WhatsApp のボイスメッセージをダウンロードすると、小さな .ogg ファイルが手に入ります。中身は Opus 音声で、音声通話向けに設計されたコーデックです。
仕組み
2 つの層があり、それぞれ IETF の RFC で定義されています。
| 層 | 仕様 | 役割 |
|---|---|---|
| Opus コーデック | RFC 6716 | 音声を圧縮します。SILK ベースの線形予測層と CELT ベースの MDCT 層を組み合わせ、6 kbit/s の狭帯域音声から 510 kbit/s のステレオ音楽まで対応します |
| Ogg コンテナ | RFC 7845 | Opus のパケットをファイルに包みます。先頭は OpusHead 識別ヘッダーです |
RFC 6716 は、狭帯域(8 kHz のサンプリングレート)から全帯域(48 kHz)まで 5 つの帯域幅を定めています。RFC 7845 によると、デコーダーがどのレートで出力するかにかかわらず、グラニュール位置は常に 48 kHz でサンプル数を数えます。拡張子は .opus、メディアタイプは audio/ogg(任意で audio/ogg; codecs=opus)を推奨しています。
Meta の WhatsApp Cloud API メディアリファレンスは、OGG 音声を audio/ogg、“Opus codec only”(訳:Opus コーデックのみ)、モノラル、最大 16 MB としています。
なぜ重要か
- 受け付けない API が多い。 WAV または MP3 しか受け付けない音声認識エンドポイントは、変換するまでボイスメッセージを拒否します。
- 変換は手軽。 ffmpeg のコマンド 1 つで Opus を PCM にデコードできます。結果はボイスメッセージよりかなり大きくなるので、ファイルサイズの上限に注意してください。
- 名前の混同。 「Opus」はほかのプロバイダーのモデル名でもあります。音声の文脈では、コーデックを指します。
BroadNet Inference の場合
BroadNet の文字起こしエンドポイントが受け付けるのは WAV(audio/wav)または MP3(audio/mpeg)のみで、1 ファイル最大 26,214,400 バイトです。ドキュメントでは、WhatsApp のボイスメッセージを 1 ステップで変換しています。
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
ffmpeg のドキュメントによると -ar はサンプリング周波数、-ac はチャンネル数を設定するので、これで 16 kHz モノラルの WAV が書き出されます。あとは language=ar(または en)を付けて BroadNet Transcribe Arabic か BroadNet Transcribe に送ります。WhatsApp ボイスメッセージのガイドにはフォルダごと変換して文字起こしするスクリプトがあり、n8n のガイドではワークフローの中で同じことを行います。1 ファイルに収まらない長いボイスメッセージは、音声分割ツールで分割の仕方を計算できます。
よくある間違い
- 変換せずに名前だけ変える。
.oggを.wavに変えても中の音声は変わりません。ffmpeg でデコードしてください。 -ac 1を省く。 ステレオにすると WAV のサイズが倍になるだけで、文字起こしの役には立ちません。