BroadRouter

Messages vocaux en texte : de WhatsApp et Telegram aux tickets

Par l’équipe BroadNet Inference · 4 min de lecture · Publié · Mis à jour

Pour transformer les messages vocaux des clients en tickets, téléchargez chaque message depuis la WhatsApp Cloud API ou la Telegram Bot API dès l’arrivée du webhook, convertissez-le en WAV, transcrivez-le avec le bon code de langue, puis demandez à un LLM d’extraire l’intention, l’urgence et les numéros de commande en JSON. Créez le ticket avec la transcription jointe et répondez par écrit.

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

Dans une grande partie du Moyen-Orient, les clients ne tapent pas. Ils envoient un message vocal de 40 secondes en arabe du Golfe ou égyptien, souvent avec un numéro de commande lu au milieu. Les agents écoutent, reviennent en arrière et ressaisissent tout dans l’outil de support. Multipliez par quelques centaines par jour, et les messages vocaux deviennent votre canal le plus lent.

Cet article construit le processus métier autour de la transcription : sortir les messages de WhatsApp et Telegram, les transformer en tickets structurés et garder les données sous contrôle. Pour le code de conversion et de transcription lui-même, consultez notre guide pas à pas pour transcrire les messages vocaux WhatsApp. Nous ne le répétons pas ici.

Comment un message vocal devient-il un ticket de support ?

  1. Recevez le webhook de WhatsApp ou Telegram.
  2. Téléchargez l’audio immédiatement.
  3. Convertissez en WAV mono 16 kHz.
  4. Transcrivez avec le bon code de langue.
  5. Extrayez les champs du ticket avec un LLM.
  6. Créez le ticket avec la transcription, et répondez par écrit.
  7. Supprimez le fichier audio.

Étapes 1 et 2 : comment récupérer l’audio depuis WhatsApp ?

Sur la WhatsApp Business Cloud API, un message vocal entrant arrive sous forme de webhook avec un identifiant de média, pas avec le fichier. La documentation des médias de Meta fixe les règles :

  • Appelez GET /<MEDIA_ID> sur la Graph API pour obtenir une url.
  • Téléchargez cette URL avec Authorization: Bearer <token>. Sans le jeton, la requête échoue.
  • « Media URLs expire after 5 minutes. » (traduction : « Les URL de médias expirent au bout de 5 minutes. ») Demandez-en une nouvelle si vous arrivez trop tard.
  • Les identifiants de médias issus des webhooks entrants sont valables 7 jours.
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)

Faites-le dans la tâche de fond du gestionnaire de webhook, pas plus tard dans un lot. Une file traitée une fois par heure tombera sur des URL expirées.

Comment récupérer les messages vocaux d’un bot Telegram ?

Un bot Telegram reçoit un objet voice avec un file_id. La Bot API indique que les bots « can download files of up to 20MB » (traduction : « peuvent télécharger des fichiers jusqu’à 20 Mo »), via https://api.telegram.org/file/bot<token>/<file_path>, et que le lien est « valid for at least 1 hour » (traduction : « valable au moins 1 heure »).

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 pratique, les deux plateformes livrent les messages vocaux en Ogg/Opus. L’endpoint de transcription accepte le WAV ou le MP3 : convertissez avec la commande ffmpeg d’une ligne du guide WhatsApp, puis transcrivez avec language="ar" (ou la langue du client).

Étape 5 : comment transformer une transcription en ticket ?

Une transcription brute reste difficile à trier. Un LLM peut en extraire les champs dont votre outil de support a besoin :

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 est le modèle que BroadNet a testé en arabe, y compris les dialectes du Golfe et égyptien. Validez le JSON avant de l’écrire dans l’outil de support, et repliez-vous sur needs_human: true si l’analyse échoue ; l’article sur la sortie structurée propose une boucle de validation et de réparation. Si un message mentionne des numéros de carte ou de pièce d’identité, masquez-les avant cette étape ; voir envoyer des données sensibles à une API LLM.

Quels cas particuliers traiter dès le début ?

Les vraies boîtes de réception sont plus désordonnées qu’une démo. Prévoyez ces cas dès la première semaine :

  • Plusieurs messages d’affilée. Les clients envoient souvent trois messages courts au lieu d’un long. Regroupez les messages d’un même expéditeur envoyés en quelques minutes dans un seul ticket, et transcrivez-les dans l’ordre.
  • Messages très courts. Les messages du type « d’accord » ou « merci » n’ont pas besoin de ticket. Sautez l’extraction quand la transcription fait moins de quelques mots.
  • Messages transférés. Dans un message vocal transféré, c’est peut-être quelqu’un d’autre qui parle. Traitez-le comme une pièce jointe, pas comme les propres mots du client.
  • Langues mélangées. Les clients du Golfe glissent des noms de produits en anglais. Si votre file sert plusieurs langues, enregistrez avec chaque transcription la langue envoyée, pour que les agents sachent à quoi s’attendre.
  • Fichiers volumineux. La documentation des médias de Meta indique une limite audio de 16 Mo, et les bots Telegram peuvent télécharger jusqu’à 20 Mo, deux valeurs inférieures à la limite de transcription de 25 Mio, mais les longs enregistrements prennent quand même plus de temps. Traitez-les en arrière-plan.

Ce qu’une équipe y gagne

Avant Après
L’agent écoute chaque message, souvent deux fois L’agent lit une transcription et un résumé d’une ligne
Les messages sont impossibles à rechercher Les transcriptions se recherchent par numéro de commande ou mot-clé
Le tri revient à qui est disponible Routage selon l’intention et l’urgence
Les messages en arabe attendent un arabophone Le résumé en anglais permet à n’importe quel agent de traiter les cas simples

Combien coûte la transcription des messages vocaux ?

La transcription est la partie bon marché du pipeline. À $0.0042 la minute, 10 000 messages vocaux en arabe de 30 secondes coûtent $21.00. Le modèle à 14 langues coûte $0.002 la minute. L’étape LLM est facturée au token ; une courte transcription plus l’instruction représentent généralement quelques centaines de tokens. Saisissez vos propres volumes dans le calculateur de coût speech-to-text, ou comparez d’autres fournisseurs dans la comparaison des prix speech-to-text.

Comment gérer la confidentialité et la conservation ?

Les messages vocaux sont des données personnelles, et ils contiennent souvent plus que ce que le client voulait partager. Trois habitudes aident :

  • Supprimez l’audio après la transcription, sauf si une politique impose de le conserver.
  • Stockez les transcriptions avec le ticket, sous les contrôles d’accès de l’outil de support, pas dans les logs de l’application.
  • Utilisez un fournisseur qui ne conserve pas l’audio. BroadNet ne garde ni audio ni transcription après la requête ; voir conservation zéro des données.

Répondez en texte simple, et gardez les premières réponses aux nouveaux contacts courtes et sans liens. Les plateformes de messagerie surveillent les comportements de type spam des numéros professionnels.

La place de BroadNet Inference

BroadNet couvre les étapes de transcription et d’extraction avec une seule clé compatible OpenAI : BroadNet Transcribe Arabic pour les messages en arabe, BroadNet Transcribe pour l’arabe et 13 autres langues, et des modèles de chat testés en arabe pour les champs du ticket. BroadNet indique pour son modèle arabe le classement suivant sur l’Open Universal Arabic ASR Leaderboard : #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026). Le crédit de départ de $5 couvre environ 1,190 minutes d’audio en arabe.

BroadNet ne se connecte pas à WhatsApp, Telegram ou votre outil de support à votre place : la gestion des webhooks et la création des tickets relèvent de votre code ou de votre outil d’automatisation. Les appels téléphoniques posent un problème différent, avec deux interlocuteurs et de longs enregistrements : voir transcrire les enregistrements de centre d’appels.

Questions fréquentes

Puis-je transcrire automatiquement les messages vocaux WhatsApp ?

Oui. Avec la WhatsApp Business Cloud API, chaque message vocal arrive sous forme de webhook avec un identifiant de média. Votre serveur récupère l’URL du média, télécharge le fichier avec votre jeton d’accès, le convertit et l’envoie à une API de transcription.

Comment convertir des messages vocaux Telegram en texte ?

Votre bot reçoit un objet voice avec un file_id. Appelez getFile, téléchargez le fichier depuis le chemin renvoyé, convertissez-le en WAV avec ffmpeg et transcrivez-le. Les bots peuvent télécharger des fichiers jusqu’à 20 Mo.

Combien coûte la transcription des messages vocaux des clients ?

Avec BroadNet Transcribe Arabic à $0.0042 la minute, 10 000 messages de 30 secondes coûtent $21.00. Le modèle à 14 langues coûte $0.002 la minute.

Faut-il répondre à un message vocal par un message vocal ?

En support, une courte réponse écrite fonctionne généralement mieux : le client peut la lire n’importe où et elle est consultable par recherche des deux côtés. Gardez la première réponse simple et courte.

Dois-je conserver l’audio d’origine ?

Souvent non. La transcription suffit pour la plupart des processus de support. Si vous gardez l’audio pour des raisons de qualité ou juridiques, fixez une durée de conservation et restreignez l’accès, car la voix est une donnée personnelle.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity