BroadRouter

Transkripsi voice note WhatsApp ke teks dengan API

Diperbarui

Voice note WhatsApp adalah audio Opus dalam file .ogg, yang tidak diterima langsung oleh endpoint transkripsi. Konversi masing-masing ke WAV mono 16 kHz dengan ffmpeg, lalu kirim ke BroadNet Transcribe Arabic atau BroadNet Transcribe dengan field language yang tepat. Sebuah skrip pendek bisa melakukan keduanya untuk satu folder sekaligus.

Ekspor voice note dari chat (atau terima lewat integrasi WhatsApp Business Anda) dan Anda akan mendapat file .ogg. Dokumentasi Cloud API Meta menyebut pesan suara WhatsApp adalah file .ogg yang dienkode dengan codec Opus. Rekaman ponsel sering berformat .m4a. Endpoint transkripsi BroadNet menerima WAV dan MP3, jadi konversi dulu.

1. Konversi satu file

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

-ar 16000 -ac 1 menghasilkan audio mono 16 kHz, konversi yang dipakai dokumentasi BroadNet untuk voice note dan rekaman ponsel. Perintah yang sama berlaku untuk .m4a. WAV mono 16 kHz 16-bit berukuran 32.000 byte per detik, jadi batas file 26.214.400 byte memuat sekitar 13 menit. Untuk rekaman yang lebih panjang, pemecah audio menghitung berapa potongan yang Anda perlukan dan menuliskan perintah ffmpeg-nya.

2. Transkripsi satu folder sekaligus

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])

Setiap file .txt tersimpan di samping voice note-nya. Untuk menjalankan langkah yang sama secara otomatis pada setiap pesan WhatsApp Business yang masuk, lihat workflow n8n untuk voice note WhatsApp.

Biaya

Voice note berdurasi satu menit dikenai $0.0042 dalam bahasa Arab atau $0.002 dengan model 14 bahasa. Audio dan transkrip tidak disimpan setelah permintaan selesai; lihat zero data retention.

Pemecahan masalah

  • Huruf Latin, bukan huruf Arab: tambahkan language="ar". Dokumentasi BroadNet menyarankan agar language selalu dikirim.

  • Error 413: file lebih dari 26.214.400 byte (25 MiB). Pecah rekaman panjang menjadi potongan WAV 10 menit:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 atau 422 saat upload: pastikan file benar-benar WAV atau MP3, bukan .ogg yang diganti namanya menjadi .wav. Jalankan konversi ffmpeg.

  • ffmpeg: command not found: instal ffmpeg dari package manager Anda (misalnya apt install ffmpeg atau brew install ffmpeg).

  • Error 429: kunci bayar sesuai pemakaian mengizinkan 4 permintaan sekaligus; proses file dalam pool kecil. Lihat semua kode error BroadNet.

Detail lebih lanjut tentang model, format, dan akurasi: panduan speech-to-text bahasa Arab. Untuk membandingkan tarif penyedia lain per menit audio, lihat indeks harga API speech-to-text yang terbuka, dengan sumber dan tanggal untuk setiap harga. Untuk latar belakang mengapa 16 kHz sudah cukup untuk ucapan, lihat sample rate.

Pertanyaan umum

Voice note WhatsApp itu format audio apa?

Audio Opus dalam kontainer Ogg, disimpan sebagai .ogg. Dokumentasi Cloud API Meta menyebut pesan suara harus berupa file .ogg yang dienkode dengan codec Opus, khusus mono.

Bisakah file .ogg langsung dikirim ke API transkripsi?

Tidak ke BroadNet Inference. Endpoint transkripsinya menerima WAV dan MP3, jadi konversi dulu voice note dengan ffmpeg. Satu perintah mengubahnya menjadi WAV mono 16 kHz.

Apakah voice note disimpan setelah ditranskripsi?

BroadNet menyatakan audio dan transkrip diproses untuk permintaan itu dan tidak disimpan. BroadNet hanya menyimpan catatan tanpa konten, seperti waktu, status, dan penggunaan, untuk penagihan dan keamanan.

Model apa yang sebaiknya dipakai untuk voice note bahasa Arab?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, dengan language diatur ke ar. Pakai BroadNet Transcribe, broadnet/cohere-transcribe, untuk 13 bahasa lain yang didukungnya.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity