BroadRouter

Cara tukar nota suara WhatsApp kepada teks dengan API

Dikemas kini

Nota suara WhatsApp ialah audio Opus dalam fail .ogg, dan titik akhir transkripsi tidak menerimanya secara terus. Tukar setiap satu kepada WAV mono 16 kHz dengan ffmpeg, kemudian hantar kepada BroadNet Transcribe Arabic atau BroadNet Transcribe dengan medan language yang betul. Skrip pendek boleh melakukan kedua-duanya untuk seluruh folder.

Eksport nota suara daripada sembang (atau terimanya melalui integrasi WhatsApp Business anda) dan anda akan mendapat fail .ogg. Dokumentasi Cloud API Meta menyatakan mesej suara WhatsApp ialah fail .ogg yang dikodkan dengan codec Opus. Rakaman telefon pula selalunya .m4a. Titik akhir transkripsi BroadNet menerima WAV dan MP3, jadi tukar dahulu.

1. Tukar satu fail

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

-ar 16000 -ac 1 menghasilkan audio mono 16 kHz, iaitu penukaran yang digunakan oleh dokumentasi BroadNet untuk nota suara dan rakaman telefon. Arahan yang sama berfungsi untuk .m4a. WAV mono 16-bit 16 kHz ialah 32,000 bait sesaat, jadi had fail 26,214,400 bait memuatkan kira-kira 13 minit. Untuk rakaman yang lebih panjang, pemisah audio mengira bilangan bahagian yang anda perlukan dan menulis arahan ffmpeg untuk anda.

2. Transkripsikan seluruh folder

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 fail .txt disimpan di sebelah nota suaranya. Untuk menjalankan langkah yang sama secara automatik pada setiap mesej WhatsApp Business yang masuk, lihat aliran kerja n8n untuk nota suara WhatsApp.

Kos

Nota suara seminit berharga $0.0042 dalam bahasa Arab atau $0.002 dengan model 14 bahasa. Audio dan transkrip tidak disimpan selepas permintaan; lihat pengekalan data sifar.

Penyelesaian masalah

  • Huruf Rumi dan bukan huruf Arab: tambah language="ar". Dokumentasi BroadNet menyatakan language perlu sentiasa dihantar.

  • Ralat 413: fail melebihi 26,214,400 bait (25 MiB). Pecahkan rakaman panjang kepada kepingan WAV 10 minit:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 atau 422 semasa muat naik: pastikan fail itu benar-benar WAV atau MP3, bukan .ogg yang dinamakan semula kepada .wav. Jalankan penukaran ffmpeg.

  • ffmpeg: command not found: pasang ffmpeg daripada pengurus pakej anda (contohnya apt install ffmpeg atau brew install ffmpeg).

  • Ralat 429: kunci bayar ikut guna membenarkan 4 permintaan serentak; proses fail dalam kumpulan kecil. Lihat semua kod ralat BroadNet.

Butiran lanjut tentang model, format dan ketepatan: panduan pertuturan ke teks bahasa Arab. Untuk membandingkan caj penyedia lain bagi setiap minit audio, lihat indeks harga API pertuturan ke teks yang terbuka, dengan sumber dan tarikh bagi setiap harga. Untuk latar belakang mengapa 16 kHz memadai untuk pertuturan, lihat kadar sampel.

Soalan lazim

Apakah format audio nota suara WhatsApp?

Audio Opus dalam bekas Ogg, disimpan sebagai .ogg. Dokumentasi Cloud API Meta menyatakan mesej suara mestilah fail .ogg yang dikodkan dengan codec Opus, mono sahaja.

Bolehkah saya hantar fail .ogg terus ke API transkripsi?

Tidak ke BroadNet Inference. Titik akhir transkripsinya menerima WAV dan MP3, jadi tukar nota suara itu dengan ffmpeg dahulu. Satu arahan sahaja menukarnya kepada WAV mono 16 kHz.

Adakah nota suara disimpan selepas ditranskripsikan?

BroadNet menyatakan audio dan transkrip diproses untuk permintaan itu dan tidak disimpan. Ia hanya menyimpan rekod tanpa kandungan seperti masa, status dan penggunaan untuk pengebilan dan keselamatan.

Model manakah yang patut saya gunakan untuk nota suara bahasa Arab?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, dengan language ditetapkan kepada ar. Gunakan BroadNet Transcribe, broadnet/cohere-transcribe, untuk 13 bahasa lain yang disokongnya.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity