BroadRouter

Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API

Cập nhật

Hãy chuyển file bằng ffmpeg rồi gửi lên API. Tin nhắn thoại WhatsApp là âm thanh Opus trong file .ogg, mà endpoint chép lời không nhận trực tiếp. Chuyển từng file sang WAV mono 16 kHz, rồi gửi tới BroadNet Transcribe Arabic hoặc BroadNet Transcribe kèm trường language phù hợp. Một script ngắn làm cả hai bước cho cả thư mục.

Xuất tin nhắn thoại từ cuộc trò chuyện (hoặc nhận chúng qua tích hợp WhatsApp Business) và bạn sẽ có các file .ogg. Tài liệu Cloud API của Meta nói tin nhắn thoại WhatsApp là file .ogg mã hóa bằng codec Opus. Bản ghi âm trên điện thoại thường là .m4a. Endpoint chép lời của BroadNet nhận WAV và MP3, nên hãy chuyển đổi trước.

1. Chuyển đổi một file

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

-ar 16000 -ac 1 tạo âm thanh mono 16 kHz, đúng kiểu chuyển đổi mà tài liệu BroadNet dùng cho tin nhắn thoại và bản ghi âm điện thoại. Lệnh này cũng dùng được cho .m4a. WAV mono 16 kHz 16-bit chiếm 32.000 byte mỗi giây, nên giới hạn file 26.214.400 byte chứa được khoảng 13 phút. Với bản ghi dài hơn, công cụ chia file âm thanh tính số đoạn cần cắt và viết sẵn các lệnh ffmpeg.

2. Chép lời cả thư mục

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])

Mỗi file .txt nằm ngay cạnh tin nhắn thoại tương ứng. Để tự động chạy các bước này cho mọi tin nhắn WhatsApp Business gửi đến, xem workflow n8n cho tin nhắn thoại WhatsApp.

Chi phí

Một tin nhắn thoại dài một phút có giá $0.0042 với model tiếng Ả Rập, hoặc $0.002 với model 14 ngôn ngữ. Âm thanh và bản chép lời không được lưu giữ sau request; xem không lưu giữ dữ liệu.

Khắc phục sự cố

  • Ra chữ Latin thay vì chữ Ả Rập: thêm language="ar". Tài liệu BroadNet khuyên luôn gửi language.

  • Lỗi 413: file vượt quá 26.214.400 byte (25 MiB). Chia bản ghi dài thành các đoạn WAV 10 phút:

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • Lỗi 400 hoặc 422 khi upload: kiểm tra file có thật là WAV hoặc MP3 không, hay chỉ là file .ogg bị đổi tên thành .wav. Hãy chạy bước chuyển đổi bằng ffmpeg.

  • ffmpeg: command not found: cài ffmpeg bằng trình quản lý gói (ví dụ apt install ffmpeg hoặc brew install ffmpeg).

  • Lỗi 429: key trả theo mức dùng cho phép 4 request cùng lúc; hãy xử lý file trong một pool nhỏ. Xem tất cả mã lỗi của BroadNet.

Chi tiết hơn về model, định dạng và độ chính xác: hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản. Để so sánh giá mỗi phút âm thanh của các nhà cung cấp khác, xem chỉ số giá API chuyển giọng nói thành văn bản công khai, có nguồn và ngày cho từng mức giá. Vì sao 16 kHz là đủ cho giọng nói: xem tần số lấy mẫu.

Câu hỏi thường gặp

Tin nhắn thoại WhatsApp có định dạng âm thanh gì?

Âm thanh Opus trong container Ogg, lưu thành file .ogg. Tài liệu Cloud API của Meta nói tin nhắn thoại phải là file .ogg mã hóa bằng codec Opus, và chỉ hỗ trợ mono.

Có gửi thẳng file .ogg lên API chép lời được không?

Với BroadNet Inference thì không. Endpoint chép lời của BroadNet nhận WAV và MP3, nên hãy chuyển tin nhắn thoại bằng ffmpeg trước. Một lệnh là đổi được sang WAV mono 16 kHz.

Tin nhắn thoại có bị lưu lại sau khi chép lời không?

BroadNet cho biết âm thanh và bản chép lời chỉ được xử lý cho request và không được lưu giữ. BroadNet chỉ giữ các bản ghi không chứa nội dung như thời gian xử lý, trạng thái và mức dùng, phục vụ thanh toán và bảo mật.

Nên dùng model nào cho tin nhắn thoại tiếng Ả Rập?

BroadNet Transcribe Arabic, tức broadnet/cohere-transcribe-arabic, với language đặt là ar. Dùng BroadNet Transcribe, tức broadnet/cohere-transcribe, cho 13 ngôn ngữ còn lại mà model này hỗ trợ.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity