---
title: "n8n で WhatsApp ボイスメッセージを文字起こしする手順 | BroadRouter"
description: "WhatsApp のボイスメッセージを受け取り、Meta からダウンロードし、ffmpeg で変換して、アラビア語またはほかの 13 言語で文字起こしする n8n ワークフローです。"
url: https://broadrouter.com/ja/guides/n8n-whatsapp-voice-note-transcription/
lang: ja
updated: 2026-11-16
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/guides/n8n-whatsapp-voice-note-transcription/)（2026-11-16 更新）。

# n8n で WhatsApp のボイスメッセージを文字起こしする

更新日 2026-11-16

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](https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/)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。

```dockerfile
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](https://broadrouter.com/downloads/n8n-whatsapp-voice-note-transcription.json)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。

```bash
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。

```bash
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](https://broadrouter.com/ja/guides/n8n-openai-compatible/)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](https://broadrouter.com/ja/guides/errors-and-retries/)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](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)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](https://broadrouter.com/data/speech-to-text-api-prices/)もご覧ください。

## このガイドの用語

[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。

[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。

[API キー（API key）](https://broadrouter.com/ja/glossary/api-key/)

API キーとは、API を呼び出すクライアントを識別し、認可するための秘密の文字列です。LLM API では通常 Authorization: Bearer ヘッダーで送り、キーを持つ人は誰でも、そのキーの所有アカウントに課金されるリクエストを送れます。

[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。

## 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。

## 関連ガイド

-   [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/)
-   [n8n で BroadNet Inference を使う（OpenAI 認証情報と Base URL）](https://broadrouter.com/ja/guides/n8n-openai-compatible/)
-   [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/)
-   [BroadNet Inference のエラーコードとリトライすべき場合](https://broadrouter.com/ja/guides/errors-and-retries/)
-   [BroadNet Inference で使えるすべてのツール（英語）](https://broadrouter.com/integrations/)：SDK、コーディングエージェント、チャット UI、自動化ツールと、それぞれの正確な設定

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-guides-n8n-whatsapp-voice-note-transcription&utm_content=page-cta) ·

**出典**

-   [n8n ドキュメント、WhatsApp Trigger ノード（イベント、アプリごとに webhook は 1 つ。2026-11-14 確認）](https://docs.n8n.io/integrations/builtin/trigger-nodes/n8n-nodes-base.whatsapptrigger/)
-   [n8n ドキュメント、WhatsApp Business Cloud ノード（Media の操作。2026-11-14 確認）](https://docs.n8n.io/integrations/builtin/app-nodes/n8n-nodes-base.whatsapp/)
-   [n8n ソースコード、WhatsApp のメディア操作（Download はメディア URL を返す。2026-11-14 確認）](https://github.com/n8n-io/n8n/blob/master/packages/nodes-base/nodes/WhatsApp/MediaDescription.ts)
-   [n8n ソースコード、WhatsApp Trigger の出力（webhook の change value ごとに 1 アイテム。2026-11-14 確認）](https://github.com/n8n-io/n8n/blob/master/packages/nodes-base/nodes/WhatsApp/WhatsAppTrigger.node.ts)
-   [n8n ドキュメント、HTTP Request ノード（Form-Data、n8n Binary File、Response Format File。2026-11-14 確認）](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.httprequest/)
-   [n8n ドキュメント、Execute Command ノード（セルフホストのみ、n8n 2.0 からデフォルトで無効、Docker の例。2026-11-14 確認）](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.executecommand/)
-   [n8n ドキュメント、ノードのブロック（NODES\_EXCLUDE。2026-11-14 確認）](https://docs.n8n.io/hosting/securing/blocking-nodes/)
-   [n8n ドキュメント、Read/Write Files from Disk（N8N\_RESTRICT\_FILE\_ACCESS\_TO のデフォルト。2026-11-14 確認）](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.readwritefile/)
-   [Meta WhatsApp Cloud API、メディア（ダウンロードにはアクセストークンが必要、URL の有効期間は 5 分。2026-11-14 確認）](https://developers.facebook.com/docs/whatsapp/cloud-api/reference/media)
-   [Meta WhatsApp Cloud API、音声メッセージ（ボイスメッセージは Opus の OGG。2026-11-14 確認）](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [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-guides-n8n-whatsapp-voice-note-transcription&utm_content=sources#requests)
