Wenn Sie die Sprachnachrichten aus dem Chat exportieren (oder über Ihre WhatsApp-Business-Integration empfangen), erhalten Sie .ogg-Dateien. Laut der Cloud-API-Dokumentation von Meta sind WhatsApp-Sprachnachrichten .ogg-Dateien mit dem Opus-Codec. Aufnahmen vom Handy sind oft .m4a. Der Transkriptions-Endpoint von BroadNet nimmt WAV und MP3 an, deshalb wird zuerst umgewandelt.
1. Eine Datei umwandeln
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 erzeugt 16-kHz-Mono-Audio; diese Umwandlung verwendet die BroadNet-Dokumentation für Sprachnachrichten und Telefonaufnahmen. Derselbe Befehl funktioniert für .m4a. 16-kHz-Mono-WAV mit 16 Bit hat 32.000 Bytes pro Sekunde, das Dateilimit von 26.214.400 Bytes reicht also für etwa 13 Minuten. Bei längeren Aufnahmen berechnet der Audio-Splitter, wie viele Teile Sie brauchen, und schreibt die ffmpeg-Befehle.
2. Einen ganzen Ordner transkribieren
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])
Jede .txt-Datei landet neben ihrer Sprachnachricht. Wenn dieselben Schritte automatisch für jede eingehende WhatsApp-Business-Nachricht laufen sollen, lesen Sie den n8n-Workflow für WhatsApp-Sprachnachrichten.
Kosten
Eine einminütige Sprachnachricht kostet auf Arabisch $0.0042 oder mit dem 14-Sprachen-Modell $0.002. Audio und Transkripte werden nach der Anfrage nicht aufbewahrt; siehe Zero Data Retention.
Fehlerbehebung
-
Lateinische statt arabischer Buchstaben: Ergänzen Sie
language="ar". Laut BroadNet-Dokumentation sollten Sielanguageimmer mitsenden. -
Fehler 413: Die Datei ist größer als 26.214.400 Bytes (25 MiB). Teilen Sie lange Aufnahmen in WAV-Stücke von 10 Minuten:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
400 oder 422 beim Upload: Prüfen Sie, ob die Datei wirklich WAV oder MP3 ist und nicht eine in
.wavumbenannte.ogg-Datei. Führen Sie die ffmpeg-Umwandlung aus. -
ffmpeg: command not found: Installieren Sie ffmpeg über Ihren Paketmanager (zum Beispielapt install ffmpegoderbrew install ffmpeg). -
Fehler 429: Pay-as-you-go-Schlüssel erlauben 4 gleichzeitige Anfragen; verarbeiten Sie die Dateien in einem kleinen Pool. Siehe alle Fehlercodes von BroadNet.
Mehr zu Modell, Formaten und Genauigkeit: die Anleitung zu arabischem Speech-to-Text. Was andere Anbieter pro Audiominute verlangen, zeigt der offene Preisindex für Speech-to-Text-APIs, mit Quelle und Datum für jeden Preis. Warum 16 kHz für Sprache genügt, erklärt der Eintrag zur Abtastrate.
