---
title: "企业语音消息转文字：WhatsApp、Telegram 语音转工单 | BroadRouter"
description: "把 WhatsApp Business 和 Telegram 机器人收到的客户语音消息转成文字和客服工单：下载、转写、用大模型提取字段、分派。"
url: https://broadrouter.com/zh/blog/voice-notes-to-text-for-business/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/voice-notes-to-text-for-business/)（2026-11-16 更新）。

# 企业语音消息转文字：把 WhatsApp 和 Telegram 语音变成工单

BroadNet Inference 团队 · 阅读约 4 分钟 · 发布于 2026-11-14 · 更新于 2026-11-16

要把客户语音消息变成工单，在 webhook 到达时立即从 WhatsApp Cloud API 或 Telegram Bot API 下载语音，转成 WAV，用正确的语言代码转写，再让大模型以 JSON 提取意图、紧急程度和订单号。创建附带转写文本的工单，并用文字回复客户。

## 要点

-   下载要快：WhatsApp 的媒体 URL 5 分钟后过期，webhook 中的媒体 ID 7 天后失效。
-   Telegram 机器人可下载最大 20 MB 的文件，下载链接至少 1 小时内有效。
-   转写是最便宜的一步：10,000 条 30 秒的阿拉伯语语音消息费用为 $21.00。
-   大模型能把一条絮絮叨叨的语音变成工单字段：意图、紧急程度、订单号、语言和一句话摘要。
-   除非有理由保存语音，否则只保留转写文本，不保留音频。

**本页内容**

1.  语音消息怎样变成客服工单？
2.  第 1、2 步：怎样从 WhatsApp 取出音频？
3.  怎样从 Telegram 机器人取出语音消息？
4.  第 5 步：怎样把转写文本变成工单？
5.  哪些边界情况应该尽早处理？
6.  团队能得到什么
7.  语音消息转写要花多少钱？
8.  隐私和保留期限应该怎样处理？
9.  BroadNet Inference 适合什么场景

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

在中东的很多地方，客户不打字。他们发来一段 40 秒的海湾或埃及阿拉伯语语音，订单号往往夹在中间念出来。客服坐席只能听、倒回去、再录入工单系统。每天几百条下来，语音消息就成了你最慢的渠道。

本文围绕转写搭建业务流程：把语音从 WhatsApp 和 Telegram 里取出来，变成结构化工单，并把数据管住。格式转换和转写代码本身，请看我们的分步指南[转写 WhatsApp 语音消息](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)，这里不再重复。

## 语音消息怎样变成客服工单？

1.  **接收** WhatsApp 或 Telegram 的 webhook。
2.  **立即下载**音频。
3.  **转换**为 16 kHz 单声道 WAV。
4.  用正确的语言代码**转写**。
5.  用大模型**提取**工单字段。
6.  **创建**附带转写文本的工单，并用文字回复。
7.  **删除**音频文件。

## 第 1、2 步：怎样从 WhatsApp 取出音频？

在 WhatsApp Business Cloud API 上，收到的语音消息以带媒体 ID 的 webhook 形式到达，而不是文件本身。Meta 的[媒体文档](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)规定了这些规则：

-   在 Graph API 上调用 `GET /<MEDIA_ID>`，获得一个 `url`。
-   带上 `Authorization: Bearer <token>` 下载该 URL。没有令牌，请求会失败。
-   “Media URLs expire after 5 minutes.”（译文：媒体 URL 5 分钟后过期。）晚了就重新请求一个。
-   来自入站 webhook 的媒体 ID 有效期为 **7 天**。

```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)
```

在 webhook 处理程序的后台任务里做这件事，不要留到之后批量处理。每小时跑一次的队列会碰上已过期的 URL。

## 怎样从 Telegram 机器人取出语音消息？

Telegram 机器人会收到一个带 `file_id` 的 `voice` 对象。[Bot API](https://core.telegram.org/bots/api#getfile) 说明，机器人“can download files of up to 20MB”（译文：可以下载最大 20MB 的文件），地址为 `https://api.telegram.org/file/bot<token>/<file_path>`，链接“valid for at least 1 hour”（译文：至少 1 小时内有效）。

```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)
```

实际上两个平台发来的语音消息都是 Ogg/Opus。转写端点接受 WAV 或 MP3，所以先用 [WhatsApp 指南](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)里那条一行的 ffmpeg 命令转换，再用 `language="ar"`（或客户使用的语言）转写。

## 第 5 步：怎样把转写文本变成工单？

原始转写文本仍然难以分拣。大模型可以提取出工单系统需要的字段：

```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/zh/models/qwen3.8-27b/) 是 BroadNet 针对阿拉伯语（包括海湾和埃及方言）测试过的模型。写入工单系统前先校验 JSON，解析失败时回退为 `needs_human: true`；[结构化输出一文](https://broadrouter.com/zh/blog/structured-output-json-schema/)给出了校验加修复的循环。如果语音里提到银行卡号或证件号，请在这一步之前脱敏；见[向大模型 API 发送敏感数据](https://broadrouter.com/zh/blog/llm-api-sensitive-data/)。

## 哪些边界情况应该尽早处理？

真实的消息收件箱比演示乱得多。从第一周起就要考虑这些情况：

-   **连续多条语音。** 客户常常发三条短语音，而不是一条长的。把同一发送者几分钟内的语音合并成一个工单，并按顺序转写。
-   **特别短的语音。** “好的”“谢谢”这类语音不需要建工单。转写文本只有几个词时，跳过字段提取。
-   **转发的语音。** 转发来的语音可能是别人在说话。把它当作附件，而不是客户本人的话。
-   **混合语言。** 海湾地区的客户会夹杂英文产品名。如果你的队列服务多种语言，请为每条转写记录发送时使用的语言，让坐席心里有数。
-   **大文件。** Meta 的媒体文档列出的音频上限是 16 MB，Telegram 机器人最多能下载 20 MB，两者都低于 25 MiB 的转写上限，但长录音处理起来仍然更久。请放到后台处理。

## 团队能得到什么

| 之前 | 之后 |
| --- | --- |
| 坐席逐条听语音，经常要听两遍 | 坐席读转写文本和一句话摘要 |
| 语音无法搜索 | 转写文本可按订单号或关键词搜索 |
| 谁有空谁分拣 | 按意图和紧急程度分派 |
| 阿拉伯语语音要等会阿拉伯语的人 | 有了英文摘要，任何坐席都能接简单的工单 |

## 语音消息转写要花多少钱？

转写是整条流水线里便宜的部分。按每分钟 $0.0042 计算，10,000 条 30 秒的阿拉伯语语音消息费用为 $21.00。支持 14 种语言的模型每分钟 $0.002。大模型这一步按 token 计价；一段简短的转写加上指令，通常只有几百个 token。把你自己的用量填进[语音转文字费用计算器](https://broadrouter.com/tools/speech-to-text-cost-calculator/)，或在[语音转文字价格对比](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)中比较其他供应商。

## 隐私和保留期限应该怎样处理？

语音消息是个人数据，而且内容往往比客户本想分享的更多。三个习惯有帮助：

-   **转写后删除音频**，除非有规定要求保留。
-   **把转写文本和工单存在一起**，受工单系统的访问控制保护，而不是放在应用日志里。
-   **选择不保留音频的供应商。** BroadNet 在请求结束后不保留音频或转写文本；见[零数据保留](https://broadrouter.com/zh/privacy/)。

用纯文本回复，对新联系人的第一条回复要简短，不带链接。消息平台会监控企业号码中类似垃圾信息的行为模式。

## BroadNet Inference 适合什么场景

BroadNet 用一个 OpenAI 兼容的密钥覆盖转写和字段提取两步：阿拉伯语语音用 [BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/)，阿拉伯语及另外 13 种语言用 BroadNet Transcribe，工单字段用经过阿拉伯语测试的对话模型。BroadNet 报告其阿拉伯语模型在 Open Universal Arabic ASR Leaderboard 上第 2 名（共 37 个）（这是 2026年9月的数据；2026年11月15日实时榜单上为 39 个中的第 4 名）。$5 的初始额度大约够转写 1,190 分钟阿拉伯语音频。

BroadNet 不会替你对接 WhatsApp、Telegram 或工单系统；webhook 处理和工单创建由你的代码或自动化工具完成。电话录音是另一类问题，有两个说话人、录音也长：见[转写呼叫中心录音](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

[语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)

语音转文字，也叫自动语音识别（ASR），是把口语音频转换成书面文字的技术。语音转文字 API 接收音频文件或音频流并返回转写文本，通常按音频分钟计价。准确率用词错误率衡量，会随口音、方言和录音质量变化。

[个人身份信息（PII）](https://broadrouter.com/zh/glossary/pii/)

个人身份信息（PII）是可用于区分或追溯个人身份的信息，例如姓名、身份证号或生物特征记录，以及与该人关联或可关联的其他信息。GDPR 用的是更宽泛的“个人数据”。在大模型应用中，PII 脱敏会在提示词离开你的系统之前将其移除。

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

Ogg Opus 是用 Opus 编解码器（RFC 6716）编码、存放在 Ogg 容器（RFC 7845）中的音频。它专为低码率下的语音和实时交互音频设计，也是 WhatsApp 语音消息使用的格式，文件通常为 .ogg 或 .opus。

[Token（词元）](https://broadrouter.com/zh/glossary/token/)

token（词元）是大语言模型读写文本的基本单位：由模型的分词器切分出的一个词、词的一部分、一个标点或一段字节序列。大模型 API 按 token 计数、设定限制，通常也按 token 计费。

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

WAV（Waveform Audio File Format，又称 WAVE）是建立在微软与 IBM 的 RIFF 格式之上的音频容器。它通常存放未压缩的线性 PCM 样本，因此大小可以预测：每秒字节数 = 采样率 × 每样本字节数 × 声道数。

[阿拉伯语方言（dialectal Arabic）](https://broadrouter.com/zh/glossary/dialectal-arabic/)

阿拉伯语方言是某个地区或城市日常使用的口语阿拉伯语，例如埃及、海湾、黎凡特或马格里布阿拉伯语。方言在语音、词汇和语法上都不同于现代标准阿拉伯语，没有标准拼写，而且越来越多地出现在网络文字中，这让语言模型更难处理。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[结构化输出（structured output）](https://broadrouter.com/zh/glossary/structured-output/)

结构化输出是大模型 API 的一项功能，它把模型的回复约束为开发者指定的格式（通常是 JSON Schema），让代码能可靠地解析。它比 JSON mode 更严格：JSON mode 只保证输出是合法 JSON，不保证特定结构。

## 常见问题

### WhatsApp 语音消息能自动转成文字吗？

可以。使用 WhatsApp Business Cloud API 时，每条语音消息以带媒体 ID 的 webhook 形式到达。你的服务端获取媒体 URL，用访问令牌下载文件，转换格式后发送到转写 API。

### Telegram 语音消息怎么转文字？

你的机器人会收到一个带 file\_id 的 voice 对象。调用 getFile，从返回的路径下载文件，用 ffmpeg 转成 WAV 再转写。机器人最多能下载 20 MB 的文件。

### 转写客户语音消息要花多少钱？

使用 BroadNet Transcribe Arabic，每分钟 $0.0042，10,000 条 30 秒的语音消息费用为 $21.00。支持 14 种语言的模型每分钟 $0.002。

### 收到语音消息，应该用语音回复吗？

对客服来说，简短的文字回复通常更好：客户在哪里都能看，双方也都能搜索。第一条回复保持简洁、纯文本。

### 需要保存原始音频吗？

通常不需要。对大多数客服流程来说，转写文本就够了。如果出于质检或法律原因保留音频，请设定保留期限并限制访问，因为语音属于个人数据。

## 继续阅读

-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)
-   [呼叫中心录音怎么转写：一条支持阿拉伯语的流水线](https://broadrouter.com/zh/blog/transcribe-call-center-recordings/)
-   [语音转文字 API 价格对比：2026 年每分钟多少钱](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)
-   [把敏感数据发给大模型 API：脱敏、最小化、少记日志](https://broadrouter.com/zh/blog/llm-api-sensitive-data/)
-   [浏览器录音并发送到语音转文字 API](https://broadrouter.com/zh/blog/record-browser-audio-transcription-api/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：用 API 把 WhatsApp 语音消息转成文字](https://broadrouter.com/zh/guides/transcribe-whatsapp-voice-notes/)
-   [指南：阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [Meta WhatsApp Cloud API，媒体（获取与下载；2026-11-14 获取）](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API，getFile 和 Voice（2026-11-14 获取）](https://core.telegram.org/bots/api#getfile)
-   [BroadNet Inference API 参考：转写（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [BroadNet Inference 机器可读价格（pricing.json）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-voice-notes-to-text-for-business&utm_content=sources)
