---
title: "Voice note sa text para sa negosyo: WhatsApp at Telegram"
description: "Gawing transcript at support ticket ang voice note ng customer mula sa WhatsApp Business at Telegram bot: i-download, i-transcribe, kunin ang field gamit ang LLM."
url: https://broadrouter.com/fil/blog/voice-notes-to-text-for-business/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (na-update noong 2026-11-16).

# Voice note sa text para sa negosyo: WhatsApp at Telegram sa ticket

Ng BroadNet Inference team · 4 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Para gawing ticket ang voice note ng customer, i-download ang bawat note mula sa WhatsApp Cloud API o Telegram Bot API pagdating ng webhook, i-convert sa WAV, i-transcribe gamit ang tamang language code, at ipakuha sa isang LLM ang intent, urgency at order number bilang JSON. Gawin ang ticket na may kalakip na transcript at sumagot sa text.

## Mga pangunahing punto

-   Mag-download agad: nag-e-expire ang media URL ng WhatsApp pagkalipas ng 5 minuto at ang media ID ng webhook pagkalipas ng 7 araw.
-   Kayang mag-download ng Telegram bot ng file hanggang 20 MB, sa link na valid nang hindi bababa sa isang oras.
-   Ang transcription ang murang hakbang: $21.00 ang 10,000 Arabic na voice note na tig-30 segundo.
-   Ginagawang ticket field ng LLM ang paliguy-ligoy na note: intent, urgency, order number, wika at isang linyang buod.
-   Ang transcript ang itago, hindi ang audio, maliban kung may dahilan kang mag-imbak ng boses.

**Sa page na ito**

1.  Paano nagiging support ticket ang voice note?
2.  Hakbang 1 at 2: paano kunin ang audio mula sa WhatsApp?
3.  Paano kunin ang voice note mula sa Telegram bot?
4.  Hakbang 5: paano gawing ticket ang transcript?
5.  Aling mga edge case ang dapat hawakan nang maaga?
6.  Ang nakukuha ng isang team
7.  Magkano ang transcription ng voice note?
8.  Paano hawakan ang privacy at retention?
9.  Saan pumapasok ang BroadNet Inference

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

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](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/). Hindi na namin uulitin iyon dito.

## Paano nagiging support ticket ang voice note?

1.  **Tanggapin** ang webhook mula sa WhatsApp o Telegram.
2.  **I-download** agad ang audio.
3.  **I-convert** sa 16 kHz mono WAV.
4.  **I-transcribe** gamit ang tamang language code.
5.  **Kunin** ang mga ticket field gamit ang LLM.
6.  **Gawin** ang ticket, kasama ang transcript, at sumagot sa text.
7.  **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](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media) ng Meta ang mga patakaran:

-   Tawagin ang `GET /<MEDIA_ID>` sa Graph API para makakuha ng `url`.
-   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.

```python
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](https://core.telegram.org/bots/api#getfile), 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).

```python
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](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/), 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:

```python
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](https://broadrouter.com/fil/models/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](https://broadrouter.com/fil/blog/structured-output-json-schema/). 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](https://broadrouter.com/fil/blog/llm-api-sensitive-data/).

## 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](https://broadrouter.com/tools/speech-to-text-cost-calculator/), o ihambing ang ibang provider sa [paghahambing ng presyo ng speech-to-text](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/).

## 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](https://broadrouter.com/fil/privacy/).

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](https://broadrouter.com/fil/models/cohere-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](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/).

Mga libreng tool para rito (Ingles)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[AI agent](https://broadrouter.com/fil/glossary/agent/)

Ang AI agent ay isang system kung saan ang language model mismo ang nagdidirekta ng mga hakbang nito tungo sa isang layunin: pinipili nito kung aling tools ang tatawagin, binabasa ang mga resulta at umuulit hanggang makabuo ng huling sagot o maabot ang limit. Workflow naman ang karaniwang tawag sa fixed na script na tumatawag sa model sa takdang punto.

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Ogg Opus](https://broadrouter.com/fil/glossary/ogg-opus/)

Ang Ogg Opus ay audio na naka-encode gamit ang Opus codec (RFC 6716) at naka-store sa isang Ogg container (RFC 7845). Ginawa ito para sa speech at interactive na audio sa mababang bitrate, at ito ang format na ginagamit ng WhatsApp para sa voice notes, kadalasan bilang .ogg o .opus na file.

[WAV](https://broadrouter.com/fil/glossary/wav/)

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

[Zero data retention (ZDR)](https://broadrouter.com/fil/glossary/zero-data-retention/)

Ang zero data retention (ZDR) ay patakaran kung saan pinoproseso lang ng AI provider ang mga prompt at output para i-serve ang isang request, at hindi na nito itinatago ang content na iyon pagkatapos, sa log, cache o training data. Kadalasang itinatago pa rin ang mga record na walang content, gaya ng bilang ng token at timing.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[Dialectal Arabic (mga dialect ng Arabic)](https://broadrouter.com/fil/glossary/dialectal-arabic/)

Ang dialectal Arabic ay ang pang-araw-araw na sinasalitang Arabic ng isang rehiyon o lungsod, gaya ng Egyptian, Gulf, Levantine o Maghrebi Arabic. Naiiba ang mga dialect sa Modern Standard Arabic sa tunog, salita at grammar, walang standard na spelling, at lalong isinusulat online, kaya mas mahirap ang mga ito para sa mga language model.

## Mga tanong

### Puwede ko bang i-transcribe nang awtomatiko ang mga WhatsApp voice note?

Oo. Sa WhatsApp Business Cloud API, dumarating ang bawat voice note bilang webhook na may media ID. Kinukuha ng server mo ang media URL, dina-download ang file gamit ang access token mo, kino-convert ito at ipinapadala sa transcription API.

### Paano ko gagawing text ang mga Telegram voice message?

Nakakatanggap ang bot mo ng voice object na may file\_id. Tawagin ang getFile, i-download ang file mula sa ibinalik na path, i-convert ito sa WAV gamit ang ffmpeg at i-transcribe. Kayang mag-download ng mga bot ng file hanggang 20 MB.

### Magkano ang pag-transcribe ng mga voice note ng customer?

Sa BroadNet Transcribe Arabic na $0.0042 kada minuto, $21.00 ang 10,000 note na tig-30 segundo. $0.002 kada minuto ang 14-language na model.

### Dapat ba akong sumagot ng voice note sa isang voice note?

Kadalasan, mas epektibo sa support ang maikling text na sagot: mababasa ito ng customer kahit saan at searchable ito sa magkabilang panig. Panatilihing simple at maikli ang unang sagot.

### Kailangan ko bang itago ang orihinal na audio?

Kadalasan hindi. Sapat na ang transcript para sa karamihan ng support workflow. Kung magtatago ka ng audio para sa quality o legal na dahilan, magtakda ng retention period at limitahan ang access, dahil personal data ang boses.

## Magbasa pa

-   [Arabic meeting minutes mula sa recording: isang API pipeline](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Paano i-transcribe ang call center recording: pipeline para sa Arabic](https://broadrouter.com/fil/blog/transcribe-call-center-recordings/)
-   [Presyo ng speech-to-text API, ikinumpara: kada minuto sa 2026](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/)
-   [Sensitive data sa LLM API: mag-redact, magbawas, mag-log nang kaunti](https://broadrouter.com/fil/blog/llm-api-sensitive-data/)
-   [Paano mag-record ng audio sa browser at ipadala sa speech-to-text API](https://broadrouter.com/fil/blog/record-browser-audio-transcription-api/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-voice-notes-to-text-for-business&utm_content=page-cta) ·

**Mga source**

-   [Meta WhatsApp Cloud API, media (pagkuha at pag-download; kinuha noong 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile at Voice (kinuha noong 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [API reference ng BroadNet Inference, transcription (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Machine-readable na presyo ng BroadNet Inference (pricing.json) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-voice-notes-to-text-for-business&utm_content=sources)
