Baixe uma mensagem de voz do WhatsApp e você recebe um arquivo .ogg pequeno. Dentro dele há áudio Opus, um codec feito para chamadas de voz.
Como funciona
São duas camadas, cada uma definida por uma RFC da IETF:
| Camada | Especificação | O que faz |
|---|---|---|
| Codec Opus | RFC 6716 | Comprime o áudio. Combina uma camada de predição linear baseada no SILK com uma camada MDCT baseada no CELT, e vai de 6 kbit/s para fala em banda estreita até 510 kbit/s para música estéreo |
| Contêiner Ogg | RFC 7845 | Embala os pacotes Opus em um arquivo, que começa com um cabeçalho de identificação OpusHead |
A RFC 6716 lista cinco larguras de banda, da banda estreita (taxa de amostragem de 8 kHz) à banda completa (48 kHz). A RFC 7845 diz que as granule positions sempre contam amostras a 48 kHz, seja qual for a taxa de saída do decodificador. Ela recomenda a extensão .opus e o media type audio/ogg, opcionalmente audio/ogg; codecs=opus.
A referência de mídia da WhatsApp Cloud API, da Meta, lista áudio OGG como audio/ogg com “Opus codec only” (tradução: somente codec Opus), mono, até 16 MB.
Por que importa
- Muitas APIs não aceitam. Um endpoint de fala para texto que só aceita WAV ou MP3 recusa a mensagem de voz até você convertê-la.
- Converter é barato. Um único comando do ffmpeg decodifica Opus para PCM. O resultado é bem maior que a mensagem de voz, então fique de olho nos limites de tamanho de arquivo.
- Confusão de nomes. “Opus” também é nome de modelo em outros provedores. Em contexto de áudio, significa o codec.
Na BroadNet Inference
O endpoint de transcrição da BroadNet aceita apenas WAV (audio/wav) ou MP3 (audio/mpeg), até 26.214.400 bytes por arquivo. A documentação converte uma mensagem de voz do WhatsApp em um passo:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
Segundo a documentação do ffmpeg, -ar define a frequência de amostragem do áudio e -ac o número de canais, então isso grava um WAV mono de 16 kHz. Depois, envie com language=ar (ou en) para o BroadNet Transcribe Arabic ou o BroadNet Transcribe. O guia de mensagens de voz do WhatsApp tem um script que converte e transcreve uma pasta inteira, e o guia do n8n faz isso dentro de um workflow. Para uma mensagem de voz longa demais para um único arquivo, o divisor de áudio calcula os trechos.
Erros comuns
- Renomear em vez de converter. Trocar
.oggpor.wavnão muda o áudio que está dentro. Decodifique com o ffmpeg. - Pular o
-ac 1. Estéreo dobra o tamanho do WAV sem ajudar a transcrição.