BroadRouter

ビジネス向けボイスメッセージの文字起こし:WhatsApp と Telegram からチケットへ

BroadNet Inference チーム · 約 4 分で読めます · 公開日 · 更新日

顧客のボイスメッセージをチケットにするには、Webhook が届いたらすぐに WhatsApp Cloud API か Telegram Bot API から音声をダウンロードし、WAV に変換して正しい言語コードで文字起こしし、LLM に用件、緊急度、注文番号を JSON で抽出させます。文字起こしを添付してチケットを作成し、テキストで返信します。

An invoice, a phone showing an audio waveform and the Arabic word "مرحبا", with the text "Speech. Documents. Intelligence."

中東の多くの地域では、顧客は文字を打ちません。湾岸方言やエジプト方言のアラビア語で 40 秒のボイスメッセージを送り、途中で注文番号を読み上げることもよくあります。担当者はそれを聞き、巻き戻し、ヘルプデスクに入力します。1 日に数百件となれば、ボイスメッセージは最も遅いチャネルになります。

この記事では、文字起こしを中心にした業務フローを組み立てます。WhatsApp と Telegram からメッセージを取り出し、構造化されたチケットに変え、データを管理下に置くまでです。変換と文字起こしのコードそのものは、ステップごとのガイドWhatsApp ボイスメッセージの文字起こしを参照してください。ここでは繰り返しません。

ボイスメッセージはどうやってサポートチケットになりますか?

  1. WhatsApp または Telegram から Webhook を受信する。
  2. 音声をすぐにダウンロードする。
  3. 16 kHz モノラル WAV に変換する。
  4. 正しい言語コードで文字起こしする。
  5. LLM でチケットの項目を抽出する。
  6. 文字起こし付きのチケットを作成し、テキストで返信する。
  7. 音声ファイルを削除する。

ステップ 1 と 2:WhatsApp から音声を取り出すには?

WhatsApp Business Cloud API では、受信したボイスメッセージはファイルではなく、メディア ID 付きの Webhook として届きます。Meta のメディアのドキュメントが定めるルールは次のとおりです。

  • Graph API で GET /<MEDIA_ID> を呼び、url を取得する。
  • その URL を Authorization: Bearer <token> 付きでダウンロードする。トークンがないとリクエストは失敗します。
  • “Media URLs expire after 5 minutes.”(訳:メディア URL は 5 分で期限切れになる。)遅れたら新しい URL を取得し直してください。
  • 受信 Webhook のメディア ID の有効期間は 7 日です。
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)

これは後でバッチ処理するのではなく、Webhook ハンドラーのバックグラウンドジョブで行ってください。1 時間に 1 回動くキューでは、期限切れの URL に当たります。

Telegram ボットからボイスメッセージを取り出すには?

Telegram ボットは file_id 付きの voice オブジェクトを受け取ります。Bot API によると、ボットは https://api.telegram.org/file/bot<token>/<file_path> 経由で “can download files of up to 20MB”(訳:最大 20MB のファイルをダウンロードできる)、リンクは “valid for at least 1 hour”(訳:少なくとも 1 時間有効)です。

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)

実際には、どちらのプラットフォームも Ogg/Opus のボイスメッセージを届けます。文字起こしエンドポイントは WAV か MP3 を受け付けるので、WhatsApp ガイドにある 1 行の ffmpeg コマンドで変換し、language="ar"(または顧客の言語)で文字起こししてください。

ステップ 5:文字起こしをチケットにするには?

生の文字起こしのままでは、まだ振り分けが大変です。LLM ならヘルプデスクに必要な項目を取り出せます。

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 は、湾岸方言やエジプト方言を含むアラビア語で BroadNet がテストしたモデルです。ヘルプデスクに書き込む前に JSON を検証し、パースに失敗したら needs_human: true にフォールバックしてください。構造化出力の記事に検証と修復のループがあります。メッセージでカード番号や身分証番号に触れている場合は、このステップの前にマスキングしてください。LLM API に機密データを送るを参照してください。

早めに対処すべきエッジケースは?

実際の受信箱はデモよりずっと雑然としています。最初の週から次のケースに備えてください。

  • 連続した複数のメッセージ。 顧客は長いメッセージ 1 件ではなく、短いメッセージを 3 件送ることがよくあります。同じ送信者から数分以内に届いたメッセージは 1 つのチケットにまとめ、順番どおりに文字起こしします。
  • ごく短いメッセージ。 「オーケー」や「ありがとう」のメッセージにチケットは不要です。文字起こしが数語に満たなければ抽出を飛ばします。
  • 転送されたメッセージ。 転送されたボイスメッセージは、別の人が話しているかもしれません。顧客自身の言葉ではなく、添付ファイルとして扱ってください。
  • 言語の混在。 湾岸地域の顧客は英語の製品名を混ぜて話します。キューが複数の言語を扱うなら、各文字起こしに送信時の言語を記録し、担当者が何を予想すればよいか分かるようにします。
  • 大きなファイル。 Meta のメディアのドキュメントは音声の上限を 16 MB、Telegram ボットは最大 20 MB のダウンロードとしており、どちらも文字起こしの上限 25 MiB を下回りますが、長い録音はやはり時間がかかります。バックグラウンドで処理してください。

チームが得られるもの

導入前 導入後
担当者がメッセージを 1 件ずつ、しばしば 2 回聞く 担当者は文字起こしと 1 行の要約を読む
メッセージを検索できない 文字起こしを注文番号やキーワードで検索できる
手の空いた人が振り分ける 用件と緊急度で振り分ける
アラビア語のメッセージはアラビア語話者を待つ 英語の要約があるので、簡単な案件は誰でも対応できる

ボイスメッセージの文字起こしにはいくらかかりますか?

文字起こしはパイプラインの中で安い部分です。1 分 $0.0042 で、30 秒のアラビア語ボイスメッセージ 10,000 件は $21.00 です。14 言語対応のモデルは 1 分 $0.002 です。LLM のステップはトークン単位の料金で、短い文字起こしと指示を合わせても通常は数百トークンです。自分の件数を音声認識コスト計算ツールに入れるか、音声認識 API の料金比較で他のプロバイダーと比べてください。

プライバシーと保存期間はどう扱うべきですか?

ボイスメッセージは個人データであり、顧客が伝えるつもりだった以上の内容を含むことがよくあります。3 つの習慣が役立ちます。

  • 文字起こし後に音声を削除する。 ポリシーで保存が求められている場合は除きます。
  • 文字起こしはチケットと一緒に保存する。 アプリのログではなく、ヘルプデスクのアクセス制御の下に置きます。
  • 音声を保持しないプロバイダーを使う。 BroadNet はリクエスト後に音声も文字起こしも保持しません。ゼロデータ保持を参照してください。

返信はプレーンテキストで行い、新しい連絡先への最初の返信は短く、リンクを含めないでください。メッセージングプラットフォームは、ビジネス番号からのスパムのようなパターンを監視しています。

BroadNet Inference の位置づけ

BroadNet は、文字起こしと抽出のステップを 1 つの OpenAI 互換キーでカバーします。アラビア語のメッセージには BroadNet Transcribe Arabic、アラビア語と他の 13 言語には BroadNet Transcribe、チケットの項目にはアラビア語でテストされたチャットモデルです。BroadNet は自社のアラビア語モデルを Open Universal Arabic ASR Leaderboard で 37 件中 2 位(2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) と報告しています。$5 の初回クレジットで、アラビア語音声を約 1,190 分文字起こしできます。

BroadNet が WhatsApp、Telegram、ヘルプデスクとの接続を代行するわけではありません。Webhook の処理とチケットの作成は、自分のコードか自動化ツールで行います。通話は話者が 2 人で録音も長く、別の種類の問題です。コールセンター録音の文字起こしを参照してください。

よくある質問

WhatsApp のボイスメッセージを自動で文字起こしできますか?

できます。WhatsApp Business Cloud API では、ボイスメッセージはメディア ID 付きの Webhook として届きます。サーバーがメディア URL を取得し、アクセストークンでファイルをダウンロードして変換し、文字起こし API に送ります。

Telegram の音声メッセージをテキストにするには?

ボットは file_id 付きの voice オブジェクトを受け取ります。getFile を呼び、返されたパスからファイルをダウンロードし、ffmpeg で WAV に変換して文字起こしします。ボットがダウンロードできるのは最大 20 MB のファイルです。

顧客のボイスメッセージの文字起こしにはいくらかかりますか?

BroadNet Transcribe Arabic は 1 分 $0.0042 で、30 秒のメッセージ 10,000 件で $21.00 です。14 言語対応のモデルは 1 分 $0.002 です。

ボイスメッセージにはボイスメッセージで返信すべきですか?

サポートでは、短いテキストの返信のほうがたいてい適しています。顧客はどこでも読めますし、双方で検索できます。最初の返信はシンプルで短くしてください。

元の音声を保存する必要はありますか?

多くの場合は不要です。ほとんどのサポート業務では文字起こしで足ります。品質管理や法的な理由で音声を残す場合は、保存期間を決めてアクセスを制限してください。音声は個人データだからです。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く