---
title: "Голосовые сообщения в текст для бизнеса: WhatsApp, Telegram"
description: "Как превращать голосовые клиентов из WhatsApp Business и Telegram-ботов в расшифровки и тикеты поддержки: скачать, транскрибировать, извлечь поля через LLM."
url: https://broadrouter.com/ru/blog/voice-notes-to-text-for-business/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (обновлён 2026-11-16).

# Голосовые в текст для бизнеса: из WhatsApp и Telegram в тикеты

Команда BroadNet Inference · 4 мин чтения · Опубликовано 2026-11-14 · Обновлено 2026-11-16

Чтобы превращать голосовые сообщения клиентов в тикеты, скачивайте каждое из WhatsApp Cloud API или Telegram Bot API сразу по приходу вебхука, конвертируйте в WAV и транскрибируйте с правильным кодом языка. Затем попросите LLM извлечь намерение, срочность и номера заказов в JSON. Создайте тикет с приложенной расшифровкой и ответьте текстом.

## Главное

-   Скачивайте быстро: URL медиа в WhatsApp истекают через 5 минут, а ID медиа из вебхуков — через 7 дней.
-   Telegram-боты могут скачивать файлы до 20 МБ по ссылке, которая действует не меньше часа.
-   Транскрибация — дешёвый этап: 10 000 арабских голосовых по 30 секунд стоят $21.00.
-   LLM превращает сбивчивое голосовое в поля тикета: намерение, срочность, номер заказа, язык и сводку в одну строку.
-   Храните расшифровку, а не аудио, если у вас нет причины сохранять голос.

**На этой странице**

1.  Как голосовое сообщение становится тикетом поддержки?
2.  Шаги 1 и 2: как достать аудио из WhatsApp?
3.  Как достать голосовые из Telegram-бота?
4.  Шаг 5: как превратить расшифровку в тикет?
5.  Какие пограничные случаи стоит обработать сразу?
6.  Что это даёт команде
7.  Сколько стоит расшифровка голосовых?
8.  Как обращаться с конфиденциальностью и хранением?
9.  Где здесь BroadNet Inference

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

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](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/). Здесь мы его повторять не будем.

## Как голосовое сообщение становится тикетом поддержки?

1.  **Принять** вебхук от WhatsApp или Telegram.
2.  **Скачать** аудио сразу же.
3.  **Сконвертировать** в WAV 16 кГц моно.
4.  **Транскрибировать** с правильным кодом языка.
5.  **Извлечь** поля тикета с помощью LLM.
6.  **Создать** тикет с расшифровкой и ответить текстом.
7.  **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](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media):

-   Вызовите `GET /<MEDIA_ID>` в Graph API, чтобы получить `url`.
-   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**.

```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)
```

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](https://core.telegram.org/bots/api#getfile) 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»).

```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)
```

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](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/), 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:

```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)
```

[Qwen3.8 27B](https://broadrouter.com/ru/models/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](https://broadrouter.com/ru/blog/structured-output-json-schema/). Если в голосовом звучат номера карт или документов, замаскируйте их до этого шага; см. статью об [отправке чувствительных данных в LLM API](https://broadrouter.com/ru/blog/llm-api-sensitive-data/).

## 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/) или сравните других провайдеров в [сравнении цен на распознавание речи](https://broadrouter.com/ru/blog/speech-to-text-api-pricing-compared/).

## 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](https://broadrouter.com/ru/privacy/).

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](https://broadrouter.com/ru/models/cohere-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](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/).

Бесплатные инструменты по теме (на английском)

-   [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.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/)

Распознавание речи (speech-to-text, автоматическое распознавание речи, ASR) — это технология, которая превращает устную речь в письменный текст. API распознавания речи принимает аудиофайл или поток и возвращает расшифровку, обычно с оплатой за минуту аудио. Точность измеряют долей ошибок в словах (WER), и она зависит от акцента, диалекта и качества записи.

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

Ogg Opus — это аудио, закодированное кодеком Opus (RFC 6716) и упакованное в контейнер Ogg (RFC 7845). Формат создан для речи и интерактивного аудио на низких битрейтах, и именно в нём WhatsApp хранит голосовые сообщения, обычно в файлах .ogg или .opus.

[WAV](https://broadrouter.com/ru/glossary/wav/)

WAV (Waveform Audio File Format, или WAVE) — это аудиоконтейнер на основе формата RIFF от Microsoft и IBM. Обычно он содержит несжатые отсчёты линейного PCM, поэтому его размер предсказуем: частота дискретизации × байт на отсчёт × число каналов за каждую секунду.

[Арабские диалекты (dialectal Arabic)](https://broadrouter.com/ru/glossary/dialectal-arabic/)

Арабские диалекты — это повседневный разговорный арабский язык региона или города, например египетский, диалекты Персидского залива, левантийский или магрибский. Они отличаются от современного стандартного арабского звуками, словами и грамматикой, не имеют стандартной орфографии и всё чаще пишутся в интернете, поэтому языковым моделям с ними сложнее.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Нулевое хранение данных (ZDR)](https://broadrouter.com/ru/glossary/zero-data-retention/)

Нулевое хранение данных (ZDR) — это политика обработки данных, при которой AI-провайдер обрабатывает промпты и ответы только для выполнения запроса и после этого не сохраняет их содержимое ни в логах, ни в кэшах, ни в обучающих данных. Записи без содержимого, например число токенов и время выполнения, обычно всё же хранятся.

[Персональные данные (PII)](https://broadrouter.com/ru/glossary/pii/)

PII (personally identifiable information) — это информация, с помощью которой можно отличить или отследить личность человека, например имя, номер удостоверения или биометрические данные, а также другая информация, связанная или связываемая с ним. В GDPR используется более широкий термин «персональные данные». В работе с LLM маскирование PII удаляет их из промптов до того, как те покинут ваши системы.

[Токен (token)](https://broadrouter.com/ru/glossary/token/)

Токен — это единица текста, которую языковая модель читает и пишет: слово, часть слова, знак препинания или последовательность байтов, которую выдаёт токенизатор модели. LLM API считают, ограничивают и обычно тарифицируют использование в токенах.

## Вопросы и ответы

### Можно ли автоматически расшифровывать голосовые из WhatsApp?

Да. В WhatsApp Business Cloud API каждое голосовое приходит вебхуком с ID медиа. Ваш сервер получает URL медиа, скачивает файл с вашим токеном доступа, конвертирует его и отправляет в API транскрибации.

### Как перевести голосовые сообщения Telegram в текст?

Ваш бот получает объект voice с file\_id. Вызовите getFile, скачайте файл по возвращённому пути, сконвертируйте его в WAV через ffmpeg и транскрибируйте. Боты могут скачивать файлы до 20 МБ.

### Сколько стоит расшифровка голосовых сообщений клиентов?

С BroadNet Transcribe Arabic по $0.0042 за минуту 10 000 голосовых по 30 секунд стоят $21.00. Модель на 14 языков стоит $0.002 за минуту.

### Стоит ли отвечать на голосовое голосовым?

Для поддержки обычно лучше подходит короткий текстовый ответ: клиент прочитает его где угодно, а поиск по нему доступен обеим сторонам. Первый ответ делайте простым и коротким.

### Нужно ли хранить исходное аудио?

Часто нет. Для большинства процессов поддержки хватает расшифровки. Если вы храните аудио ради контроля качества или по юридическим причинам, задайте срок хранения и ограничьте доступ, потому что голос — это персональные данные.

## Читайте также

-   [Протокол арабской встречи по записи: конвейер на API](https://broadrouter.com/ru/blog/arabic-meeting-minutes-from-recordings/)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Транскрибация записей колл-центра: конвейер с поддержкой арабского](https://broadrouter.com/ru/blog/transcribe-call-center-recordings/)
-   [Цены API распознавания речи: сравнение стоимости минуты в 2026 году](https://broadrouter.com/ru/blog/speech-to-text-api-pricing-compared/)
-   [Конфиденциальные данные в LLM API: маскирование, минимизация, логи](https://broadrouter.com/ru/blog/llm-api-sensitive-data/)
-   [Запись аудио в браузере и отправка в API распознавания речи](https://broadrouter.com/ru/blog/record-browser-audio-transcription-api/)
-   [Огласовки в арабском тексте через LLM: промпт, проверка, DER](https://broadrouter.com/ru/blog/arabic-diacritization-llm/)
-   [Проверка арабской орфографии и грамматики через LLM: руководство](https://broadrouter.com/ru/blog/arabic-grammar-spelling-correction-llm/)
-   [Руководство: Голосовые сообщения WhatsApp в текст через API](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/)
-   [Руководство: API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Meta WhatsApp Cloud API, медиа (получение и скачивание; дата обращения 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile и Voice (дата обращения 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [Справочник BroadNet Inference API, транскрибация (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Машиночитаемые цены BroadNet Inference (pricing.json) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-voice-notes-to-text-for-business&utm_content=sources)
