---
title: "Transcrever áudios do WhatsApp e Telegram para empresas"
description: "Transforme áudios de clientes do WhatsApp Business e de bots do Telegram em transcrições e tickets de suporte: baixar, transcrever, extrair campos com LLM e rotear."
url: https://broadrouter.com/pt/blog/voice-notes-to-text-for-business/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (atualizado em 2026-11-16).

# Transcrever áudios para empresas: do WhatsApp e Telegram a tickets

Pela equipe da BroadNet Inference · 4 min de leitura · Publicado em 2026-11-14 · Atualizado em 2026-11-16

Para transformar áudios de clientes em tickets, baixe cada áudio da WhatsApp Cloud API ou da Telegram Bot API assim que o webhook chegar, converta para WAV, transcreva com o código de idioma certo e peça a um LLM que extraia intenção, urgência e números de pedido em JSON. Crie o ticket com a transcrição anexada e responda por texto.

## Pontos principais

-   Baixe rápido: as URLs de mídia do WhatsApp expiram em 5 minutos, e os IDs de mídia dos webhooks em 7 dias.
-   Bots do Telegram podem baixar arquivos de até 20 MB, por um link válido por pelo menos uma hora.
-   A transcrição é a etapa barata: 10.000 áudios em árabe de 30 segundos custam $21.00.
-   Um LLM transforma um áudio confuso em campos de ticket: intenção, urgência, número do pedido, idioma e um resumo de uma linha.
-   Guarde a transcrição, não o áudio, a menos que você tenha um motivo para armazenar a voz.

**Nesta página**

1.  Como um áudio vira um ticket de suporte?
2.  Etapas 1 e 2: como tirar o áudio do WhatsApp?
3.  Como tirar áudios de um bot do Telegram?
4.  Etapa 5: como transformar uma transcrição em ticket?
5.  Quais casos especiais tratar logo?
6.  O que a equipe ganha com isso
7.  Quanto custa transcrever áudios?
8.  Como tratar privacidade e retenção?
9.  Onde a BroadNet Inference se encaixa

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

Em boa parte do Oriente Médio, os clientes não digitam. Mandam um áudio de 40 segundos em árabe do Golfo ou egípcio, muitas vezes com um número de pedido lido no meio. Os atendentes ouvem, voltam, e digitam tudo no helpdesk. Multiplique por algumas centenas por dia e os áudios viram o canal mais lento que você tem.

Este post monta o fluxo de negócio em torno da transcrição: tirar os áudios do WhatsApp e do Telegram, transformá-los em tickets estruturados e manter os dados sob controle. Para o código de conversão e transcrição em si, veja o nosso guia passo a passo para [transcrever áudios do WhatsApp](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/). Não vamos repeti-lo aqui.

## Como um áudio vira um ticket de suporte?

1.  **Receba** o webhook do WhatsApp ou do Telegram.
2.  **Baixe** o áudio imediatamente.
3.  **Converta** para WAV mono de 16 kHz.
4.  **Transcreva** com o código de idioma certo.
5.  **Extraia** os campos do ticket com um LLM.
6.  **Crie** o ticket, com a transcrição, e responda por texto.
7.  **Apague** o arquivo de áudio.

## Etapas 1 e 2: como tirar o áudio do WhatsApp?

Na WhatsApp Business Cloud API, um áudio recebido chega como um webhook com um ID de mídia, não com o arquivo. A [documentação de mídia](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media) da Meta define as regras:

-   Chame `GET /<MEDIA_ID>` na Graph API para obter uma `url`.
-   Baixe essa URL com `Authorization: Bearer <token>`. Sem o token, a requisição falha.
-   “Media URLs expire after 5 minutes.” (tradução: as URLs de mídia expiram em 5 minutos). Se você se atrasar, peça uma nova.
-   IDs de mídia de webhooks recebidos valem por **7 dias**.

```python
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)
```

Faça isso no job em segundo plano do handler do webhook, não depois, em lote. Uma fila que roda uma vez por hora vai encontrar URLs expiradas.

## Como tirar áudios de um bot do Telegram?

Um bot do Telegram recebe um objeto `voice` com um `file_id`. A [Bot API](https://core.telegram.org/bots/api#getfile) diz que bots “can download files of up to 20MB” (tradução: podem baixar arquivos de até 20 MB), via `https://api.telegram.org/file/bot<token>/<file_path>`, e que o link é “valid for at least 1 hour” (tradução: válido por pelo menos 1 hora).

```python
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)
```

Na prática, as duas plataformas entregam os áudios em Ogg/Opus. O endpoint de transcrição aceita WAV ou MP3, então converta com o comando de uma linha do ffmpeg do [guia do WhatsApp](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) e transcreva com `language="ar"` (ou o idioma do cliente).

## Etapa 5: como transformar uma transcrição em ticket?

Uma transcrição bruta ainda é difícil de triar. Um LLM consegue extrair os campos de que o seu helpdesk precisa:

```python
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)
```

O [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) é o modelo que a BroadNet testou para árabe, inclusive os dialetos do Golfo e egípcio. Valide o JSON antes de gravá-lo no helpdesk e use `needs_human: true` como alternativa quando o parsing falhar; o [post sobre saída estruturada](https://broadrouter.com/pt/blog/structured-output-json-schema/) tem um ciclo de validação e correção. Se um áudio menciona números de cartão ou de documento, mascare antes desta etapa; veja [enviar dados sensíveis a uma API de LLM](https://broadrouter.com/pt/blog/llm-api-sensitive-data/).

## Quais casos especiais tratar logo?

Caixas de entrada reais são mais bagunçadas que uma demo. Planeje estes casos desde a primeira semana:

-   **Vários áudios seguidos.** Clientes muitas vezes mandam três áudios curtos em vez de um longo. Agrupe num só ticket os áudios do mesmo remetente enviados com poucos minutos de diferença e transcreva na ordem.
-   **Áudios muito curtos.** Áudios de “ok” ou “obrigado” não precisam de ticket. Pule a extração quando a transcrição tiver poucas palavras.
-   **Áudios encaminhados.** Num áudio encaminhado, pode ser outra pessoa falando. Trate como anexo, não como palavras do próprio cliente.
-   **Idiomas misturados.** Clientes do Golfo misturam nomes de produtos em inglês. Se a sua fila atende vários idiomas, registre com cada transcrição o idioma que você enviou, para os atendentes saberem o que esperar.
-   **Arquivos grandes.** A documentação de mídia da Meta indica um limite de 16 MB para áudio, e bots do Telegram baixam até 20 MB, ambos abaixo do limite de 25 MiB da transcrição, mas gravações longas ainda demoram mais. Processe em segundo plano.

## O que a equipe ganha com isso

| Antes | Depois |
| --- | --- |
| O atendente ouve cada áudio, muitas vezes duas vezes | O atendente lê uma transcrição e um resumo de uma linha |
| Áudios não são pesquisáveis | Transcrições podem ser buscadas por número de pedido ou palavra-chave |
| Triagem feita por quem estiver livre | Roteamento por intenção e urgência |
| Áudios em árabe esperam um atendente que fale árabe | O resumo em inglês permite que qualquer atendente pegue casos simples |

## Quanto custa transcrever áudios?

A transcrição é a parte barata do pipeline. A $0.0042 por minuto, 10.000 áudios em árabe de 30 segundos custam $21.00. O modelo de 14 idiomas custa $0.002 por minuto. A etapa do LLM é cobrada por token; uma transcrição curta mais a instrução costuma dar algumas centenas de tokens. Coloque os seus volumes na [calculadora de custo de speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/) ou compare outros provedores no [comparativo de preços de speech-to-text](https://broadrouter.com/pt/blog/speech-to-text-api-pricing-compared/).

## Como tratar privacidade e retenção?

Áudios são dados pessoais, e muitas vezes contêm mais do que o cliente pretendia compartilhar. Três hábitos ajudam:

-   **Apague o áudio depois da transcrição**, a menos que uma política exija guardá-lo.
-   **Guarde as transcrições junto com o ticket**, sob os controles de acesso do helpdesk, não nos logs do app.
-   **Use um provedor que não guarda o áudio.** A BroadNet não retém áudio nem transcrições após a requisição; veja [retenção zero de dados](https://broadrouter.com/pt/privacy/).

Responda em texto simples e mantenha as primeiras respostas a novos contatos curtas e sem links. As plataformas de mensagens monitoram padrões parecidos com spam vindos de números comerciais.

## Onde a BroadNet Inference se encaixa

A BroadNet cobre as etapas de transcrição e extração com uma única chave compatível com a OpenAI: o [BroadNet Transcribe Arabic](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) para áudios em árabe, o BroadNet Transcribe para árabe e outros 13 idiomas e modelos de chat testados em árabe para os campos do ticket. A BroadNet informa que seu modelo de árabe está #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) na Open Universal Arabic ASR Leaderboard. O crédito inicial de $5 cobre cerca de 1,190 minutos de áudio em árabe.

A BroadNet não se conecta ao WhatsApp, ao Telegram nem ao seu helpdesk por você; o tratamento de webhooks e a criação de tickets ficam por conta do seu código ou da sua ferramenta de automação. Ligações são um problema de outro formato, com dois falantes e gravações longas: veja [transcrever gravações de call center](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/).

Ferramentas gratuitas sobre o tema (em inglês)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

[Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/)

Fala para texto, ou reconhecimento automático de fala (ASR), é a tecnologia que converte áudio falado em texto. Uma API de fala para texto recebe um arquivo ou stream de áudio e retorna uma transcrição, normalmente cobrada por minuto de áudio. A precisão é medida pela taxa de erro de palavras e varia com sotaque, dialeto e qualidade da gravação.

[Token](https://broadrouter.com/pt/glossary/token/)

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Ogg Opus](https://broadrouter.com/pt/glossary/ogg-opus/)

Ogg Opus é áudio codificado com o codec Opus (RFC 6716) e guardado em um contêiner Ogg (RFC 7845). Ele foi feito para fala e áudio interativo com bitrates baixos, e é o formato que o WhatsApp usa para mensagens de voz, normalmente como arquivos .ogg ou .opus.

[WAV (arquivo de áudio WAV)](https://broadrouter.com/pt/glossary/wav/)

WAV (Waveform Audio File Format, ou WAVE) é um contêiner de áudio baseado no formato RIFF da Microsoft e da IBM. Ele costuma guardar amostras PCM lineares sem compressão, então o tamanho é previsível: taxa de amostragem vezes bytes por amostra vezes canais, por segundo.

[Árabe dialetal (dialectal Arabic)](https://broadrouter.com/pt/glossary/dialectal-arabic/)

Árabe dialetal é o árabe falado no dia a dia de uma região ou cidade, como o árabe egípcio, do Golfo, levantino ou magrebino. Os dialetos diferem do árabe padrão moderno em sons, palavras e gramática, não têm ortografia padrão e são cada vez mais escritos na internet, o que os torna mais difíceis para modelos de linguagem.

[Retenção zero de dados (zero data retention)](https://broadrouter.com/pt/glossary/zero-data-retention/)

Retenção zero de dados (ZDR) é uma política de tratamento de dados em que um provedor de IA processa prompts e saídas só para atender uma requisição e não guarda esse conteúdo depois, nem em logs, nem em caches, nem em dados de treinamento. Registros sem conteúdo, como contagens de tokens e tempos, costumam continuar sendo guardados.

[Saída estruturada (structured output)](https://broadrouter.com/pt/glossary/structured-output/)

Saída estruturada é um recurso de APIs de LLM que restringe a resposta de um modelo a um formato definido pelo desenvolvedor, normalmente um JSON Schema, para que o código consiga interpretá-la de forma confiável. É mais rigorosa que o JSON mode, que garante um JSON válido, mas não uma estrutura específica.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

## Perguntas frequentes

### Dá para transcrever áudios do WhatsApp automaticamente?

Sim. Com a WhatsApp Business Cloud API, cada áudio chega como um webhook com um ID de mídia. Seu servidor busca a URL da mídia, baixa o arquivo com o seu token de acesso, converte e envia para uma API de transcrição.

### Como transformar áudios do Telegram em texto?

Seu bot recebe um objeto voice com um file\_id. Chame getFile, baixe o arquivo pelo caminho retornado, converta para WAV com ffmpeg e transcreva. Bots podem baixar arquivos de até 20 MB.

### Quanto custa transcrever os áudios dos clientes?

Com o BroadNet Transcribe Arabic a $0.0042 por minuto, 10.000 áudios de 30 segundos custam $21.00. O modelo de 14 idiomas custa $0.002 por minuto.

### Devo responder um áudio com outro áudio?

No suporte, geralmente uma resposta curta por texto funciona melhor: o cliente consegue ler em qualquer lugar e ela fica pesquisável dos dois lados. Mantenha a primeira resposta simples e curta.

### Preciso guardar o áudio original?

Muitas vezes, não. Para a maioria dos fluxos de suporte a transcrição basta. Se você guarda o áudio por motivos de qualidade ou jurídicos, defina um prazo de retenção e restrinja o acesso, porque voz é dado pessoal.

## Continue lendo

-   [Atas de reuniões em árabe a partir de gravações: um pipeline de API](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/)
-   [API de fala para texto em árabe: como escolher em 2026](https://broadrouter.com/pt/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Como transcrever gravações de call center: pipeline pronto para árabe](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/)
-   [Preço de API speech-to-text comparado: preço por minuto em 2026](https://broadrouter.com/pt/blog/speech-to-text-api-pricing-compared/)
-   [Dados sensíveis numa API de LLM: mascare, minimize, registre menos](https://broadrouter.com/pt/blog/llm-api-sensitive-data/)
-   [Gravar áudio no navegador e enviar para uma API de speech-to-text](https://broadrouter.com/pt/blog/record-browser-audio-transcription-api/)
-   [Diacríticos no árabe com um LLM: prompt, checagens e DER](https://broadrouter.com/pt/blog/arabic-diacritization-llm/)
-   [Correção gramatical e ortográfica do árabe com um LLM: passo a passo](https://broadrouter.com/pt/blog/arabic-grammar-spelling-correction-llm/)
-   [Guia: Transcrever áudios do WhatsApp para texto com uma API](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/)
-   [Guia: API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-voice-notes-to-text-for-business&utm_content=page-cta) ·

**Fontes**

-   [Meta WhatsApp Cloud API, mídia (recuperar e baixar; consultada em 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile e Voice (consultada em 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [Referência da API da BroadNet Inference, transcrição (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Preços da BroadNet Inference em formato legível por máquina (pricing.json) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-voice-notes-to-text-for-business&utm_content=sources)
