Exporte os áudios da conversa (ou receba pela sua integração com o WhatsApp Business) e você terá arquivos .ogg. A documentação da Cloud API da Meta diz que as mensagens de voz do WhatsApp são arquivos .ogg codificados com o codec Opus. Gravações do celular costumam ser .m4a. O endpoint de transcrição da BroadNet aceita WAV e MP3, então converta primeiro.
1. Converta um arquivo
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
-ar 16000 -ac 1 gera áudio mono de 16 kHz, a conversão que a documentação da BroadNet usa para áudios do WhatsApp e gravações de telefone. O mesmo comando funciona para .m4a. Um WAV mono de 16 kHz e 16 bits ocupa 32.000 bytes por segundo, então o limite de 26.214.400 bytes por arquivo comporta cerca de 13 minutos. Para gravações mais longas, o divisor de áudio calcula quantas partes você precisa e escreve os comandos do ffmpeg.
2. Transcreva uma pasta inteira
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])
Cada .txt fica ao lado do seu áudio. Para rodar os mesmos passos automaticamente em toda mensagem que chega no WhatsApp Business, veja o workflow do n8n para áudios do WhatsApp.
Custo
Um áudio de um minuto custa $0.0042 em árabe ou $0.002 com o modelo de 14 idiomas. Áudio e transcrições não são retidos depois da requisição; veja zero data retention.
Solução de problemas
-
Letras latinas em vez de árabe: adicione
language="ar". A documentação da BroadNet diz para sempre enviarlanguage. -
Erro 413: o arquivo passa de 26.214.400 bytes (25 MiB). Divida gravações longas em partes WAV de 10 minutos:
ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav -
400 ou 422 no upload: confira se o arquivo é mesmo WAV ou MP3, e não um
.oggrenomeado para.wav. Rode a conversão com ffmpeg. -
ffmpeg: command not found: instale o ffmpeg pelo seu gerenciador de pacotes (por exemplo,apt install ffmpegoubrew install ffmpeg). -
Erro 429: chaves de pagamento por uso permitem 4 requisições ao mesmo tempo; processe os arquivos em um pool pequeno. Veja todos os códigos de erro da BroadNet.
Mais detalhes sobre o modelo, os formatos e a precisão: o guia de speech-to-text em árabe. Para comparar quanto outros provedores cobram por minuto de áudio, veja o índice aberto de preços de APIs de speech-to-text, com fonte e data para cada preço. Para entender por que 16 kHz bastam para fala, veja taxa de amostragem.
