Em boa parte do Oriente Médio, os clientes não digitam. Mandam um áudio de 40 segundos em árabe do Golfo ou egípcio, muitas vezes com um número de pedido lido no meio. Os atendentes ouvem, voltam, e digitam tudo no helpdesk. Multiplique por algumas centenas por dia e os áudios viram o canal mais lento que você tem.
Este post monta o fluxo de negócio em torno da transcrição: tirar os áudios do WhatsApp e do Telegram, transformá-los em tickets estruturados e manter os dados sob controle. Para o código de conversão e transcrição em si, veja o nosso guia passo a passo para transcrever áudios do WhatsApp. Não vamos repeti-lo aqui.
Como um áudio vira um ticket de suporte?
- Receba o webhook do WhatsApp ou do Telegram.
- Baixe o áudio imediatamente.
- Converta para WAV mono de 16 kHz.
- Transcreva com o código de idioma certo.
- Extraia os campos do ticket com um LLM.
- Crie o ticket, com a transcrição, e responda por texto.
- Apague o arquivo de áudio.
Etapas 1 e 2: como tirar o áudio do WhatsApp?
Na WhatsApp Business Cloud API, um áudio recebido chega como um webhook com um ID de mídia, não com o arquivo. A documentação de mídia da Meta define as regras:
- Chame
GET /<MEDIA_ID>na Graph API para obter umaurl. - Baixe essa URL com
Authorization: Bearer <token>. Sem o token, a requisição falha. - “Media URLs expire after 5 minutes.” (tradução: as URLs de mídia expiram em 5 minutos). Se você se atrasar, peça uma nova.
- IDs de mídia de webhooks recebidos valem por 7 dias.
import os, requests
GRAPH = os.environ["GRAPH_BASE"] # e.g. https://graph.facebook.com/<version>
HDR = {"Authorization": f"Bearer {os.environ['WA_TOKEN']}"}
def download_whatsapp(media_id, path):
url = requests.get(f"{GRAPH}/{media_id}", headers=HDR, timeout=10).json()["url"]
with open(path, "wb") as f:
f.write(requests.get(url, headers=HDR, timeout=30).content)
Faça isso no job em segundo plano do handler do webhook, não depois, em lote. Uma fila que roda uma vez por hora vai encontrar URLs expiradas.
Como tirar áudios de um bot do Telegram?
Um bot do Telegram recebe um objeto voice com um file_id. A Bot API diz que bots “can download files of up to 20MB” (tradução: podem baixar arquivos de até 20 MB), via https://api.telegram.org/file/bot<token>/<file_path>, e que o link é “valid for at least 1 hour” (tradução: válido por pelo menos 1 hora).
TG = f"https://api.telegram.org/bot{os.environ['TG_TOKEN']}"
def download_telegram(file_id, path):
file_path = requests.get(f"{TG}/getFile", params={"file_id": file_id}, timeout=10).json()["result"]["file_path"]
with open(path, "wb") as f:
f.write(requests.get(f"https://api.telegram.org/file/bot{os.environ['TG_TOKEN']}/{file_path}", timeout=30).content)
Na prática, as duas plataformas entregam os áudios em Ogg/Opus. O endpoint de transcrição aceita WAV ou MP3, então converta com o comando de uma linha do ffmpeg do guia do WhatsApp e transcreva com language="ar" (ou o idioma do cliente).
Etapa 5: como transformar uma transcrição em ticket?
Uma transcrição bruta ainda é difícil de triar. Um LLM consegue extrair os campos de que o seu helpdesk precisa:
import json
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
FIELDS = ("Return JSON with: intent (refund|delivery|billing|technical|other), urgency (low|normal|high), "
"order_number (string or null), language, summary_en (one sentence), needs_human (true/false).")
def to_ticket(transcript):
reply = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[{"role": "system", "content": "You triage customer support voice notes. " + FIELDS},
{"role": "user", "content": transcript}],
).choices[0].message.content
return json.loads(reply)
O Qwen3.8 27B é o modelo que a BroadNet testou para árabe, inclusive os dialetos do Golfo e egípcio. Valide o JSON antes de gravá-lo no helpdesk e use needs_human: true como alternativa quando o parsing falhar; o post sobre saída estruturada tem um ciclo de validação e correção. Se um áudio menciona números de cartão ou de documento, mascare antes desta etapa; veja enviar dados sensíveis a uma API de LLM.
Quais casos especiais tratar logo?
Caixas de entrada reais são mais bagunçadas que uma demo. Planeje estes casos desde a primeira semana:
- Vários áudios seguidos. Clientes muitas vezes mandam três áudios curtos em vez de um longo. Agrupe num só ticket os áudios do mesmo remetente enviados com poucos minutos de diferença e transcreva na ordem.
- Áudios muito curtos. Áudios de “ok” ou “obrigado” não precisam de ticket. Pule a extração quando a transcrição tiver poucas palavras.
- Áudios encaminhados. Num áudio encaminhado, pode ser outra pessoa falando. Trate como anexo, não como palavras do próprio cliente.
- Idiomas misturados. Clientes do Golfo misturam nomes de produtos em inglês. Se a sua fila atende vários idiomas, registre com cada transcrição o idioma que você enviou, para os atendentes saberem o que esperar.
- Arquivos grandes. A documentação de mídia da Meta indica um limite de 16 MB para áudio, e bots do Telegram baixam até 20 MB, ambos abaixo do limite de 25 MiB da transcrição, mas gravações longas ainda demoram mais. Processe em segundo plano.
O que a equipe ganha com isso
| Antes | Depois |
|---|---|
| O atendente ouve cada áudio, muitas vezes duas vezes | O atendente lê uma transcrição e um resumo de uma linha |
| Áudios não são pesquisáveis | Transcrições podem ser buscadas por número de pedido ou palavra-chave |
| Triagem feita por quem estiver livre | Roteamento por intenção e urgência |
| Áudios em árabe esperam um atendente que fale árabe | O resumo em inglês permite que qualquer atendente pegue casos simples |
Quanto custa transcrever áudios?
A transcrição é a parte barata do pipeline. A $0.0042 por minuto, 10.000 áudios em árabe de 30 segundos custam $21.00. O modelo de 14 idiomas custa $0.002 por minuto. A etapa do LLM é cobrada por token; uma transcrição curta mais a instrução costuma dar algumas centenas de tokens. Coloque os seus volumes na calculadora de custo de speech-to-text ou compare outros provedores no comparativo de preços de speech-to-text.
Como tratar privacidade e retenção?
Áudios são dados pessoais, e muitas vezes contêm mais do que o cliente pretendia compartilhar. Três hábitos ajudam:
- Apague o áudio depois da transcrição, a menos que uma política exija guardá-lo.
- Guarde as transcrições junto com o ticket, sob os controles de acesso do helpdesk, não nos logs do app.
- Use um provedor que não guarda o áudio. A BroadNet não retém áudio nem transcrições após a requisição; veja retenção zero de dados.
Responda em texto simples e mantenha as primeiras respostas a novos contatos curtas e sem links. As plataformas de mensagens monitoram padrões parecidos com spam vindos de números comerciais.
Onde a BroadNet Inference se encaixa
A BroadNet cobre as etapas de transcrição e extração com uma única chave compatível com a OpenAI: o BroadNet Transcribe Arabic para áudios em árabe, o BroadNet Transcribe para árabe e outros 13 idiomas e modelos de chat testados em árabe para os campos do ticket. A BroadNet informa que seu modelo de árabe está #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) na Open Universal Arabic ASR Leaderboard. O crédito inicial de $5 cobre cerca de 1,190 minutos de áudio em árabe.
A BroadNet não se conecta ao WhatsApp, ao Telegram nem ao seu helpdesk por você; o tratamento de webhooks e a criação de tickets ficam por conta do seu código ou da sua ferramenta de automação. Ligações são um problema de outro formato, com dois falantes e gravações longas: veja transcrever gravações de call center.

