BroadRouter

Голосовые в текст для бизнеса: из WhatsApp и Telegram в тикеты

Команда BroadNet Inference · 4 мин чтения · Опубликовано · Обновлено

Чтобы превращать голосовые сообщения клиентов в тикеты, скачивайте каждое из WhatsApp Cloud API или Telegram Bot API сразу по приходу вебхука, конвертируйте в WAV и транскрибируйте с правильным кодом языка. Затем попросите LLM извлечь намерение, срочность и номера заказов в JSON. Создайте тикет с приложенной расшифровкой и ответьте текстом.

An invoice, a phone showing an audio waveform and the Arabic word "مرحبا", with the text "Speech. Documents. Intelligence."

Во многих странах Ближнего Востока клиенты не печатают. Они отправляют 40-секундное голосовое на арабском диалекте Залива (халиджи) или на египетском, часто с номером заказа, продиктованным посередине. Операторы слушают, перематывают и вбивают это в хелпдеск. Умножьте на несколько сотен в день — и голосовые становятся самым медленным вашим каналом.

В этой статье мы строим вокруг транскрибации бизнес-процесс: как достать голосовые из WhatsApp и Telegram, превратить их в структурированные тикеты и держать данные под контролем. Сам код конвертации и транскрибации есть в нашем пошаговом руководстве по расшифровке голосовых сообщений WhatsApp. Здесь мы его повторять не будем.

Как голосовое сообщение становится тикетом поддержки?

  1. Принять вебхук от WhatsApp или Telegram.
  2. Скачать аудио сразу же.
  3. Сконвертировать в WAV 16 кГц моно.
  4. Транскрибировать с правильным кодом языка.
  5. Извлечь поля тикета с помощью LLM.
  6. Создать тикет с расшифровкой и ответить текстом.
  7. Удалить аудиофайл.

Шаги 1 и 2: как достать аудио из WhatsApp?

В WhatsApp Business Cloud API входящее голосовое приходит вебхуком с ID медиа, а не с самим файлом. Правила задаёт документация Meta по медиа:

  • Вызовите GET /<MEDIA_ID> в Graph API, чтобы получить url.
  • Скачайте этот URL с заголовком Authorization: Bearer <token>. Без токена запрос не пройдёт.
  • «Media URLs expire after 5 minutes.» (перевод: «URL медиа истекают через 5 минут».) Если опоздали, запросите новый.
  • ID медиа из входящих вебхуков действительны 7 дней.
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)

Делайте это в фоновой задаче обработчика вебхука, а не потом пакетом. Очередь, которая запускается раз в час, будет натыкаться на истёкшие URL.

Как достать голосовые из Telegram-бота?

Telegram-бот получает объект voice с file_id. Bot API говорит, что боты «can download files of up to 20MB» (перевод: «могут скачивать файлы до 20 МБ») через https://api.telegram.org/file/bot<token>/<file_path>, а ссылка «valid for at least 1 hour» (перевод: «действительна не меньше 1 часа»).

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)

На практике обе платформы отдают голосовые в Ogg/Opus. Эндпоинт транскрибации принимает WAV или MP3, так что сконвертируйте файл однострочной командой ffmpeg из руководства по WhatsApp, а затем транскрибируйте с language="ar" (или языком клиента).

Шаг 5: как превратить расшифровку в тикет?

Сырую расшифровку всё ещё трудно сортировать. LLM может вытащить поля, которые нужны вашему хелпдеску:

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)

Qwen3.8 27B — модель, которую BroadNet протестировала на арабском, включая диалект Персидского залива и египетский. Проверяйте JSON, прежде чем записывать его в хелпдеск, и при ошибке разбора откатывайтесь к needs_human: true; цикл «проверить и починить» есть в статье о структурированном выводе. Если в голосовом звучат номера карт или документов, замаскируйте их до этого шага; см. статью об отправке чувствительных данных в LLM API.

Какие пограничные случаи стоит обработать сразу?

Реальные входящие беспорядочнее демо. Заложите эти случаи с первой недели:

  • Несколько голосовых подряд. Клиенты часто присылают три коротких голосовых вместо одного длинного. Объединяйте сообщения одного отправителя в пределах пары минут в один тикет и транскрибируйте их по порядку.
  • Очень короткие голосовые. Голосовым «ладно» или «спасибо» тикет не нужен. Пропускайте извлечение полей, если в расшифровке меньше нескольких слов.
  • Пересланные голосовые. В пересланном голосовом может говорить кто-то другой. Считайте его вложением, а не словами самого клиента.
  • Смешанные языки. Клиенты из стран Залива вставляют английские названия продуктов. Если ваша очередь обслуживает несколько языков, записывайте рядом с каждой расшифровкой язык, который вы передали, чтобы операторы знали, чего ждать.
  • Большие файлы. Документация Meta по медиа указывает лимит 16 МБ для аудио, а Telegram-боты могут скачивать до 20 МБ — оба значения ниже лимита транскрибации в 25 МиБ, но длинные записи всё равно обрабатываются дольше. Обрабатывайте их в фоне.

Что это даёт команде

До После
Оператор слушает каждое голосовое, часто дважды Оператор читает расшифровку и сводку в одну строку
По голосовым нельзя искать По расшифровкам можно искать по номеру заказа или ключевому слову
Разбирает тот, кто свободен Маршрутизация по намерению и срочности
Арабские голосовые ждут арабоговорящего оператора Сводка на английском позволяет любому оператору взять простые случаи

Сколько стоит расшифровка голосовых?

Транскрибация — дешёвая часть конвейера. По $0.0042 за минуту 10 000 арабских голосовых по 30 секунд стоят $21.00. Модель на 14 языков стоит $0.002 за минуту. Этап с LLM оплачивается за токены; короткая расшифровка вместе с инструкцией — обычно несколько сотен токенов. Подставьте свои объёмы в калькулятор стоимости распознавания речи или сравните других провайдеров в сравнении цен на распознавание речи.

Как обращаться с конфиденциальностью и хранением?

Голосовые — это персональные данные, и в них часто больше, чем клиент собирался рассказать. Помогают три привычки:

  • Удаляйте аудио после транскрибации, если политика не требует его хранить.
  • Храните расшифровки вместе с тикетом под контролем доступа хелпдеска, а не в логах приложения.
  • Используйте провайдера, который не хранит аудио. BroadNet не хранит ни аудио, ни расшифровки после запроса; см. нулевое хранение данных.

Отвечайте простым текстом, а первые ответы новым контактам делайте короткими и без ссылок. Мессенджеры следят за спам-подобным поведением бизнес-номеров.

Где здесь BroadNet Inference

BroadNet закрывает этапы транскрибации и извлечения полей одним OpenAI-совместимым ключом: BroadNet Transcribe Arabic для арабских голосовых, BroadNet Transcribe для арабского и 13 других языков и протестированные на арабском чат-модели для полей тикета. По данным BroadNet, её арабская модель занимает позицию № 2 из 37 (данные за сентябрь 2026 г.; в живом рейтинге на 15 ноября 2026 г. — № 4 из 39) в Open Universal Arabic ASR Leaderboard. Стартового гранта $5 хватает примерно на 1,190 минут арабского аудио.

BroadNet не подключается за вас к WhatsApp, Telegram или хелпдеску: обработка вебхуков и создание тикетов — это ваш код или ваш инструмент автоматизации. Звонки — задача другого рода, с двумя говорящими и длинными записями: см. статью о транскрибации записей колл-центра.

Вопросы и ответы

Можно ли автоматически расшифровывать голосовые из WhatsApp?

Да. В WhatsApp Business Cloud API каждое голосовое приходит вебхуком с ID медиа. Ваш сервер получает URL медиа, скачивает файл с вашим токеном доступа, конвертирует его и отправляет в API транскрибации.

Как перевести голосовые сообщения Telegram в текст?

Ваш бот получает объект voice с file_id. Вызовите getFile, скачайте файл по возвращённому пути, сконвертируйте его в WAV через ffmpeg и транскрибируйте. Боты могут скачивать файлы до 20 МБ.

Сколько стоит расшифровка голосовых сообщений клиентов?

С BroadNet Transcribe Arabic по $0.0042 за минуту 10 000 голосовых по 30 секунд стоят $21.00. Модель на 14 языков стоит $0.002 за минуту.

Стоит ли отвечать на голосовое голосовым?

Для поддержки обычно лучше подходит короткий текстовый ответ: клиент прочитает его где угодно, а поиск по нему доступен обеим сторонам. Первый ответ делайте простым и коротким.

Нужно ли хранить исходное аудио?

Часто нет. Для большинства процессов поддержки хватает расшифровки. Если вы храните аудио ради контроля качества или по юридическим причинам, задайте срок хранения и ограничьте доступ, потому что голос — это персональные данные.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity