BroadRouter

n8n で WhatsApp のボイスメッセージを文字起こしする

更新日

n8n のノードを 8 つ使います。Messages を受け取る WhatsApp Trigger、音声だけを通す If ノード、メディア URL を取得する WhatsApp の Download 操作、.ogg ファイルを取得する HTTP Request、それを保存する Read/Write Files ノード、WAV に変換する Execute Command ノードの ffmpeg、WAV を読み込む 2 つ目の Read/Write Files ノード、そして /v1/audio/transcriptions への HTTP Request です。ffmpeg を入れたセルフホストの n8n が必要です。

このワークフローは、届いた WhatsApp のボイスメッセージを n8n の中で 1 件ずつテキストにします。WhatsApp ボイスメッセージのガイドにあるスクリプトの n8n 版で、ffmpeg の変換も文字起こしの呼び出しも同じです。以下のノード名とオプションは 2026-11-14 に n8n のドキュメントとソースコードで確認しました。リンクは出典にあります。

必要なもの

  • セルフホストの n8n。 n8n のドキュメントによると、Execute Command ノードは n8n Cloud では使えず、n8n 2.0 からはデフォルトで無効になっています。
  • n8n のホストに ffmpeg。 Docker の場合、コマンドは Docker ホストではなく n8n のコンテナ内で実行されるので、ffmpeg はイメージに入っている必要があります。
  • n8n の WhatsApp Business Cloud 認証情報。WhatsApp Business Account を持つ Meta アプリに接続し、そのアプリのアクセストークンも用意します。
  • BroadNet の API キー。 新規アカウントにはカード登録なしで $5 の初回クレジットが付き、2 つの文字起こしモデルはどちらもこのクレジットで動きます。

n8n の準備:ffmpeg、Execute Command、ファイル用フォルダー

公式の n8n Docker イメージにはパッケージマネージャーがありません。n8n のドキュメントには、カスタムイメージで apk を復元して curl をインストールする方法が載っています。同じ Dockerfile で curl を ffmpeg に置き換えれば ffmpeg が入ります。

FROM n8nio/n8n
USER root

# Restore the apk package manager (removed from the base image)
COPY --from=alpine:3.22 /sbin/apk /sbin/apk
COPY --from=alpine:3.22 /lib/apk /lib/apk
COPY --from=alpine:3.22 /usr/lib/libapk* /usr/lib/

RUN apk add --no-cache ffmpeg
USER node

docker build -t n8n-ffmpeg . でビルドし、n8nio/n8n の代わりに n8n-ffmpeg を実行します。ffmpeg への置き換えは n8n の curl の例に私たちが加えた変更なので、一度 Execute Command ノードで ffmpeg -version を実行して確認してください。

次に、環境変数を 2 つ設定します。

変数 値 理由
NODES_EXCLUDE "[]" Execute Command はデフォルトでブロックされています。空のリストにするとブロックが解除されますが、n8n がデフォルトでブロックしているほかのノードもすべて解除されるので、ブロックしておきたいノードは追加し直してください。
N8N_RESTRICT_FILE_ACCESS_TO 設定しない n8n 2.0 からデフォルトは ~/.n8n-files です。公式イメージでは /home/node/.n8n-files で、以下ではこのフォルダーを使います。

ワークフローのノード一覧

# ノード 設定
1 WhatsApp Trigger Event:Messages
2 If {{ $json.messages?.[0]?.type ?? '' }} is equal to audio
3 WhatsApp Business Cloud Resource Media、Operation Download、Media ID {{ $json.messages[0].audio.id }}
4 HTTP Request GET {{ $json.url }}、ヘッダー Authorization: Bearer <WhatsApp access token>、Response Format File、Put Output in Field data
5 Read/Write Files from Disk Write File to Disk、パス /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg、Input Binary Field data
6 Execute Command 下記の ffmpeg コマンド
7 Read/Write Files from Disk Read File(s) From Disk、.wav のパス、Put Output File in Field data
8 HTTP Request 文字起こしエンドポイントへの POST(下記)

ノード 5 から 7 があるのは、Execute Command がシェルコマンドを実行するだけで n8n のバイナリデータを受け取らないためです。ファイルをいったんディスクに書き出し、また読み戻します。

手で組まずにワークフローをインポートする

n8n の JSON 形式のワークフローをダウンロードし(8 ノード、アラビア語向けに設定済み)、n8n の Import from File でインポートします。キーやトークンは含まれていません。ログインが必要な各ノードには、名前が REPLACE: で始まるプレースホルダーの認証情報が入っています。その 4 つのノードを開いて、自分の認証情報を選んでください。ノードのタイプ名とパラメーター名は 2026-11-14 に n8n のソースコードで確認しました。以下で各ノードを説明しているので、手で組むこともできます。

1–2. メッセージで起動し、音声だけを残す

n8n のソースコードでは、WhatsApp Trigger は Meta の webhook の change ごとに 1 アイテムを出力し、メッセージの一覧は messages の下に入っています。テキスト、画像、ボイスメッセージはすべて Messages イベントで届くので、If ノードは最初のメッセージの type が audio のアイテムだけを通します。配信通知や既読通知も同じイベントで届きますが、messages の一覧がありません。?? '' がこの欠けた値を空文字列にするので、厳密な型チェックがそれらで失敗することはありません。

WhatsApp では、アプリごとに登録できる webhook URL は 1 つだけです。n8n のドキュメントは、トリガーのテスト用 URL と本番用 URL を切り替えると上書きされ、もう一方の URL にはイベントが届かなくなると注意しています。

3–4. Meta からボイスメッセージをダウンロードする

WhatsApp ノードの Download 操作は、メディア ID で Meta のメディアエンドポイントを呼び、音声そのものではなく url を含む JSON を返します。Meta のドキュメントによると、この URL の有効期間は 5 分で、アクセストークンがないとダウンロードに失敗します。そこで次の HTTP Request ノードが、Authorization ヘッダーにトークンを付けて {{ $json.url }} を取得し、レスポンスをファイルとして data フィールドに保存します。n8n では、トークンをノードに直接入力せず、Header Auth の認証情報(名前 Authorization、値は Bearer に続けてトークン)に保存してください。

5–7. ffmpeg で WAV に変換する

ファイルをディスクに書き出し(ノード 5)、Execute Command ノード(ノード 6)で変換します。

ffmpeg -y -loglevel error -i /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg -ar 16000 -ac 1 /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.wav

-ar 16000 -ac 1 で 16 kHz モノラルの WAV になります。BroadNet のドキュメントがボイスメッセージに使っている変換と同じです。メディア ID は数字なので、ファイル名に使っても安全です。ノード 7 が .wav ファイルを data フィールドに読み戻します。

8. 文字起こしする

BroadNet 用にもう 1 つ Header Auth の認証情報(名前 Authorization、値は Bearer に続けて BroadNet のキー)を作成します。そして最後の HTTP Request ノードを設定します。

フィールド 値
Method POST
URL https://inference.broadnet.ai/v1/audio/transcriptions
Authentication Generic Credential Type、Header Auth、BroadNet の認証情報
Send Body オン、Body Content Type は Form-Data
Body パラメーター model broadnet/cohere-transcribe-arabic(ほかの 13 言語は broadnet/cohere-transcribe)
Body パラメーター language ar(または en、es など)
Body パラメーター file Parameter Type は n8n Binary File、Input Data Field Name は data

レスポンスは JSON で、文字起こし結果は text に入っているので、後続のノードでは {{ $json.text }} を読みます。次の curl と同じリクエストです。

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

language は必ず送ってください。指定しないと、アラビア語がラテン文字に音写されて返ってくることがあります。

テキストの活用

CRM やヘルプデスクに保存したり、チャットモデルに渡してメッセージを要約・分類したりできます。n8n の OpenAI 互換ガイドでは、同じキーで n8n の OpenAI Chat Model ノードを BroadNet に向ける方法を説明しています。後片付けには、最後に Execute Command ノードを追加し、そのメディア ID の 2 つのファイルを削除してください。

トラブルシューティング

  • トリガーに何も届かない。 ワークフローが本番用 URL で公開されているか、Meta アプリが WhatsApp Business Account にサブスクライブされているかを確認してください。n8n のドキュメントによると、n8n はこのサブスクリプションを作成しません。
  • メディアのダウンロードが 404 になる。 URL が 5 分で期限切れになっています。Meta のドキュメントは、新しいメディア URL を取得し直し、それでも失敗する場合はアクセストークンを更新するよう案内しています。
  • 「Unrecognized node type」(訳:認識できないノードタイプ)が出る、または Execute Command が見つからない。 n8n 2.0 からデフォルトでブロックされています。NODES_EXCLUDE を設定してください。
  • ffmpeg: not found。 イメージに ffmpeg がありません。上記のカスタムイメージをビルドしてください。
  • ファイルへのアクセスが許可されない。 /home/node/.n8n-files の下に書き出すか、使うフォルダーを N8N_RESTRICT_FILE_ACCESS_TO に設定してください。
  • BroadNet から 400、413、429 が返る。 413 はファイルが 26,214,400 バイト(16 kHz モノラルの WAV で約 13 分)を超えていることを意味します。429 は同時のリクエストが多すぎることを意味します。BroadNet のエラーコードとリトライを参照してください。

精度、方言、BroadNet の料金とほかの音声認識 API との比較は、アラビア語音声認識ガイドで扱っています。20 以上の音声認識製品のバッチとストリーミングの定価を、出典と確認日付きでまとめた公開の音声認識 API 料金インデックスもご覧ください。

よくある質問

このワークフローは n8n Cloud で動きますか?

このままでは動きません。n8n のドキュメントによると Execute Command ノードは n8n Cloud では使えず、変換のステップには n8n を動かすマシンに ffmpeg が必要です。n8n Cloud では、自分で管理する外部サービスで音声を変換し、HTTP Request ノードから呼び出してください。

WhatsApp の .ogg ファイルをそのまま文字起こしエンドポイントに送れないのはなぜですか?

WhatsApp のボイスメッセージは Ogg コンテナに入った Opus 音声です。BroadNet の文字起こしエンドポイントが受け付けるのは WAV と MP3 なので、ワークフローではまず ffmpeg で各メッセージを 16 kHz モノラルの WAV に変換します。

WhatsApp の Download 操作で音声ファイルが返ってこないのはなぜですか?

n8n のソースコードでは、Download 操作は Meta の GET メディアエンドポイントを呼び、一時的な URL を含む JSON オブジェクトを返します。2 つ目の HTTP Request ノードが、WhatsApp のアクセストークンを付けてその URL を取得します。Meta によると URL の有効期間は 5 分です。

ワークフローを公開したあと WhatsApp Trigger に何も届かないのはなぜですか?

WhatsApp ではアプリごとに webhook URL を 1 つしか登録できないため、n8n のテスト用 URL と本番用 URL を切り替えると上書きされます。また n8n のドキュメントにあるとおり、n8n は Meta アプリを WhatsApp Business Account にサブスクライブしてくれません。Meta の Subscribed Apps API でサブスクリプションを確認してください。

この方法で WhatsApp のボイスメッセージを文字起こしすると費用はいくらですか?

BroadNet は音声 1 分単位で課金します。BroadNet Transcribe Arabic は $0.0042、BroadNet Transcribe は $0.002 です。30 秒のアラビア語のボイスメッセージ 10,000 件で $21.00 です。n8n と Meta の料金は別途かかります。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く