从聊天中导出语音消息(或者通过你的 WhatsApp Business 集成接收),得到的是 .ogg 文件。Meta 的 Cloud API 文档说,WhatsApp 语音消息是用 Opus 编码的 .ogg 文件。手机录音则常常是 .m4a。BroadNet 的转写端点接收 WAV 和 MP3,所以要先转换。
1. 转换单个文件
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 生成 16 kHz 单声道音频,BroadNet 的文档对语音消息和电话录音用的就是这种转换。同一条命令也适用于 .m4a。16 kHz 单声道 16 位 WAV 每秒 32,000 字节,因此 26,214,400 字节的文件上限大约能容纳 13 分钟。更长的录音可以用音频切分工具:它会算出需要切成几段,并写好 ffmpeg 命令。
2. 转写整个文件夹
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])
每个 .txt 都会放在对应语音消息的旁边。想对每条收到的 WhatsApp Business 消息自动执行同样的步骤,请看 n8n WhatsApp 语音消息工作流。
费用
一条一分钟的语音消息,用阿拉伯语模型的费用是 $0.0042,用 14 种语言的模型是 $0.002。请求结束后,音频和转写文本不会被保留;参见零数据保留。
故障排查
-
输出的是拉丁字母而不是阿拉伯文: 加上
language="ar"。BroadNet 的文档要求始终发送language。 -
413 错误: 文件超过了 26,214,400 字节(25 MiB)。把长录音切成 10 分钟一段的 WAV:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
上传时返回 400 或 422: 确认文件确实是 WAV 或 MP3,而不是被改名为
.wav的.ogg。运行上面的 ffmpeg 转换。 -
ffmpeg: command not found: 用你的包管理器安装 ffmpeg(例如apt install ffmpeg或brew install ffmpeg)。 -
429 错误: 按量付费密钥同时最多处理 4 个请求;请用一个小的并发池处理文件。参见 BroadNet 全部错误码。
关于模型、格式和准确率的更多细节,见阿拉伯语语音转文字指南。想比较其他服务商每分钟音频的收费,请看公开的语音转文字 API 价格索引,每个价格都附有来源和日期。为什么 16 kHz 对语音已经足够,背景知识见采样率。
