BroadRouter

WhatsApp-Sprachnachrichten per API in Text umwandeln

Aktualisiert

WhatsApp-Sprachnachrichten sind Opus-Audio in .ogg-Dateien, die der Transkriptions-Endpoint nicht direkt annimmt. Wandeln Sie jede Datei mit ffmpeg in 16-kHz-Mono-WAV um und senden Sie sie dann mit dem passenden language-Feld an BroadNet Transcribe Arabic oder BroadNet Transcribe. Ein kurzes Skript erledigt beides für einen ganzen Ordner.

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 Sie language immer 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 .wav umbenannte .ogg-Datei. Führen Sie die ffmpeg-Umwandlung aus.

  • ffmpeg: command not found: Installieren Sie ffmpeg über Ihren Paketmanager (zum Beispiel apt install ffmpeg oder brew 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.

Häufige Fragen

Welches Audioformat haben WhatsApp-Sprachnachrichten?

Opus-Audio in einem Ogg-Container, gespeichert als .ogg. Laut der Cloud-API-Dokumentation von Meta müssen Sprachnachrichten .ogg-Dateien mit dem Opus-Codec sein, nur Mono.

Kann ich die .ogg-Datei direkt an die Transkriptions-API schicken?

Bei BroadNet Inference nicht. Der Transkriptions-Endpoint nimmt WAV und MP3 an, wandeln Sie die Sprachnachricht also zuerst mit ffmpeg um. Ein einziger Befehl macht daraus 16-kHz-Mono-WAV.

Werden die Sprachnachrichten nach der Transkription gespeichert?

Laut BroadNet werden Audio und Transkripte nur für die Anfrage verarbeitet und nicht aufbewahrt. Gespeichert werden nur inhaltsfreie Daten wie Zeiten, Status und Nutzung für Abrechnung und Sicherheit.

Welches Modell eignet sich für arabische Sprachnachrichten?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, mit language auf ar. Für die 13 anderen unterstützten Sprachen nutzen Sie BroadNet Transcribe, broadnet/cohere-transcribe.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen