BroadRouter

Расшифровка голосовых сообщений WhatsApp в n8n

Обновлено

Понадобятся восемь узлов n8n: WhatsApp Trigger на событие Messages, узел If, который пропускает только аудио, операция Download узла WhatsApp для получения URL медиафайла, HTTP Request для скачивания файла .ogg, узел Read/Write Files для его сохранения, ffmpeg в узле Execute Command для перевода в WAV, второй узел Read/Write Files для загрузки WAV и HTTP Request к /v1/audio/transcriptions. Нужен n8n на своём сервере с установленным ffmpeg.

Этот workflow превращает каждое входящее голосовое сообщение WhatsApp в текст прямо в n8n. Это версия для n8n скрипта из руководства по голосовым сообщениям WhatsApp: та же конвертация через ffmpeg и тот же вызов транскрибации. Названия узлов и параметров ниже сверены с документацией и исходным кодом n8n 14 ноября 2026 г.; ссылки — в источниках.

Что понадобится

  • n8n на своём сервере (self-hosted). Документация n8n говорит, что узел Execute Command недоступен в n8n Cloud и с n8n 2.0 по умолчанию отключён.
  • ffmpeg на хосте n8n. В Docker команда выполняется внутри контейнера n8n, а не на хосте Docker, поэтому ffmpeg должен быть в образе.
  • Учётные данные WhatsApp Business Cloud в n8n, подключённые к приложению Meta с вашим WhatsApp Business Account, и токен доступа этого приложения.
  • API-ключ BroadNet. Новые аккаунты получают стартовый грант $5 без привязки карты, и на нём работают обе модели транскрибации.

Подготовка n8n: ffmpeg, Execute Command и папка для файлов

В официальном Docker-образе n8n нет менеджера пакетов. Документация n8n показывает, как вернуть apk в собственном образе, чтобы установить curl; тот же Dockerfile, где вместо curl указан ffmpeg, даёт ffmpeg (комментарий в нём: возвращаем менеджер пакетов apk, удалённый из базового образа):

FROM n8nio/n8n
USER root

# Restore the apk package manager (removed from the base image)
COPY --from=alpine:3.22 /sbin/apk /sbin/apk
COPY --from=alpine:3.22 /lib/apk /lib/apk
COPY --from=alpine:3.22 /usr/lib/libapk* /usr/lib/

RUN apk add --no-cache ffmpeg
USER node

Соберите образ командой docker build -t n8n-ffmpeg . и запускайте n8n-ffmpeg вместо n8nio/n8n. Замена на ffmpeg — наше изменение примера n8n с curl, поэтому один раз выполните ffmpeg -version в узле Execute Command, чтобы убедиться, что всё работает.

Затем задайте две переменные окружения:

Переменная Значение Зачем
NODES_EXCLUDE "[]" Execute Command заблокирован по умолчанию. Пустой список разблокирует его — и все остальные узлы, которые n8n блокирует по умолчанию, так что верните в список те, что должны остаться заблокированными.
N8N_RESTRICT_FILE_ACCESS_TO не задавайте С n8n 2.0 по умолчанию это ~/.n8n-files. В официальном образе это /home/node/.n8n-files — папка, которая используется ниже.

Workflow по узлам

# Узел Настройка
1 WhatsApp Trigger Event: Messages
2 If {{ $json.messages?.[0]?.type ?? '' }} is equal to audio
3 WhatsApp Business Cloud Resource Media, Operation Download, Media ID {{ $json.messages[0].audio.id }}
4 HTTP Request GET {{ $json.url }}, заголовок Authorization: Bearer <WhatsApp access token>, Response Format File, Put Output in Field data
5 Read/Write Files from Disk Write File to Disk, путь /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg, Input Binary Field data
6 Execute Command команда ffmpeg ниже
7 Read/Write Files from Disk Read File(s) From Disk, путь к .wav, Put Output File in Field data
8 HTTP Request POST на эндпоинт транскрибации, см. ниже

Узлы 5–7 нужны потому, что Execute Command выполняет shell-команду и не принимает бинарные данные n8n, так что файл записывается на диск и читается обратно.

Импорт готового workflow вместо ручной сборки

Скачайте workflow в формате JSON для n8n (8 узлов, настроен на арабский) и импортируйте его в n8n через Import from File. Ключей и токенов в нём нет. У каждого узла, которому нужен вход, стоят учётные данные-заглушки с именем, начинающимся на REPLACE:; откройте эти четыре узла и выберите свои учётные данные. Названия типов узлов и параметров сверены с исходным кодом n8n 14 ноября 2026 г. Ниже разобран каждый узел, так что workflow можно собрать и вручную.

1–2. Триггер на сообщения, только аудио

Судя по исходному коду n8n, WhatsApp Trigger выдаёт по одному элементу на каждое изменение в вебхуке Meta, а список сообщений лежит в messages. Текст, изображения и голосовые сообщения приходят через одно событие Messages, поэтому узел If пропускает дальше только элементы, у которых первое сообщение имеет type, равный audio. Уведомления о доставке и прочтении приходят через то же событие, но без списка messages; ?? '' превращает отсутствующее значение в пустую строку, чтобы строгая проверка типа на них не падала.

WhatsApp допускает один зарегистрированный URL вебхука на приложение. Документация n8n предупреждает, что переключение между тестовым и рабочим URL триггера его перезаписывает, и второй URL перестаёт получать события.

3–4. Скачивание голосового сообщения у Meta

Операция Download узла WhatsApp вызывает медиа-эндпоинт Meta с ID медиафайла и возвращает JSON с url, а не само аудио. Документация Meta говорит, что этот URL действует 5 минут и что без токена доступа скачивание не сработает. Поэтому следующий узел HTTP Request скачивает {{ $json.url }} с токеном в заголовке Authorization и сохраняет ответ как файл в поле data. Храните токен в n8n в учётных данных Header Auth (имя Authorization, значение — Bearer и затем токен), а не вписывайте его прямо в узел.

5–7. Конвертация в WAV через ffmpeg

Запишите файл на диск (узел 5), а затем сконвертируйте его в узле Execute Command (узел 6):

ffmpeg -y -loglevel error -i /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg -ar 16000 -ac 1 /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.wav

-ar 16000 -ac 1 даёт WAV 16 кГц, моно — именно такую конвертацию для голосовых сообщений использует документация BroadNet. ID медиафайла — число, поэтому его безопасно использовать в имени файла. Узел 7 читает файл .wav обратно в поле data.

8. Транскрибация

Создайте вторые учётные данные Header Auth для BroadNet (имя Authorization, значение — Bearer и затем ваш ключ BroadNet). Затем настройте последний узел HTTP Request:

Поле Значение
Method POST
URL https://inference.broadnet.ai/v1/audio/transcriptions
Authentication Generic Credential Type, Header Auth, учётные данные BroadNet
Send Body включено, Body Content Type Form-Data
Параметр тела model broadnet/cohere-transcribe-arabic (или broadnet/cohere-transcribe для остальных 13 языков)
Параметр тела language ar (или en, es, …)
Параметр тела file Parameter Type n8n Binary File, Input Data Field Name data

Ответ приходит в JSON, текст расшифровки — в поле text, так что следующие узлы читают {{ $json.text }}. Это тот же запрос, что и такой вызов curl:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

Всегда передавайте language. Без него арабская речь может вернуться транслитерацией латиницей.

Что делать с текстом

Сохраните его в CRM или helpdesk либо передайте чат-модели, чтобы она резюмировала или классифицировала сообщение. В руководстве по n8n и OpenAI-совместимому API показано, как направить узел OpenAI Chat Model в n8n на BroadNet с тем же ключом. Чтобы прибраться за собой, добавьте в конце узел Execute Command, который удаляет два файла для этого ID медиафайла.

Решение проблем

  • Триггер ничего не получает. Проверьте, что workflow опубликован на рабочем URL и что ваше приложение Meta подписано на WhatsApp Business Account; документация n8n говорит, что n8n эту подписку не создаёт.
  • Скачивание медиа возвращает 404. URL истёк через 5 минут. Документация Meta советует запросить новый URL медиафайла, а если не поможет и это — обновить токен доступа.
  • «Unrecognized node type» или узла Execute Command нет. С n8n 2.0 он заблокирован по умолчанию; задайте NODES_EXCLUDE.
  • ffmpeg: not found. В образе нет ffmpeg; соберите собственный образ, как описано выше.
  • Доступ к файлу запрещён. Записывайте файлы в /home/node/.n8n-files или задайте в N8N_RESTRICT_FILE_ACCESS_TO папку, которую используете.
  • 400, 413 или 429 от BroadNet. 413 означает, что файл больше 26 214 400 байт (примерно 13 минут WAV 16 кГц, моно); 429 — слишком много одновременных запросов. См. коды ошибок BroadNet и повторные запросы.

Точность, диалекты и сравнение цены BroadNet с другими API распознавания речи разобраны в руководстве по распознаванию арабской речи. Цены на пакетное и потоковое распознавание более чем 20 сервисов speech-to-text, каждая с источником и датой проверки, собраны в открытом индексе цен на API распознавания речи.

Вопросы и ответы

Работает ли этот workflow в n8n Cloud?

В таком виде — нет. Документация n8n говорит, что узел Execute Command в n8n Cloud недоступен, а для шага конвертации нужен ffmpeg на машине, где работает n8n. В n8n Cloud конвертируйте аудио во внешнем сервисе, который вы контролируете, и вызывайте его узлом HTTP Request.

Почему нельзя отправить файл .ogg из WhatsApp прямо на эндпоинт транскрибации?

Голосовые сообщения WhatsApp — это аудио Opus в контейнере Ogg. Эндпоинт транскрибации BroadNet принимает WAV и MP3, поэтому workflow сначала конвертирует каждое сообщение через ffmpeg в WAV 16 кГц, моно.

Почему операция Download в узле WhatsApp не возвращает аудиофайл?

Судя по исходному коду n8n, операция Download вызывает эндпоинт Meta GET media, а он возвращает JSON с временным URL. Второй узел HTTP Request скачивает файл по этому URL с вашим токеном доступа WhatsApp. По словам Meta, URL действует 5 минут.

Почему WhatsApp Trigger ничего не получает после публикации workflow?

WhatsApp допускает один URL вебхука на приложение, поэтому переключение между тестовым и рабочим URL в n8n его перезаписывает. Документация n8n также отмечает, что n8n не подписывает ваше приложение Meta на WhatsApp Business Account; проверьте подписку через Subscribed Apps API у Meta.

Сколько стоит расшифровка голосовых WhatsApp таким способом?

BroadNet берёт плату за минуту аудио: $0.0042 с BroadNet Transcribe Arabic или $0.002 с BroadNet Transcribe. 10 000 арабских голосовых по 30 секунд обойдутся в $21.00. Расходы на n8n и Meta оплачиваются отдельно.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity

Источники