Во многих странах Ближнего Востока клиенты не печатают. Они отправляют 40-секундное голосовое на арабском диалекте Залива (халиджи) или на египетском, часто с номером заказа, продиктованным посередине. Операторы слушают, перематывают и вбивают это в хелпдеск. Умножьте на несколько сотен в день — и голосовые становятся самым медленным вашим каналом.
В этой статье мы строим вокруг транскрибации бизнес-процесс: как достать голосовые из WhatsApp и Telegram, превратить их в структурированные тикеты и держать данные под контролем. Сам код конвертации и транскрибации есть в нашем пошаговом руководстве по расшифровке голосовых сообщений WhatsApp. Здесь мы его повторять не будем.
Как голосовое сообщение становится тикетом поддержки?
- Принять вебхук от WhatsApp или Telegram.
- Скачать аудио сразу же.
- Сконвертировать в WAV 16 кГц моно.
- Транскрибировать с правильным кодом языка.
- Извлечь поля тикета с помощью LLM.
- Создать тикет с расшифровкой и ответить текстом.
- Удалить аудиофайл.
Шаги 1 и 2: как достать аудио из WhatsApp?
В WhatsApp Business Cloud API входящее голосовое приходит вебхуком с ID медиа, а не с самим файлом. Правила задаёт документация Meta по медиа:
- Вызовите
GET /<MEDIA_ID>в Graph API, чтобы получитьurl. - Скачайте этот URL с заголовком
Authorization: Bearer <token>. Без токена запрос не пройдёт. - «Media URLs expire after 5 minutes.» (перевод: «URL медиа истекают через 5 минут».) Если опоздали, запросите новый.
- ID медиа из входящих вебхуков действительны 7 дней.
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)
Делайте это в фоновой задаче обработчика вебхука, а не потом пакетом. Очередь, которая запускается раз в час, будет натыкаться на истёкшие URL.
Как достать голосовые из Telegram-бота?
Telegram-бот получает объект voice с file_id. Bot API говорит, что боты «can download files of up to 20MB» (перевод: «могут скачивать файлы до 20 МБ») через https://api.telegram.org/file/bot<token>/<file_path>, а ссылка «valid for at least 1 hour» (перевод: «действительна не меньше 1 часа»).
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)
На практике обе платформы отдают голосовые в Ogg/Opus. Эндпоинт транскрибации принимает WAV или MP3, так что сконвертируйте файл однострочной командой ffmpeg из руководства по WhatsApp, а затем транскрибируйте с language="ar" (или языком клиента).
Шаг 5: как превратить расшифровку в тикет?
Сырую расшифровку всё ещё трудно сортировать. LLM может вытащить поля, которые нужны вашему хелпдеску:
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)
Qwen3.8 27B — модель, которую BroadNet протестировала на арабском, включая диалект Персидского залива и египетский. Проверяйте JSON, прежде чем записывать его в хелпдеск, и при ошибке разбора откатывайтесь к needs_human: true; цикл «проверить и починить» есть в статье о структурированном выводе. Если в голосовом звучат номера карт или документов, замаскируйте их до этого шага; см. статью об отправке чувствительных данных в LLM API.
Какие пограничные случаи стоит обработать сразу?
Реальные входящие беспорядочнее демо. Заложите эти случаи с первой недели:
- Несколько голосовых подряд. Клиенты часто присылают три коротких голосовых вместо одного длинного. Объединяйте сообщения одного отправителя в пределах пары минут в один тикет и транскрибируйте их по порядку.
- Очень короткие голосовые. Голосовым «ладно» или «спасибо» тикет не нужен. Пропускайте извлечение полей, если в расшифровке меньше нескольких слов.
- Пересланные голосовые. В пересланном голосовом может говорить кто-то другой. Считайте его вложением, а не словами самого клиента.
- Смешанные языки. Клиенты из стран Залива вставляют английские названия продуктов. Если ваша очередь обслуживает несколько языков, записывайте рядом с каждой расшифровкой язык, который вы передали, чтобы операторы знали, чего ждать.
- Большие файлы. Документация Meta по медиа указывает лимит 16 МБ для аудио, а Telegram-боты могут скачивать до 20 МБ — оба значения ниже лимита транскрибации в 25 МиБ, но длинные записи всё равно обрабатываются дольше. Обрабатывайте их в фоне.
Что это даёт команде
| До | После |
|---|---|
| Оператор слушает каждое голосовое, часто дважды | Оператор читает расшифровку и сводку в одну строку |
| По голосовым нельзя искать | По расшифровкам можно искать по номеру заказа или ключевому слову |
| Разбирает тот, кто свободен | Маршрутизация по намерению и срочности |
| Арабские голосовые ждут арабоговорящего оператора | Сводка на английском позволяет любому оператору взять простые случаи |
Сколько стоит расшифровка голосовых?
Транскрибация — дешёвая часть конвейера. По $0.0042 за минуту 10 000 арабских голосовых по 30 секунд стоят $21.00. Модель на 14 языков стоит $0.002 за минуту. Этап с LLM оплачивается за токены; короткая расшифровка вместе с инструкцией — обычно несколько сотен токенов. Подставьте свои объёмы в калькулятор стоимости распознавания речи или сравните других провайдеров в сравнении цен на распознавание речи.
Как обращаться с конфиденциальностью и хранением?
Голосовые — это персональные данные, и в них часто больше, чем клиент собирался рассказать. Помогают три привычки:
- Удаляйте аудио после транскрибации, если политика не требует его хранить.
- Храните расшифровки вместе с тикетом под контролем доступа хелпдеска, а не в логах приложения.
- Используйте провайдера, который не хранит аудио. BroadNet не хранит ни аудио, ни расшифровки после запроса; см. нулевое хранение данных.
Отвечайте простым текстом, а первые ответы новым контактам делайте короткими и без ссылок. Мессенджеры следят за спам-подобным поведением бизнес-номеров.
Где здесь BroadNet Inference
BroadNet закрывает этапы транскрибации и извлечения полей одним OpenAI-совместимым ключом: BroadNet Transcribe Arabic для арабских голосовых, BroadNet Transcribe для арабского и 13 других языков и протестированные на арабском чат-модели для полей тикета. По данным BroadNet, её арабская модель занимает позицию № 2 из 37 (данные за сентябрь 2026 г.; в живом рейтинге на 15 ноября 2026 г. — № 4 из 39) в Open Universal Arabic ASR Leaderboard. Стартового гранта $5 хватает примерно на 1,190 минут арабского аудио.
BroadNet не подключается за вас к WhatsApp, Telegram или хелпдеску: обработка вебхуков и создание тикетов — это ваш код или ваш инструмент автоматизации. Звонки — задача другого рода, с двумя говорящими и длинными записями: см. статью о транскрибации записей колл-центра.

