BroadRouter

Transcrever áudios do WhatsApp para texto com uma API

Atualizado em

Converta o áudio para WAV com ffmpeg e envie para a API de transcrição: os áudios do WhatsApp são Opus em arquivos .ogg, que o endpoint não aceita direto. Use WAV mono de 16 kHz e chame o BroadNet Transcribe Arabic ou o BroadNet Transcribe com o campo language certo. Um script curto faz as duas coisas para uma pasta inteira.

Exporte os áudios da conversa (ou receba pela sua integração com o WhatsApp Business) e você terá arquivos .ogg. A documentação da Cloud API da Meta diz que as mensagens de voz do WhatsApp são arquivos .ogg codificados com o codec Opus. Gravações do celular costumam ser .m4a. O endpoint de transcrição da BroadNet aceita WAV e MP3, então converta primeiro.

1. Converta um arquivo

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

-ar 16000 -ac 1 gera áudio mono de 16 kHz, a conversão que a documentação da BroadNet usa para áudios do WhatsApp e gravações de telefone. O mesmo comando funciona para .m4a. Um WAV mono de 16 kHz e 16 bits ocupa 32.000 bytes por segundo, então o limite de 26.214.400 bytes por arquivo comporta cerca de 13 minutos. Para gravações mais longas, o divisor de áudio calcula quantas partes você precisa e escreve os comandos do ffmpeg.

2. Transcreva uma pasta inteira

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])

Cada .txt fica ao lado do seu áudio. Para rodar os mesmos passos automaticamente em toda mensagem que chega no WhatsApp Business, veja o workflow do n8n para áudios do WhatsApp.

Custo

Um áudio de um minuto custa $0.0042 em árabe ou $0.002 com o modelo de 14 idiomas. Áudio e transcrições não são retidos depois da requisição; veja zero data retention.

Solução de problemas

  • Letras latinas em vez de árabe: adicione language="ar". A documentação da BroadNet diz para sempre enviar language.

  • Erro 413: o arquivo passa de 26.214.400 bytes (25 MiB). Divida gravações longas em partes WAV de 10 minutos:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 ou 422 no upload: confira se o arquivo é mesmo WAV ou MP3, e não um .ogg renomeado para .wav. Rode a conversão com ffmpeg.

  • ffmpeg: command not found: instale o ffmpeg pelo seu gerenciador de pacotes (por exemplo, apt install ffmpeg ou brew install ffmpeg).

  • Erro 429: chaves de pagamento por uso permitem 4 requisições ao mesmo tempo; processe os arquivos em um pool pequeno. Veja todos os códigos de erro da BroadNet.

Mais detalhes sobre o modelo, os formatos e a precisão: o guia de speech-to-text em árabe. Para comparar quanto outros provedores cobram por minuto de áudio, veja o índice aberto de preços de APIs de speech-to-text, com fonte e data para cada preço. Para entender por que 16 kHz bastam para fala, veja taxa de amostragem.

Perguntas frequentes

Qual é o formato de áudio dos áudios do WhatsApp?

Áudio Opus em um contêiner Ogg, salvo como .ogg. A documentação da Cloud API da Meta diz que mensagens de voz precisam ser arquivos .ogg codificados com o codec Opus, só mono.

Posso mandar o arquivo .ogg direto para a API de transcrição?

Não para a BroadNet Inference. O endpoint de transcrição dela aceita WAV e MP3, então converta o áudio com ffmpeg antes. Um comando transforma o arquivo em WAV mono de 16 kHz.

Os áudios ficam armazenados depois da transcrição?

A BroadNet diz que áudio e transcrições são processados para a requisição e não são retidos. Ela guarda só registros sem conteúdo, como tempos, status e uso, para cobrança e segurança.

Qual modelo devo usar para áudios em árabe?

O BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, com language definido como ar. Para os outros 13 idiomas que ele cobre, use o BroadNet Transcribe, broadnet/cohere-transcribe.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity