---
title: "ボイスメッセージ文字起こし：WhatsApp・Telegram をチケット化 | BroadRouter"
description: "WhatsApp Business と Telegram ボットに届く顧客のボイスメッセージを、文字起こしとサポートチケットに変えます。ダウンロード、文字起こし、LLM による項目抽出、振り分けまで。"
url: https://broadrouter.com/ja/blog/voice-notes-to-text-for-business/
lang: ja
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。[英語の原文を読む](https://broadrouter.com/blog/voice-notes-to-text-for-business/)（2026-11-16 更新）。

# ビジネス向けボイスメッセージの文字起こし：WhatsApp と Telegram からチケットへ

BroadNet Inference チーム · 約 4 分で読めます · 公開日 2026-11-14 · 更新日 2026-11-16

顧客のボイスメッセージをチケットにするには、Webhook が届いたらすぐに WhatsApp Cloud API か Telegram Bot API から音声をダウンロードし、WAV に変換して正しい言語コードで文字起こしし、LLM に用件、緊急度、注文番号を JSON で抽出させます。文字起こしを添付してチケットを作成し、テキストで返信します。

## 要点

-   ダウンロードは素早く。WhatsApp のメディア URL は 5 分、Webhook のメディア ID は 7 日で期限切れになります。
-   Telegram ボットは最大 20 MB のファイルを、少なくとも 1 時間有効なリンクからダウンロードできます。
-   文字起こしは安いステップです。30 秒のアラビア語ボイスメッセージ 10,000 件で $21.00 です。
-   LLM は、とりとめのないメッセージをチケットの項目に変えます。用件、緊急度、注文番号、言語、1 行の要約です。
-   音声を保存する理由がない限り、残すのは文字起こしだけにして、音声は残さないでください。

**このページの内容**

1.  ボイスメッセージはどうやってサポートチケットになりますか？
2.  ステップ 1 と 2：WhatsApp から音声を取り出すには？
3.  Telegram ボットからボイスメッセージを取り出すには？
4.  ステップ 5：文字起こしをチケットにするには？
5.  早めに対処すべきエッジケースは？
6.  チームが得られるもの
7.  ボイスメッセージの文字起こしにはいくらかかりますか？
8.  プライバシーと保存期間はどう扱うべきですか？
9.  BroadNet Inference の位置づけ

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

中東の多くの地域では、顧客は文字を打ちません。湾岸方言やエジプト方言のアラビア語で 40 秒のボイスメッセージを送り、途中で注文番号を読み上げることもよくあります。担当者はそれを聞き、巻き戻し、ヘルプデスクに入力します。1 日に数百件となれば、ボイスメッセージは最も遅いチャネルになります。

この記事では、文字起こしを中心にした業務フローを組み立てます。WhatsApp と Telegram からメッセージを取り出し、構造化されたチケットに変え、データを管理下に置くまでです。変換と文字起こしのコードそのものは、ステップごとのガイド[WhatsApp ボイスメッセージの文字起こし](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)を参照してください。ここでは繰り返しません。

## ボイスメッセージはどうやってサポートチケットになりますか？

1.  WhatsApp または Telegram から Webhook を**受信**する。
2.  音声をすぐに**ダウンロード**する。
3.  16 kHz モノラル WAV に**変換**する。
4.  正しい言語コードで**文字起こし**する。
5.  LLM でチケットの項目を**抽出**する。
6.  文字起こし付きのチケットを**作成**し、テキストで返信する。
7.  音声ファイルを**削除**する。

## ステップ 1 と 2：WhatsApp から音声を取り出すには？

WhatsApp Business Cloud API では、受信したボイスメッセージはファイルではなく、メディア ID 付きの Webhook として届きます。Meta の[メディアのドキュメント](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)が定めるルールは次のとおりです。

-   Graph API で `GET /<MEDIA_ID>` を呼び、`url` を取得する。
-   その URL を `Authorization: Bearer <token>` 付きでダウンロードする。トークンがないとリクエストは失敗します。
-   “Media URLs expire after 5 minutes.”（訳：メディア URL は 5 分で期限切れになる。）遅れたら新しい URL を取得し直してください。
-   受信 Webhook のメディア ID の有効期間は **7 日**です。

```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)
```

これは後でバッチ処理するのではなく、Webhook ハンドラーのバックグラウンドジョブで行ってください。1 時間に 1 回動くキューでは、期限切れの URL に当たります。

## Telegram ボットからボイスメッセージを取り出すには？

Telegram ボットは `file_id` 付きの `voice` オブジェクトを受け取ります。[Bot API](https://core.telegram.org/bots/api#getfile) によると、ボットは `https://api.telegram.org/file/bot<token>/<file_path>` 経由で “can download files of up to 20MB”（訳：最大 20MB のファイルをダウンロードできる）、リンクは “valid for at least 1 hour”（訳：少なくとも 1 時間有効）です。

```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)
```

実際には、どちらのプラットフォームも Ogg/Opus のボイスメッセージを届けます。文字起こしエンドポイントは WAV か MP3 を受け付けるので、[WhatsApp ガイド](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)にある 1 行の ffmpeg コマンドで変換し、`language="ar"`（または顧客の言語）で文字起こししてください。

## ステップ 5：文字起こしをチケットにするには？

生の文字起こしのままでは、まだ振り分けが大変です。LLM ならヘルプデスクに必要な項目を取り出せます。

```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)
```

[Qwen3.8 27B](https://broadrouter.com/ja/models/qwen3.8-27b/) は、湾岸方言やエジプト方言を含むアラビア語で BroadNet がテストしたモデルです。ヘルプデスクに書き込む前に JSON を検証し、パースに失敗したら `needs_human: true` にフォールバックしてください。[構造化出力の記事](https://broadrouter.com/ja/blog/structured-output-json-schema/)に検証と修復のループがあります。メッセージでカード番号や身分証番号に触れている場合は、このステップの前にマスキングしてください。[LLM API に機密データを送る](https://broadrouter.com/ja/blog/llm-api-sensitive-data/)を参照してください。

## 早めに対処すべきエッジケースは？

実際の受信箱はデモよりずっと雑然としています。最初の週から次のケースに備えてください。

-   **連続した複数のメッセージ。** 顧客は長いメッセージ 1 件ではなく、短いメッセージを 3 件送ることがよくあります。同じ送信者から数分以内に届いたメッセージは 1 つのチケットにまとめ、順番どおりに文字起こしします。
-   **ごく短いメッセージ。** 「オーケー」や「ありがとう」のメッセージにチケットは不要です。文字起こしが数語に満たなければ抽出を飛ばします。
-   **転送されたメッセージ。** 転送されたボイスメッセージは、別の人が話しているかもしれません。顧客自身の言葉ではなく、添付ファイルとして扱ってください。
-   **言語の混在。** 湾岸地域の顧客は英語の製品名を混ぜて話します。キューが複数の言語を扱うなら、各文字起こしに送信時の言語を記録し、担当者が何を予想すればよいか分かるようにします。
-   **大きなファイル。** Meta のメディアのドキュメントは音声の上限を 16 MB、Telegram ボットは最大 20 MB のダウンロードとしており、どちらも文字起こしの上限 25 MiB を下回りますが、長い録音はやはり時間がかかります。バックグラウンドで処理してください。

## チームが得られるもの

| 導入前 | 導入後 |
| --- | --- |
| 担当者がメッセージを 1 件ずつ、しばしば 2 回聞く | 担当者は文字起こしと 1 行の要約を読む |
| メッセージを検索できない | 文字起こしを注文番号やキーワードで検索できる |
| 手の空いた人が振り分ける | 用件と緊急度で振り分ける |
| アラビア語のメッセージはアラビア語話者を待つ | 英語の要約があるので、簡単な案件は誰でも対応できる |

## ボイスメッセージの文字起こしにはいくらかかりますか？

文字起こしはパイプラインの中で安い部分です。1 分 $0.0042 で、30 秒のアラビア語ボイスメッセージ 10,000 件は $21.00 です。14 言語対応のモデルは 1 分 $0.002 です。LLM のステップはトークン単位の料金で、短い文字起こしと指示を合わせても通常は数百トークンです。自分の件数を[音声認識コスト計算ツール](https://broadrouter.com/tools/speech-to-text-cost-calculator/)に入れるか、[音声認識 API の料金比較](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)で他のプロバイダーと比べてください。

## プライバシーと保存期間はどう扱うべきですか？

ボイスメッセージは個人データであり、顧客が伝えるつもりだった以上の内容を含むことがよくあります。3 つの習慣が役立ちます。

-   **文字起こし後に音声を削除する。** ポリシーで保存が求められている場合は除きます。
-   **文字起こしはチケットと一緒に保存する。** アプリのログではなく、ヘルプデスクのアクセス制御の下に置きます。
-   **音声を保持しないプロバイダーを使う。** BroadNet はリクエスト後に音声も文字起こしも保持しません。[ゼロデータ保持](https://broadrouter.com/ja/privacy/)を参照してください。

返信はプレーンテキストで行い、新しい連絡先への最初の返信は短く、リンクを含めないでください。メッセージングプラットフォームは、ビジネス番号からのスパムのようなパターンを監視しています。

## BroadNet Inference の位置づけ

BroadNet は、文字起こしと抽出のステップを 1 つの OpenAI 互換キーでカバーします。アラビア語のメッセージには [BroadNet Transcribe Arabic](https://broadrouter.com/ja/models/cohere-transcribe-arabic/)、アラビア語と他の 13 言語には BroadNet Transcribe、チケットの項目にはアラビア語でテストされたチャットモデルです。BroadNet は自社のアラビア語モデルを Open Universal Arabic ASR Leaderboard で 37 件中 2 位（2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位） と報告しています。$5 の初回クレジットで、アラビア語音声を約 1,190 分文字起こしできます。

BroadNet が WhatsApp、Telegram、ヘルプデスクとの接続を代行するわけではありません。Webhook の処理とチケットの作成は、自分のコードか自動化ツールで行います。通話は話者が 2 人で録音も長く、別の種類の問題です。[コールセンター録音の文字起こし](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)を参照してください。

関連する無料ツール（英語）

-   [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.

[無料ツール（英語）](https://broadrouter.com/tools/)

## この記事の用語

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

Ogg Opus とは、Opus コーデック（RFC 6716）で符号化し、Ogg コンテナ（RFC 7845）に格納した音声です。低ビットレートでの音声や双方向の音声向けに設計されており、WhatsApp がボイスメッセージに使う形式で、通常は .ogg または .opus ファイルです。

[トークン（token）](https://broadrouter.com/ja/glossary/token/)

トークンとは、言語モデルが読み書きするテキストの単位です。モデルのトークナイザーが作る単語、単語の一部、句読点、バイト列のいずれかにあたります。LLM API は利用量をトークンで数え、上限を設け、通常はトークン単位で課金します。

[音声認識（Speech-to-Text）](https://broadrouter.com/ja/glossary/speech-to-text/)

音声認識（Speech-to-Text）とは、話し言葉の音声を文字に変換する技術で、自動音声認識（ASR）とも呼ばれます。API は音声ファイルやストリームから文字起こしを返し、通常は音声 1 分単位で課金されます。精度は単語誤り率で測り、訛り、方言、録音品質で変わります。

[PII（個人を特定できる情報）](https://broadrouter.com/ja/glossary/pii/)

PII（個人を特定できる情報）とは、氏名、ID 番号、生体情報など個人の身元を識別・追跡できる情報と、その人に結び付いた、または結び付けうる情報です。GDPR ではより広い「個人データ」を使います。LLM では、プロンプトが社外に出る前に PII をマスキングします。

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

WAV（Waveform Audio File Format、WAVE とも）とは、Microsoft と IBM の RIFF 形式をベースにした音声コンテナです。通常は非圧縮のリニア PCM サンプルを格納するため、サイズは予測できます。1 秒あたりのバイト数は、サンプリングレート × サンプルあたりのバイト数 × チャンネル数です。

[アラビア語の方言（dialectal Arabic）](https://broadrouter.com/ja/glossary/dialectal-arabic/)

アラビア語の方言とは、エジプト、湾岸、レバント、マグリブなど、地域や都市で日常的に話されるアラビア語です。音、語彙、文法が現代標準アラビア語と異なり、標準的な綴りがなく、ネットで書かれることも増え、言語モデルには扱いにくい対象です。

[OpenAI 互換 API（OpenAI-compatible API）](https://broadrouter.com/ja/glossary/openai-compatible-api/)

OpenAI 互換 API とは、POST /v1/chat/completions など OpenAI API と同じリクエスト形式とレスポンス形式を受け付ける HTTP API です。OpenAI の SDK やツールは、ベース URL、API キー、モデル名を変えるだけで利用できます。

[コードスイッチング（code-switching）](https://broadrouter.com/ja/glossary/code-switching/)

コードスイッチングとは、同じ会話や同じ文の中で、話し言葉でも書き言葉でも 2 つ以上の言語、あるいは 1 つの言語の複数の変種を使うことです。アラビア語話者が方言に英単語を混ぜたり、現代標準アラビア語と方言を行き来したりするのがその例です。

## よくある質問

### WhatsApp のボイスメッセージを自動で文字起こしできますか？

できます。WhatsApp Business Cloud API では、ボイスメッセージはメディア ID 付きの Webhook として届きます。サーバーがメディア URL を取得し、アクセストークンでファイルをダウンロードして変換し、文字起こし API に送ります。

### Telegram の音声メッセージをテキストにするには？

ボットは file\_id 付きの voice オブジェクトを受け取ります。getFile を呼び、返されたパスからファイルをダウンロードし、ffmpeg で WAV に変換して文字起こしします。ボットがダウンロードできるのは最大 20 MB のファイルです。

### 顧客のボイスメッセージの文字起こしにはいくらかかりますか？

BroadNet Transcribe Arabic は 1 分 $0.0042 で、30 秒のメッセージ 10,000 件で $21.00 です。14 言語対応のモデルは 1 分 $0.002 です。

### ボイスメッセージにはボイスメッセージで返信すべきですか？

サポートでは、短いテキストの返信のほうがたいてい適しています。顧客はどこでも読めますし、双方で検索できます。最初の返信はシンプルで短くしてください。

### 元の音声を保存する必要はありますか？

多くの場合は不要です。ほとんどのサポート業務では文字起こしで足ります。品質管理や法的な理由で音声を残す場合は、保存期間を決めてアクセスを制限してください。音声は個人データだからです。

## 続けて読む

-   [アラビア語の会議録音から議事録を作る：API パイプライン](https://broadrouter.com/ja/blog/arabic-meeting-minutes-from-recordings/)
-   [アラビア語の音声認識 API：2026 年の選び方](https://broadrouter.com/ja/blog/arabic-speech-to-text-api-buyers-guide/)
-   [コールセンターの通話録音を文字起こしする：アラビア語対応のパイプライン](https://broadrouter.com/ja/blog/transcribe-call-center-recordings/)
-   [音声認識 API の料金比較：2026 年の 1 分あたりの価格](https://broadrouter.com/ja/blog/speech-to-text-api-pricing-compared/)
-   [機密データを LLM API に送るとき：マスキング、最小化、ログ削減](https://broadrouter.com/ja/blog/llm-api-sensitive-data/)
-   [ブラウザで録音して音声認識 API に送る方法](https://broadrouter.com/ja/blog/record-browser-audio-transcription-api/)
-   [LLM でアラビア語に母音記号を付ける：プロンプト、検証、DER](https://broadrouter.com/ja/blog/arabic-diacritization-llm/)
-   [LLM でアラビア語の文法・スペルを校正する方法](https://broadrouter.com/ja/blog/arabic-grammar-spelling-correction-llm/)
-   [ガイド：WhatsApp のボイスメッセージを API で文字起こしする](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)
-   [ガイド：アラビア語の音声認識 API を使う手順](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)

実際のワークロードで試してください。新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

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

**出典**

-   [Meta WhatsApp Cloud API、メディア（取得とダウンロード、2026-11-14 取得）](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API、getFile と Voice（2026-11-14 取得）](https://core.telegram.org/bots/api#getfile)
-   [BroadNet Inference API リファレンス、文字起こし（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [BroadNet Inference の機械可読な価格（pricing.json）（英語）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-blog-voice-notes-to-text-for-business&utm_content=sources)
