Скачайте голосовое сообщение из WhatsApp — и получите небольшой файл .ogg. Внутри аудио Opus, кодек, созданный для голосовых звонков.
Как это работает
Здесь два уровня, и каждый определён своим RFC от IETF:
| Уровень | Спецификация | Что делает |
|---|---|---|
| Кодек Opus | RFC 6716 | Сжимает аудио. Сочетает слой линейного предсказания на основе SILK со слоем MDCT на основе CELT и работает от узкополосной речи на 6 кбит/с до стереомузыки на 510 кбит/с |
| Контейнер Ogg | RFC 7845 | Упаковывает пакеты Opus в файл, который начинается с идентификационного заголовка OpusHead |
RFC 6716 перечисляет пять полос пропускания — от узкополосной (narrowband, частота дискретизации 8 кГц) до полнополосной (fullband, 48 кГц). RFC 7845 говорит, что позиции гранул всегда считают сэмплы при 48 кГц, с какой бы частотой ни выводил звук декодер. Он рекомендует расширение .opus и медиатип audio/ogg, при желании audio/ogg; codecs=opus.
Справочник по медиа WhatsApp Cloud API от Meta указывает аудио OGG как audio/ogg с пометкой “Opus codec only” (перевод: «только кодек Opus»), моно, до 16 МБ.
Почему это важно
- Многие API его не принимают. Эндпоинт распознавания речи, который принимает только WAV или MP3, отклонит голосовое сообщение, пока вы его не сконвертируете.
- Конвертация дешёвая. Одна команда ffmpeg декодирует Opus в PCM. Результат намного больше голосового сообщения, так что следите за лимитами на размер файла.
- Путаница в названиях. «Opus» — это ещё и название модели у других провайдеров. В контексте аудио имеется в виду кодек.
В BroadNet Inference
Эндпоинт транскрибации BroadNet принимает только WAV (audio/wav) или MP3 (audio/mpeg) размером до 26 214 400 байт на файл. Документация конвертирует голосовое сообщение WhatsApp за один шаг:
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
По документации ffmpeg, -ar задаёт частоту дискретизации, а -ac — число каналов, так что команда записывает WAV 16 кГц моно. Затем отправьте его с language=ar (или en) в BroadNet Transcribe Arabic или BroadNet Transcribe. В руководстве по голосовым сообщениям WhatsApp есть скрипт, который конвертирует и транскрибирует целую папку, а руководство по n8n делает то же внутри воркфлоу. Если голосовое слишком длинное для одного файла, нарезчик аудио рассчитает фрагменты.
Частые ошибки
- Переименование вместо конвертации. Если сменить
.oggна.wav, аудио внутри не изменится. Декодируйте через ffmpeg. - Пропуск
-ac 1. Стерео вдвое увеличивает размер WAV и ничем не помогает транскрибации.