---
title: "WhatsApp ボイスメッセージ（.ogg）を API で文字起こし | BroadRouter"
description: "WhatsApp の .ogg ボイスメッセージやスマートフォンの .m4a 録音を ffmpeg で WAV に変換し、1 回の API 呼び出しでアラビア語ほか 13 言語に文字起こしします。"
url: https://broadrouter.com/ja/guides/transcribe-whatsapp-voice-notes/
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/transcribe-whatsapp-voice-notes/)（2026-11-16 更新）。

# WhatsApp のボイスメッセージを API で文字起こしする

更新日 2026-11-16

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

```bash
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](https://broadrouter.com/tools/audio-splitter-ffmpeg/)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

```python
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](https://broadrouter.com/ja/guides/n8n-whatsapp-voice-note-transcription/)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](https://broadrouter.com/ja/privacy/)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。
    
    ```bash
    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](https://broadrouter.com/ja/guides/errors-and-retries/)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](https://broadrouter.com/ja/guides/arabic-speech-to-text-api/)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](https://broadrouter.com/data/speech-to-text-api-prices/)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](https://broadrouter.com/ja/glossary/sample-rate/)で解説しています。

## このガイドの用語

[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。

[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。

[同時実行数（concurrency）](https://broadrouter.com/ja/glossary/concurrency/)

同時実行数（concurrency）とは、クライアントが同時に処理中にしているリクエストの数です。開いているリクエストは応答が終わるまで GPU の容量を占有するため、LLM API は毎分リクエスト数とは別に、キーやプランごとにこれを制限することがよくあります。

[ツール呼び出し（Function Calling、tool calling）](https://broadrouter.com/ja/glossary/tool-calling/)

ツール呼び出し（Function Calling とも呼ばれます）とは、開発者が定義した関数の実行を求める構造化されたリクエストを、モデルが JSON の引数付きで返す LLM API の機能です。関数を実行して結果を返すのはアプリケーションで、モデル自身がコードを実行することはありません。

[従量課金（pay-as-you-go）](https://broadrouter.com/ja/glossary/pay-as-you-go/)

従量課金とは、使った分だけを支払う料金体系です。トークン、リクエスト、音声の分数などの単位で計測され、サブスクリプションや最低利用額はありません。多くの LLM API はこの方式で、前払いの残高か定期的な請求書から支払います。

## 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。

## 関連ガイド

-   [n8n で WhatsApp のボイスメッセージを文字起こしする](https://broadrouter.com/ja/guides/n8n-whatsapp-voice-note-transcription/)
-   [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/)

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-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**出典**

-   [BroadNet Inference API リファレンス：文字起こしと ffmpeg による変換（英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [BroadNet Inference 料金（英語）](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API：音声メッセージ（ボイスメッセージは Opus コーデックの OGG；2026-11-14 確認）](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [FFmpeg フォーマットのドキュメント：segment マルチプレクサー（2026-11-14 確認）](https://ffmpeg.org/ffmpeg-formats.html#segment)
