अरबी WhatsApp chatbot को पाँच हिस्से चाहिए: आधिकारिक WhatsApp Business Platform से मैसेज लेने वाला webhook, एक queue, वॉइस नोट के लिए speech to text, अरबी में जवाब का ड्राफ़्ट बनाने वाला LLM, और WhatsApp की 24 घंटे की window के अंदर जवाब भेजने वाला sender। वॉइस नोट इसलिए मायने रखते हैं क्योंकि बहुत से अरबी-भाषी ग्राहक टाइप करने के बजाय बोली में बोलते हैं।
BroadRouter को BroadNet चलाता है, इसलिए उदाहरण BroadNet Inference इस्तेमाल करते हैं। कोई भी OpenAI-compatible speech-to-text और चैट प्रोवाइडर इन्हीं जगहों पर फ़िट होता है।
अरबी WhatsApp chatbot के हिस्से क्या हैं?
WhatsApp user
│ text or voice note
▼
WhatsApp Business Platform (Cloud API)
│ webhook POST
▼
1. Webhook receiver ── verify signature, store event, return 200
│
▼
2. Queue (Redis, SQS, a database table)
│
▼
3. Worker
├─ voice note? download media → ffmpeg → speech to text
├─ build prompt: system rules + recent history + new message
└─ LLM drafts reply (or hands over to a human)
│
▼
4. Sender ── POST /messages on the Cloud API
│
▼
5. Store ── conversation state, opt-in status, audit log
1. Webhook receiver
WhatsApp Cloud API आने वाले मैसेज को आपके रजिस्टर किए webhook पर HTTPS POST अनुरोधों के रूप में पहुँचाता है। दो नियम इस हिस्से को ठीक रखते हैं:
- हर अनुरोध verify करें। Meta के docs कहते हैं कि अपने app secret से JSON payload का HMAC-SHA256 निकालें और उसकी तुलना
X-Hub-Signature-256हेडर से करें। जो मेल न खाए, उसे अस्वीकार करें। - 200 जल्दी लौटाएँ। event सहेजें और acknowledge करें। webhook handler के अंदर ऑडियो डाउनलोड न करें, न LLM कॉल करें। डिलीवरी फ़ेल होने पर Meta “immediately, then a few more times with decreasing frequency over the next 7 days” (अनुवाद: तुरंत, फिर अगले 7 दिनों में घटती आवृत्ति के साथ कुछ और बार) retry करता है, और deduplication आपसे संभालने को कहता है।
WhatsApp message id को idempotency key के रूप में इस्तेमाल करें, ताकि दोबारा पहुँचा webhook कभी दो जवाब न बनाए।
2. Queue
queue WhatsApp की डिलीवरी की टाइमिंग को आपके प्रोसेसिंग समय से अलग करता है। इससे आप concurrency को अपनी inference सीमाओं के हिसाब से सीमित भी कर सकते हैं। BroadNet की उपयोग के अनुसार भुगतान वाली key प्रति मिनट 30 अनुरोध और एक साथ 4 की अनुमति देती है, इसलिए 429 पर retries वाला छोटा worker pool सही ढाँचा है। देखें errors और retries और 429 rate limits कैसे संभालें।
3. Worker: वॉइस नोट से टेक्स्ट
वॉइस नोट के लिए webhook आपको एक audio ऑब्जेक्ट देता है, जिसमें media id, audio/ogg; codecs=opus जैसा mime_type, और WhatsApp में बनी रिकॉर्डिंग के लिए voice: true होता है। worker डाउनलोड URL पाने के लिए media id पर GET करता है, अपने access token से फ़ाइल डाउनलोड करता है, फिर उसे बदलकर ट्रांसक्राइब करता है। BroadNet का endpoint WAV या MP3 लेता है, इसलिए पहले बदलें:
import os, subprocess, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_voice_note(ogg_bytes: bytes) -> str:
with tempfile.TemporaryDirectory() as d:
src, wav = os.path.join(d, "in.ogg"), os.path.join(d, "in.wav")
open(src, "wb").write(ogg_bytes)
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", src,
"-ar", "16000", "-ac", "1", wav], check=True)
with open(wav, "rb") as audio:
return client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic",
file=audio,
language="ar", # without it, Arabic can come back in Latin letters
).text
कॉल के बाद temporary डायरेक्टरी ग़ायब हो जाती है, जिससे ऑडियो आपकी डिस्क पर नहीं रहता। WhatsApp वॉइस नोट गाइड में export की गई चैट के लिए batch वर्ज़न है, और अरबी speech-to-text गाइड फ़ॉर्मैट और सीमाएँ कवर करती है। फ़ाइलें 26,214,400 bytes (25 MiB) से छोटी होनी चाहिए; आम वॉइस नोट इससे बहुत नीचे हैं।
3b. Worker: जवाब का ड्राफ़्ट
ट्रांसक्रिप्ट को बिल्कुल टाइप किए मैसेज की तरह लें, लेकिन मॉडल को बताएँ कि यह आवाज़ से आया है, क्योंकि ट्रांसक्रिप्ट में विराम चिह्न नहीं होते और पहचान की ग़लतियाँ हो सकती हैं:
SYSTEM = """You are the WhatsApp assistant of a clinic in Dubai.
Customers write or speak in Gulf Arabic, other dialects, MSA, English or Arabizi.
Reply in simple Modern Standard Arabic unless the customer used English.
Keep replies under 60 words. Plain text only: no links, no markdown.
You can: answer opening hours, explain how to book, collect name and preferred time.
If the message is a complaint, medical question or you are unsure, reply that a
staff member will follow up, and set handover=true."""
def draft_reply(history: list[dict], text: str, from_voice: bool) -> str:
note = "(transcribed voice note, may contain errors) " if from_voice else ""
r = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=1500,
messages=[{"role": "system", "content": SYSTEM}, *history[-10:],
{"role": "user", "content": note + text}],
)
return r.choices[0].message.content
routing के लिए मॉडल से खुले टेक्स्ट की जगह structured output (intent, handover, reply) माँगें, और फ़ील्ड्स के आधार पर काम करें; मुफ़्त JSON schema generator एक उदाहरण जवाब से schema लिख देता है। BroadNet के टेस्ट में Qwen3.8 27B ने खाड़ी और मिस्री बोलियाँ समझीं और धाराप्रवाह अरबी लिखी; DeepSeek V4.1 Flash प्रति टोकन सस्ता है और BroadNet के unlimited प्लान का मॉडल है। दोनों जवाब से पहले reasoning करते हैं, इसलिए max_tokens में जगह छोड़ें। बोलियों को संभालना LLM के साथ खाड़ी, मिस्री और लेवेंटाइन अरबी में गहराई से कवर है।
4. Sender
जवाब आपके phone number id के लिए Cloud API के messages endpoint से जाते हैं। बातचीत वाले जवाबों के लिए सादा टेक्स्ट भेजें। WhatsApp फ़ॉर्मैटिंग (bold, सूचियाँ) दिखती है, लेकिन Markdown तालिकाएँ और शीर्षक नहीं, इसलिए मॉडल से कहें कि उन्हें न बनाए।
5. Store
बातचीत की स्थिति (ज़्यादातर सपोर्ट बॉट के लिए आख़िरी दस turns काफ़ी हैं), ग्राहक की opt-in स्थिति, और बॉट ने क्या भेजा और क्यों, इसका audit log रखें। ज़रूरत से ज़्यादा न सहेजें: वॉइस नोट की ट्रांसक्रिप्ट में अक्सर नाम, पते और सेहत की जानकारी होती है।
Chatbot पर WhatsApp पॉलिसी के कौन-से नियम लागू होते हैं?
WhatsApp इस बारे में सख़्त है कि बिज़नेस इसे कैसे इस्तेमाल करें, और ये नियम आपके ग्राहकों जितना ही आपके नंबर को भी बचाते हैं। लॉन्च से पहले WhatsApp Business Messaging Policy पढ़ें। व्यवहार में:
- पहले opt-in। पॉलिसी आपको सिर्फ़ उन्हीं लोगों से संपर्क करने देती है जिन्होंने आपको अपना नंबर दिया और WhatsApp पर आपसे सुनने के लिए opt-in किया। ग्राहक का आपको लिखना मार्केटिंग की सहमति नहीं है।
- बिना माँगे मैसेज नहीं। पॉलिसी कहती है: “Do not confuse, deceive, defraud, mislead, spam, or surprise people with your communications.” (अनुवाद: अपने संदेशों से लोगों को भ्रमित न करें, धोखा न दें, ठगें नहीं, गुमराह न करें, स्पैम न करें या चौंकाएँ नहीं।) जिन लोगों ने आपसे संपर्क या opt-in नहीं किया, उन्हें पहला मैसेज कभी न भेजें।
- 24 घंटे की customer service window का सम्मान करें। ग्राहक के आख़िरी मैसेज के 24 घंटे के अंदर खुले जवाब की अनुमति है। उसके बाहर आप सिर्फ़ मंज़ूर message templates भेज सकते हैं।
- इंसान का विकल्प दें। 24 घंटे की window में ऑटोमेटेड जवाब की अनुमति है, लेकिन पॉलिसी किसी इंसान तक “prompt, clear, and direct escalation paths” (अनुवाद: तुरंत, साफ़ और सीधे escalation रास्ते) माँगती है।
- opt-out का सम्मान करें। पॉलिसी कहती है कि आपको block, बंद करने या opt-out के हर अनुरोध का सम्मान करना होगा। “stop” या “توقف” को भी ऐसा ही अनुरोध मानें।
एक नियम और है, जो Meta का नहीं, हमारा है: नए कॉन्टैक्ट को पहले जवाब सादे रखें। बिना URL वाला छोटा, सादा टेक्स्ट जवाब सबसे सुरक्षित है। किसी अनजान बिज़नेस के लिंक से भरे मैसेज उपयोगकर्ताओं को स्पैम लगते हैं, और वे आपको block और report कर सकते हैं। लिंक बाद में भेजें, जब ग्राहक माँगे।
अरबी WhatsApp बॉट चलाने की लागत कितनी है?
Speech to text का बिल प्रति ऑडियो मिनट बनता है। BroadNet Transcribe Arabic के साथ:
| मात्रा | लागत |
|---|---|
| वॉइस नोट का एक मिनट | $0.0042 |
| वॉइस नोट का एक घंटा | $0.25 |
| 30 सेकंड के 10,000 वॉइस नोट | $21.00 |
LLM जवाबों का बिल उपयोग के अनुसार भुगतान पर प्रति टोकन बनता है: प्रति 1M टोकन, Qwen3.8 27B $0.175 इनपुट और $2.17 आउटपुट है, और DeepSeek V4.1 Flash $0.175 इनपुट और $0.52 आउटपुट। दस turns की history वाला एक सपोर्ट जवाब reasoning सहित कुछ हज़ार टोकन का होता है, इसलिए एक जवाब की लागत ऊपर की प्रति-1M कीमतों के कुछ हज़ारवें हिस्से जितनी होती है। महीने का आँकड़ा पाने के लिए अपने मैसेज की मात्रा मुफ़्त LLM API लागत कैलकुलेटर में डालें। अगर बॉट पूरे दिन DeepSeek V4.1 Flash पर चलता है, तो pricing पेज पर $60 वाले Full Moon प्लान से तुलना करें।
वॉइस नोट निजी कैसे रखें?
वॉइस नोट किसी बिज़नेस के पास आने वाले सबसे निजी डेटा में से हैं। BroadNet Inference अनुरोध के बाद ऑडियो, प्रॉम्प्ट या ट्रांसक्रिप्ट नहीं रखता (देखें zero data retention), लेकिन यह सिर्फ़ inference चरण को कवर करता है। तय करें कि आपकी अपनी queue, logs और डेटाबेस ट्रांसक्रिप्ट कितने समय तक रखेंगे, और प्रोसेसिंग के बाद media फ़ाइलें मिटा दें।
लॉन्च चेकलिस्ट
- webhook signature verified, प्रोसेसिंग से पहले 200 लौटाया गया।
- WhatsApp message id पर idempotency।
- वॉइस नोट WAV में बदले गए और
language=arके साथ ट्रांसक्राइब किए गए। - worker pool आपकी rate limits के हिसाब से, 429 पर backoff के साथ।
- system प्रॉम्प्ट बोली, भाषा-रूप, लंबाई और “कोई लिंक नहीं” तय करता है।
- इंसान को हैंडओवर का रास्ता, टेस्ट किया हुआ।
- opt-in दर्ज; कोई बिना माँगा मैसेज नहीं; 24 घंटे की window के बाहर सिर्फ़ templates।
- ट्रांसक्रिप्ट तय समय पर मिटाई जाती हैं।
अगर आपको जवाब देने वाला बॉट नहीं, सिर्फ़ वॉइस नोट से टिकट बनाने हैं, तो बिज़नेस के लिए वॉइस नोट से टेक्स्ट वह सरल पाइपलाइन कवर करता है।
