BroadRouter

Голосовые сообщения WhatsApp в текст через API

Обновлено

Голосовые сообщения WhatsApp — это аудио Opus в файлах .ogg, а эндпоинт транскрибации не принимает их напрямую. Сконвертируйте каждый файл через ffmpeg в WAV 16 кГц моно и отправьте в BroadNet Transcribe Arabic или BroadNet Transcribe с нужным значением поля language. Короткий скрипт делает и то и другое для целой папки.

Экспортируйте голосовые сообщения из чата (или получите их через свою интеграцию с WhatsApp Business) — и у вас будут файлы .ogg. Документация Cloud API от Meta говорит, что голосовые сообщения WhatsApp — это файлы .ogg с кодеком Opus. Записи с телефона часто приходят в .m4a. Эндпоинт транскрибации BroadNet принимает WAV и MP3, поэтому сначала файл нужно сконвертировать.

1. Конвертируйте один файл

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

-ar 16000 -ac 1 даёт аудио 16 кГц моно — именно такую конвертацию документация BroadNet использует для голосовых сообщений и телефонных записей. Та же команда работает и для .m4a. WAV 16 кГц моно 16 бит занимает 32 000 байт в секунду, поэтому в лимит 26 214 400 байт на файл помещается около 13 минут. Для более длинных записей разделитель аудио посчитает, сколько нужно частей, и составит команды ffmpeg.

2. Расшифруйте целую папку

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])

Каждый .txt появляется рядом со своим голосовым сообщением. Комментарий в коде напоминает: для других языков укажите "en", "es" и т. д. вместе с многоязычной моделью. Чтобы те же шаги выполнялись автоматически для каждого входящего сообщения WhatsApp Business, см. workflow для голосовых WhatsApp в n8n.

Стоимость

Минута голосового сообщения стоит $0.0042 на арабском или $0.002 с моделью на 14 языков. Аудио и расшифровки не хранятся после запроса; см. нулевое хранение данных.

Решение проблем

  • Латиница вместо арабского письма: добавьте language="ar". Документация BroadNet советует всегда передавать language.

  • Ошибка 413: файл больше 26 214 400 байт (25 MiB). Разбейте длинную запись на куски WAV по 10 минут:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • 400 или 422 при загрузке: убедитесь, что файл действительно WAV или MP3, а не .ogg, переименованный в .wav. Выполните конвертацию через ffmpeg.

  • ffmpeg: command not found: установите ffmpeg через пакетный менеджер (например, apt install ffmpeg или brew install ffmpeg).

  • Ошибка 429: ключи с оплатой по факту допускают 4 одновременных запросов; обрабатывайте файлы небольшим пулом. См. все коды ошибок BroadNet.

Подробнее о модели, форматах и точности — в руководстве по распознаванию арабской речи. Сравнить, сколько другие провайдеры берут за минуту аудио, можно в открытом индексе цен на API распознавания речи, где у каждой цены есть источник и дата. Почему для речи хватает 16 кГц, объясняет статья о частоте дискретизации.

Вопросы и ответы

В каком формате голосовые сообщения WhatsApp?

Это аудио Opus в контейнере Ogg, сохранённое как .ogg. Документация Cloud API от Meta говорит, что голосовые сообщения должны быть файлами .ogg с кодеком Opus, только моно.

Можно ли отправить файл .ogg в API транскрибации как есть?

В BroadNet Inference — нет. Эндпоинт транскрибации принимает WAV и MP3, поэтому сначала сконвертируйте голосовое через ffmpeg. Одна команда превращает его в WAV 16 кГц моно.

Хранятся ли голосовые сообщения после расшифровки?

По словам BroadNet, аудио и расшифровки обрабатываются только в рамках запроса и не хранятся. Остаются лишь записи без содержимого — время, статус и объём использования — для биллинга и безопасности.

Какую модель выбрать для голосовых на арабском?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, с language = ar. Для остальных 13 языков, которые она поддерживает, используйте BroadNet Transcribe, broadnet/cohere-transcribe.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity