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。
