BroadRouter

Trascrivere i vocali WhatsApp in testo con un’API

Aggiornato

Converti il vocale in WAV con ffmpeg e invialo all’API di trascrizione: i vocali WhatsApp sono audio Opus in file .ogg, che l’endpoint non accetta direttamente. Usa WAV mono a 16 kHz, poi chiama BroadNet Transcribe Arabic o BroadNet Transcribe con il campo language giusto. Un breve script fa entrambe le cose per un’intera cartella.

Esporta i vocali dalla chat (o ricevili tramite la tua integrazione WhatsApp Business) e avrai dei file .ogg. La documentazione della Cloud API di Meta dice che i messaggi vocali di WhatsApp sono file .ogg codificati con il codec Opus. Le registrazioni del telefono sono spesso .m4a. L’endpoint di trascrizione di BroadNet accetta WAV e MP3, quindi prima devi convertirli.

1. Converti un file

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

-ar 16000 -ac 1 produce audio mono a 16 kHz, la conversione che la documentazione di BroadNet usa per vocali e registrazioni telefoniche. Lo stesso comando funziona per i .m4a. Un WAV mono a 16 kHz e 16 bit occupa 32.000 byte al secondo, quindi il limite di 26.214.400 byte per file corrisponde a circa 13 minuti. Per registrazioni più lunghe, lo splitter audio calcola quanti pezzi ti servono e scrive i comandi ffmpeg.

2. Trascrivi un’intera cartella

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])

Ogni .txt finisce accanto al suo vocale. Per eseguire gli stessi passaggi in automatico su ogni messaggio WhatsApp Business in arrivo, vedi il workflow n8n per i vocali WhatsApp.

Costi

Un vocale di un minuto costa $0.0042 in arabo o $0.002 con il modello a 14 lingue. Audio e trascrizioni non vengono conservati dopo la richiesta; vedi zero data retention.

Risoluzione dei problemi

  • Lettere latine invece dell’arabo: aggiungi language="ar". La documentazione di BroadNet dice di inviare sempre language.

  • Errore 413: il file supera i 26.214.400 byte (25 MiB). Dividi le registrazioni lunghe in pezzi WAV da 10 minuti:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 o 422 al caricamento: controlla che il file sia davvero WAV o MP3 e non un .ogg rinominato in .wav. Esegui la conversione con ffmpeg.

  • ffmpeg: command not found: installa ffmpeg dal tuo package manager (per esempio apt install ffmpeg o brew install ffmpeg).

  • Errore 429: le chiavi a consumo consentono 4 richieste in contemporanea; elabora i file con un piccolo pool. Vedi tutti i codici di errore di BroadNet.

Più dettagli su modello, formati e accuratezza: la guida allo speech-to-text in arabo. Per confrontare quanto fanno pagare gli altri provider per minuto di audio, vedi l’indice aperto dei prezzi delle API speech-to-text, con fonte e data per ogni prezzo. Per capire perché 16 kHz bastano per il parlato, vedi frequenza di campionamento.

Domande frequenti

In che formato audio sono i vocali WhatsApp?

Audio Opus in un contenitore Ogg, salvato come .ogg. La documentazione della Cloud API di Meta dice che i messaggi vocali devono essere file .ogg codificati con il codec Opus, solo mono.

Posso inviare il file .ogg direttamente all’API di trascrizione?

Non a BroadNet Inference. Il suo endpoint di trascrizione accetta WAV e MP3, quindi prima converti il vocale con ffmpeg. Basta un comando per trasformarlo in WAV mono a 16 kHz.

I vocali vengono conservati dopo la trascrizione?

BroadNet dice che audio e trascrizioni vengono elaborati per la richiesta e non conservati. Tiene solo registri senza contenuto, come tempi, stato e utilizzo, per la fatturazione e la sicurezza.

Quale modello devo usare per i vocali in arabo?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, con language impostato su ar. Per le altre 13 lingue che copre usa BroadNet Transcribe, broadnet/cohere-transcribe.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity