BroadRouter

WhatsApp のボイスメッセージを API で文字起こしする

更新日

WhatsApp のボイスメッセージは .ogg ファイルに入った Opus 音声で、文字起こしエンドポイントはそのままでは受け付けません。ffmpeg で 1 件ずつ 16 kHz モノラルの WAV に変換し、適切な language フィールドを付けて BroadNet Transcribe Arabic か BroadNet Transcribe に送ります。短いスクリプトでフォルダー全体をまとめて処理できます。

チャットからボイスメッセージをエクスポートする(または WhatsApp Business 連携で受け取る)と、手元には .ogg ファイルが残ります。Meta の Cloud API ドキュメントによると、WhatsApp のボイスメッセージは Opus コーデックでエンコードされた .ogg ファイルです。スマートフォンの録音は .m4a であることが多くあります。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、まず変換します。

1. 1 つのファイルを変換する

ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav

-ar 16000 -ac 1 で 16 kHz モノラルの音声になります。BroadNet のドキュメントがボイスメッセージや通話録音に使っている変換です。同じコマンドは .m4a にも使えます。16 kHz・モノラル・16 ビットの WAV は 1 秒あたり 32,000 バイトなので、26,214,400 バイトのファイル上限に収まるのは約 13 分です。それより長い録音は、音声分割ツールで必要な分割数を計算し、ffmpeg コマンドを生成できます。

2. フォルダー全体を文字起こしする

import os, pathlib, subprocess
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

for src in sorted(pathlib.Path("voice-notes").glob("*.ogg")):
    wav = src.with_suffix(".wav")
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", str(src), "-ar", "16000", "-ac", "1", str(wav)], check=True)
    with open(wav, "rb") as audio:
        text = client.audio.transcriptions.create(
            model="broadnet/cohere-transcribe-arabic",
            file=audio,
            language="ar",          # use "en", "es", ... with broadnet/cohere-transcribe
        ).text
    src.with_suffix(".txt").write_text(text, encoding="utf-8")
    print(src.name, "->", text[:60])

各 .txt は元のボイスメッセージと同じ場所に保存されます。WhatsApp Business で受信するメッセージごとに同じ処理を自動で実行するには、n8n の WhatsApp ボイスメッセージ ワークフローを参照してください。

料金

1 分のボイスメッセージの料金は、アラビア語モデルで $0.0042、14 言語対応モデルで $0.002 です。音声と文字起こし結果はリクエスト後に保持されません。ゼロデータ保持を参照してください。

トラブルシューティング

  • アラビア文字ではなくラテン文字で返ってくる: language="ar" を追加してください。BroadNet のドキュメントでは、language を常に送るよう案内されています。

  • 413 エラー: ファイルが 26,214,400 バイト(25 MiB)を超えています。長い録音は 10 分ずつの WAV に分割します。

    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
  • アップロードで 400 または 422: ファイルが本当に WAV か MP3 か、.wav に名前を変えただけの .ogg ではないかを確認し、ffmpeg で変換してください。

  • ffmpeg: command not found: パッケージマネージャーで ffmpeg をインストールしてください(例:apt install ffmpeg または brew install ffmpeg)。

  • 429 エラー: 従量課金キーで同時に処理できるリクエストは 4 件です。小さな並列数でファイルを処理してください。BroadNet のすべてのエラーコードも参照してください。

モデル、形式、精度の詳細はアラビア語音声認識(文字起こし)ガイドにあります。ほかのプロバイダーの音声 1 分あたりの料金を比べるには、公開中の音声認識 API 料金インデックスをご覧ください。すべての価格に出典と日付が付いています。音声に 16 kHz で十分な理由はサンプリングレートで解説しています。

よくある質問

WhatsApp のボイスメッセージの音声形式は何ですか?

Ogg コンテナに入った Opus 音声で、.ogg として保存されます。Meta の Cloud API ドキュメントによると、ボイスメッセージは Opus コーデックでエンコードされた .ogg ファイルで、モノラルのみです。

.ogg ファイルをそのまま文字起こし API に送れますか?

BroadNet Inference には送れません。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、先に ffmpeg でボイスメッセージを変換してください。1 つのコマンドで 16 kHz モノラルの WAV になります。

文字起こしの後、ボイスメッセージは保存されますか?

BroadNet によると、音声と文字起こし結果はリクエストの処理にだけ使われ、保持されません。残るのは処理時間、ステータス、使用量など内容を含まない記録だけで、課金とセキュリティに使われます。

アラビア語のボイスメッセージにはどのモデルを使えばよいですか?

BroadNet Transcribe Arabic(broadnet/cohere-transcribe-arabic)を使い、language を ar に設定します。対応するほかの 13 言語には BroadNet Transcribe(broadnet/cohere-transcribe)を使います。

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