Exporte las notas de voz desde el chat (o recíbalas a través de su integración con WhatsApp Business) y tendrá archivos .ogg. La documentación de la Cloud API de Meta indica que los mensajes de voz de WhatsApp son archivos .ogg codificados con el códec Opus. Las grabaciones del teléfono suelen ser .m4a. El endpoint de transcripción de BroadNet acepta WAV y MP3, así que primero convierta el archivo.
1. Convierta un archivo
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 genera audio mono de 16 kHz, la conversión que usa la documentación de BroadNet para notas de voz y grabaciones telefónicas. El mismo comando funciona con .m4a. Un WAV mono de 16 kHz y 16 bits ocupa 32,000 bytes por segundo, así que el límite de 26,214,400 bytes por archivo admite unos 13 minutos. Para grabaciones más largas, el divisor de audio calcula cuántos fragmentos necesita y escribe los comandos de ffmpeg.
2. Transcriba una carpeta entera
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])
Cada .txt queda junto a su nota de voz. Para ejecutar los mismos pasos automáticamente con cada mensaje entrante de WhatsApp Business, consulte el workflow de n8n para notas de voz de WhatsApp.
Costo
Una nota de voz de un minuto cuesta $0.0042 en árabe o $0.002 con el modelo de 14 idiomas. El audio y las transcripciones no se conservan después de la solicitud; consulte cero retención de datos.
Solución de problemas
-
Letras latinas en lugar de árabe: agregue
language="ar". La documentación de BroadNet indica enviar siemprelanguage. -
Error 413: el archivo supera los 26,214,400 bytes (25 MiB). Divida las grabaciones largas en partes WAV de 10 minutos:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
400 o 422 al subir el archivo: compruebe que el archivo sea realmente WAV o MP3 y no un
.oggrenombrado a.wav. Ejecute la conversión con ffmpeg. -
ffmpeg: command not found: instale ffmpeg con su gestor de paquetes (por ejemplo,apt install ffmpegobrew install ffmpeg). -
Error 429: las claves de pago por uso permiten 4 solicitudes simultáneas; procese los archivos con un pool pequeño. Consulte todos los códigos de error de BroadNet.
Más detalles sobre el modelo, los formatos y la precisión: la guía de voz a texto en árabe. Para comparar lo que cobran otros proveedores por minuto de audio, consulte el índice abierto de precios de APIs de voz a texto, con fuente y fecha para cada precio. Para entender por qué 16 kHz basta para la voz, consulte frecuencia de muestreo.
