BroadRouter

Notas de voz a texto para empresas: de WhatsApp y Telegram a tickets

Por el equipo de BroadNet Inference · 4 min de lectura · Publicado · Actualizado

Para convertir las notas de voz de clientes en tickets, descargue cada nota de la WhatsApp Cloud API o de la Telegram Bot API en cuanto llegue el webhook, conviértala a WAV, transcríbala con el código de idioma correcto y pida a un LLM que extraiga la intención, la urgencia y los números de pedido en JSON. Cree el ticket con la transcripción adjunta y responda por texto.

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

En gran parte de Oriente Medio, los clientes no escriben. Envían una nota de voz de 40 segundos en árabe del Golfo o egipcio, a menudo con un número de pedido dictado a mitad de mensaje. Los agentes la escuchan, retroceden y la teclean en el sistema de soporte. Multiplique eso por unos cientos al día y las notas de voz se convierten en su canal más lento.

Este artículo construye el flujo de trabajo empresarial en torno a la transcripción: sacar las notas de WhatsApp y Telegram, convertirlas en tickets estructurados y mantener los datos bajo control. Para el código de conversión y transcripción en sí, consulte nuestra guía paso a paso para transcribir notas de voz de WhatsApp. No lo repetiremos aquí.

¿Cómo se convierte una nota de voz en un ticket de soporte?

  1. Reciba el webhook de WhatsApp o Telegram.
  2. Descargue el audio de inmediato.
  3. Convierta a WAV mono de 16 kHz.
  4. Transcriba con el código de idioma correcto.
  5. Extraiga los campos del ticket con un LLM.
  6. Cree el ticket, con la transcripción, y responda por texto.
  7. Elimine el archivo de audio.

Pasos 1 y 2: ¿cómo se saca el audio de WhatsApp?

En la WhatsApp Business Cloud API, una nota de voz entrante llega como un webhook con un ID de medio, no con el archivo. La documentación de medios de Meta fija las reglas:

  • Llame a GET /<MEDIA_ID> en la Graph API para obtener una url.
  • Descargue esa URL con Authorization: Bearer <token>. Sin el token, la solicitud falla.
  • “Media URLs expire after 5 minutes.” (Traducción: Las URL de medios caducan a los 5 minutos.) Solicite una nueva si llega tarde.
  • Los ID de medios de los webhooks entrantes son válidos durante 7 días.
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)

Haga esto en la tarea en segundo plano del manejador del webhook, no más tarde en un lote. Una cola que se ejecuta una vez por hora se encontrará con URL caducadas.

¿Cómo se sacan las notas de voz de un bot de Telegram?

Un bot de Telegram recibe un objeto voice con un file_id. La Bot API indica que los bots “can download files of up to 20MB” (Traducción: pueden descargar archivos de hasta 20MB), mediante https://api.telegram.org/file/bot<token>/<file_path>, y que el enlace es “valid for at least 1 hour” (Traducción: válido durante al menos 1 hora).

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)

En la práctica, ambas plataformas entregan las notas de voz en Ogg/Opus. El endpoint de transcripción acepta WAV o MP3, así que convierta con el comando de ffmpeg de una línea de la guía de WhatsApp y transcriba con language="ar" (o el idioma del cliente).

Paso 5: ¿cómo se convierte una transcripción en un ticket?

Una transcripción sin procesar sigue siendo difícil de clasificar. Un LLM puede extraer los campos que necesita su sistema de soporte:

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 es el modelo que BroadNet probó para árabe, incluidos los dialectos del Golfo y egipcio. Valide el JSON antes de escribirlo en el sistema de soporte y recurra a needs_human: true cuando falle el análisis; el artículo sobre salida estructurada incluye un bucle de validación y reparación. Si una nota menciona números de tarjeta o de identificación, ocúltelos antes de este paso; consulte enviar datos sensibles a una API de LLM.

¿Qué casos límite conviene resolver desde el principio?

Las bandejas de entrada reales son más desordenadas que una demo. Prevea estos casos desde la primera semana:

  • Varias notas seguidas. Los clientes suelen enviar tres notas cortas en lugar de una larga. Agrupe en un solo ticket las notas del mismo remitente enviadas en un par de minutos y transcríbalas en orden.
  • Notas muy cortas. Las notas tipo “vale” o “gracias” no necesitan ticket. Omita la extracción cuando la transcripción tenga menos de unas pocas palabras.
  • Notas reenviadas. En una nota de voz reenviada puede hablar otra persona. Trátela como un adjunto, no como palabras del propio cliente.
  • Idiomas mezclados. Los clientes del Golfo intercalan nombres de productos en inglés. Si su cola atiende varios idiomas, registre con cada transcripción el idioma que envió para que los agentes sepan qué esperar.
  • Archivos grandes. La documentación de medios de Meta indica un límite de 16 MB para audio y los bots de Telegram pueden descargar hasta 20 MB, ambos por debajo del límite de transcripción de 25 MiB, pero las grabaciones largas siguen tardando más. Procéselas en segundo plano.

Lo que gana un equipo

Antes Después
El agente escucha cada nota, a menudo dos veces El agente lee una transcripción y un resumen de una línea
Las notas no se pueden buscar Las transcripciones se pueden buscar por número de pedido o palabra clave
Clasifica quien esté libre Enrutamiento por intención y urgencia
Las notas en árabe esperan a un agente que hable árabe El resumen en inglés permite que cualquier agente atienda los casos simples

¿Cuánto cuesta transcribir notas de voz?

La transcripción es la parte barata del flujo. A $0.0042 por minuto, 10,000 notas de voz en árabe de 30 segundos cuestan $21.00. El modelo de 14 idiomas cuesta $0.002 por minuto. El paso del LLM se cobra por token; una transcripción corta más la instrucción suele sumar unos cientos de tokens. Introduzca sus propios volúmenes en la calculadora de costo de voz a texto o compare otros proveedores en la comparación de precios de voz a texto.

¿Cómo gestionar la privacidad y la conservación?

Las notas de voz son datos personales y a menudo contienen más de lo que el cliente quería compartir. Tres hábitos ayudan:

  • Elimine el audio después de transcribirlo, salvo que una política le obligue a conservarlo.
  • Guarde las transcripciones con el ticket, bajo los controles de acceso del sistema de soporte, no en los registros de la aplicación.
  • Use un proveedor que no guarde el audio. BroadNet no conserva audio ni transcripciones después de la solicitud; consulte cero retención de datos.

Responda en texto plano y mantenga las primeras respuestas a contactos nuevos breves y sin enlaces. Las plataformas de mensajería vigilan los patrones similares al spam en los números de empresa.

Dónde encaja BroadNet Inference

BroadNet cubre los pasos de transcripción y extracción con una sola clave compatible con OpenAI: BroadNet Transcribe Arabic para notas en árabe, BroadNet Transcribe para el árabe y otros 13 idiomas y modelos de chat probados en árabe para los campos del ticket. BroadNet informa que su modelo árabe ocupa el puesto #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard. El crédito inicial de $5 cubre unos 1,190 minutos de audio en árabe.

BroadNet no se conecta por usted a WhatsApp, Telegram ni a su sistema de soporte; la gestión de webhooks y la creación de tickets dependen de su código o de su herramienta de automatización. Las llamadas son otro tipo de problema, con dos hablantes y grabaciones largas: consulte transcribir grabaciones de call center.

Preguntas frecuentes

¿Puedo transcribir automáticamente las notas de voz de WhatsApp?

Sí. Con la WhatsApp Business Cloud API, cada nota de voz llega como un webhook con un ID de medio. Su servidor obtiene la URL del medio, descarga el archivo con su token de acceso, lo convierte y lo envía a una API de transcripción.

¿Cómo convierto los mensajes de voz de Telegram a texto?

Su bot recibe un objeto voice con un file_id. Llame a getFile, descargue el archivo desde la ruta devuelta, conviértalo a WAV con ffmpeg y transcríbalo. Los bots pueden descargar archivos de hasta 20 MB.

¿Cuánto cuesta transcribir las notas de voz de los clientes?

Con BroadNet Transcribe Arabic a $0.0042 por minuto, 10,000 notas de 30 segundos cuestan $21.00. El modelo de 14 idiomas cuesta $0.002 por minuto.

¿Debo responder a una nota de voz con otra nota de voz?

En soporte, normalmente funciona mejor una respuesta corta por texto: el cliente puede leerla en cualquier lugar y ambas partes pueden buscarla. Mantenga la primera respuesta simple y breve.

¿Necesito guardar el audio original?

A menudo no. La transcripción basta para la mayoría de los flujos de soporte. Si conserva el audio por motivos de calidad o legales, fije un plazo de conservación y restrinja el acceso, porque la voz es un dato personal.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity