---
title: "Расшифровка голосовых WhatsApp (.ogg) через API | BroadRouter"
description: "Конвертируйте голосовые WhatsApp в .ogg или записи телефона в .m4a в WAV через ffmpeg и расшифруйте их на арабском или ещё 13 языках одним вызовом API."
url: https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/
lang: ru
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/guides/transcribe-whatsapp-voice-notes/) (обновлён 2026-11-16).

# Голосовые сообщения WhatsApp в текст через API

Обновлено 2026-11-16

Голосовые сообщения WhatsApp — это аудио Opus в файлах .ogg, а эндпоинт транскрибации не принимает их напрямую. Сконвертируйте каждый файл через ffmpeg в WAV 16 кГц моно и отправьте в BroadNet Transcribe Arabic или BroadNet Transcribe с нужным значением поля language. Короткий скрипт делает и то и другое для целой папки.

Экспортируйте голосовые сообщения из чата (или получите их через свою интеграцию с WhatsApp Business) — и у вас будут файлы `.ogg`. Документация Cloud API от Meta говорит, что голосовые сообщения WhatsApp — это файлы `.ogg` с кодеком Opus. Записи с телефона часто приходят в `.m4a`. Эндпоинт транскрибации BroadNet принимает WAV и MP3, поэтому сначала файл нужно сконвертировать.

## 1\. Конвертируйте один файл

```bash
ffmpeg -i voice-note.ogg -ar 16000 -ac 1 voice-note.wav
```

`-ar 16000 -ac 1` даёт аудио 16 кГц моно — именно такую конвертацию документация BroadNet использует для голосовых сообщений и телефонных записей. Та же команда работает и для `.m4a`. WAV 16 кГц моно 16 бит занимает 32 000 байт в секунду, поэтому в лимит 26 214 400 байт на файл помещается около 13 минут. Для более длинных записей [разделитель аудио](https://broadrouter.com/tools/audio-splitter-ffmpeg/) посчитает, сколько нужно частей, и составит команды ffmpeg.

## 2\. Расшифруйте целую папку

```python
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])
```

Каждый `.txt` появляется рядом со своим голосовым сообщением. Комментарий в коде напоминает: для других языков укажите `"en"`, `"es"` и т. д. вместе с многоязычной моделью. Чтобы те же шаги выполнялись автоматически для каждого входящего сообщения WhatsApp Business, см. [workflow для голосовых WhatsApp в n8n](https://broadrouter.com/ru/guides/n8n-whatsapp-voice-note-transcription/).

## Стоимость

Минута голосового сообщения стоит $0.0042 на арабском или $0.002 с моделью на 14 языков. Аудио и расшифровки не хранятся после запроса; см. [нулевое хранение данных](https://broadrouter.com/ru/privacy/).

## Решение проблем

-   **Латиница вместо арабского письма:** добавьте `language="ar"`. Документация BroadNet советует всегда передавать `language`.
    
-   **Ошибка 413:** файл больше 26 214 400 байт (25 MiB). Разбейте длинную запись на куски WAV по 10 минут:
    
    ```bash
    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
    ```
    
-   **400 или 422 при загрузке:** убедитесь, что файл действительно WAV или MP3, а не `.ogg`, переименованный в `.wav`. Выполните конвертацию через ffmpeg.
    
-   **`ffmpeg: command not found`:** установите ffmpeg через пакетный менеджер (например, `apt install ffmpeg` или `brew install ffmpeg`).
    
-   **Ошибка 429:** ключи с оплатой по факту допускают 4 одновременных запросов; обрабатывайте файлы небольшим пулом. См. [все коды ошибок BroadNet](https://broadrouter.com/ru/guides/errors-and-retries/).
    

Подробнее о модели, форматах и точности — в [руководстве по распознаванию арабской речи](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/). Сравнить, сколько другие провайдеры берут за минуту аудио, можно в открытом [индексе цен на API распознавания речи](https://broadrouter.com/data/speech-to-text-api-prices/), где у каждой цены есть источник и дата. Почему для речи хватает 16 кГц, объясняет статья о [частоте дискретизации](https://broadrouter.com/ru/glossary/sample-rate/).

## Термины в этом руководстве

[WAV](https://broadrouter.com/ru/glossary/wav/)

WAV (Waveform Audio File Format, или WAVE) — это аудиоконтейнер на основе формата RIFF от Microsoft и IBM. Обычно он содержит несжатые отсчёты линейного PCM, поэтому его размер предсказуем: частота дискретизации × байт на отсчёт × число каналов за каждую секунду.

[Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/)

Частота дискретизации — это число отсчётов звука, записываемых за секунду, в герцах (Гц). Модели распознавания речи обычно ожидают моно-аудио с частотой 16 000 Гц (16 кГц). Вместе с разрядностью и числом каналов частота дискретизации определяет, сколько весит минута несжатого аудио.

[Параллельность (concurrency)](https://broadrouter.com/ru/glossary/concurrency/)

Параллельность (concurrency) — это число запросов, которые клиент одновременно держит в работе. LLM API часто ограничивают её на ключ или тариф отдельно от лимита запросов в минуту, потому что каждый открытый запрос занимает мощности GPU, пока ответ не будет готов.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Лимит запросов (rate limit)](https://broadrouter.com/ru/glossary/rate-limit/)

Лимит запросов (rate limit) — это ограничение, которое API накладывает на объём использования клиентом за отрезок времени, например число запросов или токенов в минуту. Запросы сверх лимита отклоняются, обычно с HTTP 429 Too Many Requests, пока использование снова не опустится ниже порога.

[Нулевое хранение данных (ZDR)](https://broadrouter.com/ru/glossary/zero-data-retention/)

Нулевое хранение данных (ZDR) — это политика обработки данных, при которой AI-провайдер обрабатывает промпты и ответы только для выполнения запроса и после этого не сохраняет их содержимое ни в логах, ни в кэшах, ни в обучающих данных. Записи без содержимого, например число токенов и время выполнения, обычно всё же хранятся.

[Оплата по факту (pay-as-you-go)](https://broadrouter.com/ru/glossary/pay-as-you-go/)

Оплата по факту (pay-as-you-go) — это модель ценообразования, при которой вы платите только за то, что использовали, по счётчику в единицах вроде токенов, запросов или минут аудио, без подписки и минимальных обязательств. Так тарифицирует большинство LLM API — с предоплаченного баланса или по периодическому счёту.

## Вопросы и ответы

### В каком формате голосовые сообщения WhatsApp?

Это аудио Opus в контейнере Ogg, сохранённое как .ogg. Документация Cloud API от Meta говорит, что голосовые сообщения должны быть файлами .ogg с кодеком Opus, только моно.

### Можно ли отправить файл .ogg в API транскрибации как есть?

В BroadNet Inference — нет. Эндпоинт транскрибации принимает WAV и MP3, поэтому сначала сконвертируйте голосовое через ffmpeg. Одна команда превращает его в WAV 16 кГц моно.

### Хранятся ли голосовые сообщения после расшифровки?

По словам BroadNet, аудио и расшифровки обрабатываются только в рамках запроса и не хранятся. Остаются лишь записи без содержимого — время, статус и объём использования — для биллинга и безопасности.

### Какую модель выбрать для голосовых на арабском?

BroadNet Transcribe Arabic, broadnet/cohere-transcribe-arabic, с language = ar. Для остальных 13 языков, которые она поддерживает, используйте BroadNet Transcribe, broadnet/cohere-transcribe.

## Похожие руководства

-   [Расшифровка голосовых сообщений WhatsApp в n8n](https://broadrouter.com/ru/guides/n8n-whatsapp-voice-note-transcription/)
-   [API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/)
-   [Коды ошибок BroadNet Inference и когда повторять запрос](https://broadrouter.com/ru/guides/errors-and-retries/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**Источники**

-   [Справочник API BroadNet Inference, транскрибация и конвертация через ffmpeg (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [Цены BroadNet Inference (на английском)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API, аудиосообщения (голосовые сообщения — OGG с кодеком Opus; дата обращения 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [Документация FFmpeg по форматам, мультиплексор segment (дата обращения 2026-11-14)](https://ffmpeg.org/ffmpeg-formats.html#segment)
