिप्ट और एक लाइन का सारांश पढ़ता है |
| नोट सर्च नहीं हो सकते | ट्रांसक्रिप्ट ऑर्डर नंबर या कीवर्ड से सर्च हो सकते हैं |
| जो ख़ाली हो, वही triage करता है | intent और urgency के हिसाब से रूटिंग |
| अरबी नोट अरबी बोलने वाले का इंतज़ार करते हैं | अंग्रेज़ी सारांश से कोई भी एजेंट आसान मामले उठा सकता है |
वॉइस नोट ट्रांसक्रिप्शन की लागत कितनी है?
पाइपलाइन का सस्ता हिस्सा ट्रांसक्रिप्शन है। $0.0042 प्रति मिनट पर 30 सेकंड के 10,000 अरबी वॉइस नोट की लागत $21.00 है। 14 भाषाओं वाले मॉडल की लागत $0.002 प्रति मिनट है। LLM वाले क़दम की कीमत प्रति टोकन है; छोटा ट्रांसक्रिप्ट और निर्देश आम तौर पर कुछ सौ टोकन होते हैं। अपनी मात्रा speech-to-text लागत कैलकुलेटर में डालें, या speech-to-text कीमतों की तुलना में दूसरे प्रोवाइडरों से मिलाएँ।
प्राइवेसी और डेटा रखने की अवधि कैसे संभालें?
वॉइस नोट निजी डेटा हैं, और उनमें अक्सर उससे ज़्यादा होता है जितना ग्राहक बताना चाहता था। तीन आदतें मदद करती हैं:
- ट्रांसक्रिप्शन के बाद ऑडियो डिलीट करें, जब तक कोई पॉलिसी उसे रखने को न कहे।
- ट्रांसक्रिप्ट टिकट के साथ स्टोर करें, हेल्पडेस्क के एक्सेस कंट्रोल के तहत, ऐप लॉग में नहीं।
- ऐसा प्रोवाइडर इस्तेमाल करें जो ऑडियो न रखे। BroadNet अनुरोध के बाद कोई ऑडियो या ट्रांसक्रिप्ट नहीं रखता; देखें zero data retention।
जवाब सादे टेक्स्ट में दें, और नए कॉन्टैक्ट को पहला जवाब छोटा और बिना लिंक के रखें। मैसेजिंग प्लैटफ़ॉर्म बिज़नेस नंबरों से स्पैम जैसे पैटर्न पर नज़र रखते हैं।
BroadNet Inference कहाँ फ़िट होता है
BroadNet एक ही OpenAI-compatible key से ट्रांसक्रिप्शन और extraction के क़दम संभालता है: अरबी नोट के लिए BroadNet Transcribe Arabic, अरबी और 13 दूसरी भाषाओं के लिए BroadNet Transcribe, और टिकट फ़ील्ड के लिए अरबी पर टेस्ट किए गए चैट मॉडल। BroadNet बताता है कि उसका अरबी मॉडल Open Universal Arabic ASR Leaderboard पर 37 में से #2 (यह सितंबर 2026 का आंकड़ा है; 15 नवंबर 2026 को लाइव लीडरबोर्ड पर यह 39 में से #4 था) है। $5 का शुरुआती क्रेडिट अरबी ऑडियो के लगभग 1,190 मिनट कवर करता है।
BroadNet आपके लिए WhatsApp, Telegram या आपके हेल्पडेस्क से नहीं जुड़ता; webhook संभालना और टिकट बनाना आपका कोड या आपका ऑटोमेशन टूल करता है। कॉल एक अलग तरह की समस्या है, दो बोलने वालों और लंबी रिकॉर्डिंग के साथ: देखें कॉल सेंटर की रिकॉर्डिंग ट्रांसक्राइब करना।

