Sa malaking bahagi ng Middle East, hindi nagta-type ang mga customer. Nagpapadala sila ng 40-segundong voice note sa Gulf o Egyptian Arabic, madalas na may order number na binabasa sa gitna. Pinapakinggan ito ng mga agent, inuulit, at tina-type sa helpdesk. Paramihin iyan nang ilang daan kada araw at nagiging pinakamabagal na channel mo ang voice note.
Binubuo ng post na ito ang business workflow sa paligid ng transcription: paglabas ng mga note mula sa WhatsApp at Telegram, paggawa ng mga ito bilang structured na ticket, at pagkontrol sa data. Para sa mismong code ng conversion at transcription, tingnan ang step-by-step na gabay namin sa pag-transcribe ng WhatsApp voice note. Hindi na namin uulitin iyon dito.
Paano nagiging support ticket ang voice note?
- Tanggapin ang webhook mula sa WhatsApp o Telegram.
- I-download agad ang audio.
- I-convert sa 16 kHz mono WAV.
- I-transcribe gamit ang tamang language code.
- Kunin ang mga ticket field gamit ang LLM.
- Gawin ang ticket, kasama ang transcript, at sumagot sa text.
- Burahin ang audio file.
Hakbang 1 at 2: paano kunin ang audio mula sa WhatsApp?
Sa WhatsApp Business Cloud API, dumarating ang papasok na voice note bilang webhook na may media ID, hindi ang file. Itinatakda ng media docs ng Meta ang mga patakaran:
- Tawagin ang
GET /<MEDIA_ID>sa Graph API para makakuha ngurl. - I-download ang URL na iyon gamit ang
Authorization: Bearer <token>. Bumabagsak ang request kapag walang token. - “Media URLs expire after 5 minutes.” (salin: Nag-e-expire ang mga media URL pagkalipas ng 5 minuto.) Humingi ng bago kung nahuli ka.
- Valid nang 7 araw ang mga media ID mula sa papasok na webhook.
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)
Gawin ito sa background job ng webhook handler, hindi mamaya sa isang batch. Tatama sa mga expired na URL ang queue na tumatakbo isang beses kada oras.
Paano kunin ang voice note mula sa Telegram bot?
Nakakatanggap ang Telegram bot ng voice object na may file_id. Sabi ng Bot API, ang mga bot ay “can download files of up to 20MB” (salin: kayang mag-download ng mga file hanggang 20MB), sa https://api.telegram.org/file/bot<token>/<file_path>, at ang link ay “valid for at least 1 hour” (salin: valid nang hindi bababa sa 1 oras).
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)
Sa praktika, Ogg/Opus na voice note ang ipinapadala ng dalawang platform. WAV o MP3 ang tinatanggap ng transcription endpoint, kaya i-convert gamit ang isang linyang ffmpeg command mula sa gabay sa WhatsApp, saka i-transcribe gamit ang language="ar" (o ang wika ng customer).
Hakbang 5: paano gawing ticket ang transcript?
Mahirap pa ring i-triage ang raw na transcript. Kayang kunin ng LLM ang mga field na kailangan ng helpdesk mo:
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)
Ang Qwen3.8 27B ang model na tinest ng BroadNet para sa Arabic, kasama ang Gulf at Egyptian na dialect. I-validate ang JSON bago mo isulat sa helpdesk, at bumalik sa needs_human: true kapag bumagsak ang parsing; may validate-and-repair loop ang post tungkol sa structured output. Kung may binabanggit na card o ID number ang note, i-redact bago ang hakbang na ito; tingnan ang pagpapadala ng sensitibong data sa LLM API.
Aling mga edge case ang dapat hawakan nang maaga?
Mas magulo ang totoong inbox kaysa sa demo. Paghandaan ang mga ito mula sa unang linggo:
- Ilang note nang sunod-sunod. Madalas magpadala ang mga customer ng tatlong maikling note sa halip na isang mahaba. Pagsamahin sa iisang ticket ang mga note mula sa parehong sender sa loob ng ilang minuto, at i-transcribe ang mga ito nang sunod-sunod.
- Napakaikling note. Hindi kailangan ng ticket ang mga note na “Okay” o “thanks”. Laktawan ang extraction kapag ilang salita lang ang transcript.
- Mga forwarded na note. Puwedeng ibang tao ang nagsasalita sa forwarded na voice note. Ituring itong attachment, hindi sariling salita ng customer.
- Halo-halong wika. Naghahalo ng English na pangalan ng produkto ang mga customer sa Gulf. Kung ilang wika ang sineserbisyuhan ng queue mo, itala ang wikang ipinadala mo kasama ng bawat transcript para alam ng mga agent ang aasahan.
- Malalaking file. 16 MB na audio limit ang nakalista sa media docs ng Meta at hanggang 20 MB ang kayang i-download ng mga Telegram bot, parehong mas mababa sa 25 MiB na transcription limit, pero mas matagal pa ring iproseso ang mahahabang recording. Iproseso ang mga ito sa background.
Ang nakukuha ng isang team
| Dati | Ngayon |
|---|---|
| Pinapakinggan ng agent ang bawat note, madalas dalawang beses | Nagbabasa ang agent ng transcript at isang linyang buod |
| Hindi nase-search ang mga note | Nase-search ang mga transcript ayon sa order number o keyword |
| Triage ng kung sinong bakante | Routing ayon sa intent at urgency |
| Naghihintay ang mga Arabic na note sa marunong mag-Arabic | Dahil sa English na buod, kayang hawakan ng kahit sinong agent ang mga simpleng kaso |
Magkano ang transcription ng voice note?
Ang transcription ang murang bahagi ng pipeline. Sa $0.0042 kada minuto, $21.00 ang 10,000 Arabic na voice note na tig-30 segundo. $0.002 kada minuto ang 14-language na model. Kada token ang presyo ng LLM step; kadalasang ilang daang token ang maikling transcript kasama ang instruction. Ilagay ang sarili mong volume sa speech-to-text cost calculator, o ihambing ang ibang provider sa paghahambing ng presyo ng speech-to-text.
Paano hawakan ang privacy at retention?
Personal data ang mga voice note, at madalas higit pa ang laman nito kaysa gustong ibahagi ng customer. Tatlong gawi ang nakakatulong:
- Burahin ang audio pagkatapos ng transcription maliban kung may patakarang nag-uutos na itago ito.
- Itago ang transcript kasama ng ticket, sa ilalim ng access control ng helpdesk, hindi sa app log.
- Gumamit ng provider na hindi nagtatago ng audio. Walang itinatagong audio o transcript ang BroadNet pagkatapos ng request; tingnan ang zero data retention.
Sumagot sa plain text, at panatilihing maikli at walang link ang unang sagot sa mga bagong contact. Binabantayan ng mga messaging platform ang mga pattern na mukhang spam mula sa mga business number.
Saan pumapasok ang BroadNet Inference
Sinasaklaw ng BroadNet ang transcription at extraction gamit ang iisang OpenAI-compatible na key: BroadNet Transcribe Arabic para sa mga Arabic na note, BroadNet Transcribe para sa Arabic at 13 iba pang wika, at mga chat model na tinest sa Arabic para sa mga ticket field. Iniuulat ng BroadNet na ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ang Arabic model nito sa Open Universal Arabic ASR Leaderboard. Sumasaklaw ang $5 na panimulang credit sa mga 1,190 minuto ng Arabic na audio.
Hindi ikinokonekta ng BroadNet ang WhatsApp, Telegram o helpdesk mo para sa iyo; code mo o automation tool mo ang hahawak ng webhook at gagawa ng ticket. Ibang klaseng problema ang mga tawag, na may dalawang nagsasalita at mahahabang recording: tingnan ang pag-transcribe ng mga recording ng call center.

