---
title: "Chuyển tin nhắn thoại thành văn bản: WhatsApp, Telegram"
description: "Biến tin nhắn thoại của khách hàng từ WhatsApp Business và bot Telegram thành bản chép lời và ticket hỗ trợ: tải về, chép lời, trích xuất bằng LLM, định tuyến."
url: https://broadrouter.com/vi/blog/voice-notes-to-text-for-business/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/voice-notes-to-text-for-business/) (cập nhật ngày 2026-11-16).

# Tin nhắn thoại thành văn bản cho doanh nghiệp: WhatsApp, Telegram

Đội ngũ BroadNet Inference · 4 phút đọc · Đăng ngày 2026-11-14 · Cập nhật 2026-11-16

Để biến tin nhắn thoại của khách hàng thành ticket, hãy tải từng tin nhắn từ WhatsApp Cloud API hoặc Telegram Bot API ngay khi webhook tới, chuyển sang WAV, chép lời với đúng mã ngôn ngữ, rồi yêu cầu LLM trích xuất ý định, mức khẩn cấp và mã đơn hàng dưới dạng JSON. Tạo ticket kèm bản chép lời và trả lời bằng văn bản.

## Ý chính

-   Tải về thật nhanh: URL media của WhatsApp hết hạn sau 5 phút, còn media ID trong webhook hết hạn sau 7 ngày.
-   Bot Telegram tải được file tới 20 MB, qua một link có hiệu lực ít nhất một giờ.
-   Chép lời là bước rẻ: 10.000 tin nhắn thoại tiếng Ả Rập dài 30 giây tốn $21.00.
-   LLM biến một tin nhắn lan man thành các trường của ticket: ý định, mức khẩn cấp, mã đơn hàng, ngôn ngữ và một dòng tóm tắt.
-   Hãy lưu bản chép lời, không lưu âm thanh, trừ khi bạn có lý do để giữ giọng nói.

**Trong trang này**

1.  Một tin nhắn thoại trở thành ticket hỗ trợ như thế nào?
2.  Bước 1 và 2: lấy âm thanh ra khỏi WhatsApp như thế nào?
3.  Lấy tin nhắn thoại từ bot Telegram như thế nào?
4.  Bước 5: biến bản chép lời thành ticket như thế nào?
5.  Nên xử lý sớm những trường hợp đặc biệt nào?
6.  Đội ngũ nhận được gì
7.  Chép lời tin nhắn thoại tốn bao nhiêu?
8.  Nên xử lý quyền riêng tư và lưu giữ ra sao?
9.  BroadNet Inference phù hợp ở đâu

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

Ở nhiều nơi tại Trung Đông, khách hàng không gõ chữ. Họ gửi một tin nhắn thoại 40 giây bằng tiếng Ả Rập vùng Vịnh hoặc Ai Cập, thường đọc mã đơn hàng ở giữa. Nhân viên phải nghe, tua lại rồi gõ vào helpdesk. Nhân lên vài trăm tin mỗi ngày, tin nhắn thoại trở thành kênh chậm nhất bạn có.

Bài này dựng quy trình kinh doanh xoay quanh việc chép lời: lấy tin nhắn ra khỏi WhatsApp và Telegram, biến chúng thành ticket có cấu trúc, và kiểm soát dữ liệu. Về code chuyển đổi và chép lời, xem hướng dẫn từng bước [chép lời tin nhắn thoại WhatsApp](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/). Chúng tôi sẽ không lặp lại ở đây.

## Một tin nhắn thoại trở thành ticket hỗ trợ như thế nào?

1.  **Nhận** webhook từ WhatsApp hoặc Telegram.
2.  **Tải** âm thanh về ngay lập tức.
3.  **Chuyển** sang WAV mono 16 kHz.
4.  **Chép lời** với đúng mã ngôn ngữ.
5.  **Trích xuất** các trường của ticket bằng LLM.
6.  **Tạo** ticket kèm bản chép lời, và trả lời bằng văn bản.
7.  **Xóa** file âm thanh.

## Bước 1 và 2: lấy âm thanh ra khỏi WhatsApp như thế nào?

Trên WhatsApp Business Cloud API, tin nhắn thoại đến tới dưới dạng webhook kèm media ID, không phải file. [Tài liệu media](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media) của Meta đặt ra các quy tắc:

-   Gọi `GET /<MEDIA_ID>` trên Graph API để lấy `url`.
-   Tải URL đó với `Authorization: Bearer <token>`. Thiếu token thì request thất bại.
-   “Media URLs expire after 5 minutes.” (bản dịch: URL media hết hạn sau 5 phút.) Nếu trễ, hãy yêu cầu URL mới.
-   Media ID từ webhook đến có hiệu lực trong **7 ngày**.

```python
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)
```

Hãy làm việc này trong background job của webhook handler, đừng để dồn lại chạy batch sau. Một hàng đợi chạy mỗi giờ một lần sẽ gặp URL đã hết hạn.

## Lấy tin nhắn thoại từ bot Telegram như thế nào?

Bot Telegram nhận một object `voice` có `file_id`. [Bot API](https://core.telegram.org/bots/api#getfile) nói bot “can download files of up to 20MB” (bản dịch: tải được file tới 20MB), qua `https://api.telegram.org/file/bot<token>/<file_path>`, và link “valid for at least 1 hour” (bản dịch: có hiệu lực ít nhất 1 giờ).

```python
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)
```

Trên thực tế, cả hai nền tảng đều gửi tin nhắn thoại dạng Ogg/Opus. Endpoint chép lời nhận WAV hoặc MP3, nên hãy chuyển đổi bằng lệnh ffmpeg một dòng trong [hướng dẫn WhatsApp](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/), rồi chép lời với `language="ar"` (hoặc ngôn ngữ của khách hàng).

## Bước 5: biến bản chép lời thành ticket như thế nào?

Bản chép lời thô vẫn khó phân loại. LLM có thể rút ra các trường mà helpdesk của bạn cần:

```python
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](https://broadrouter.com/vi/models/qwen3.8-27b/) là model BroadNet đã thử với tiếng Ả Rập, gồm cả phương ngữ vùng Vịnh và Ai Cập. Hãy kiểm tra JSON trước khi ghi vào helpdesk, và chuyển về `needs_human: true` khi parse thất bại; [bài về structured output](https://broadrouter.com/vi/blog/structured-output-json-schema/) có vòng lặp kiểm tra và sửa lỗi. Nếu tin nhắn nhắc tới số thẻ hoặc số giấy tờ tùy thân, hãy che đi trước bước này; xem [gửi dữ liệu nhạy cảm tới API LLM](https://broadrouter.com/vi/blog/llm-api-sensitive-data/).

## Nên xử lý sớm những trường hợp đặc biệt nào?

Hộp thư thật lộn xộn hơn bản demo nhiều. Hãy chuẩn bị cho những trường hợp này ngay từ tuần đầu:

-   **Nhiều tin nhắn liên tiếp.** Khách hàng hay gửi ba tin ngắn thay vì một tin dài. Gộp các tin từ cùng một người gửi trong vòng vài phút thành một ticket, và chép lời theo đúng thứ tự.
-   **Tin nhắn rất ngắn.** Những tin “Okay” hay “cảm ơn” không cần ticket. Bỏ qua bước trích xuất khi bản chép lời chỉ có vài từ.
-   **Tin nhắn chuyển tiếp.** Một tin nhắn thoại được chuyển tiếp có thể là giọng của người khác. Hãy coi nó là tệp đính kèm, không phải lời của chính khách hàng.
-   **Trộn ngôn ngữ.** Khách vùng Vịnh hay chen tên sản phẩm tiếng Anh. Nếu hàng đợi của bạn phục vụ nhiều ngôn ngữ, hãy ghi lại ngôn ngữ đã gửi kèm mỗi bản chép lời để nhân viên biết trước.
-   **File lớn.** Tài liệu media của Meta ghi giới hạn âm thanh 16 MB và bot Telegram tải được tới 20 MB, đều dưới giới hạn chép lời 25 MiB, nhưng bản ghi dài vẫn mất nhiều thời gian hơn. Hãy xử lý chúng ở background.

## Đội ngũ nhận được gì

| Trước | Sau |
| --- | --- |
| Nhân viên nghe từng tin, thường là hai lần | Nhân viên đọc bản chép lời và một dòng tóm tắt |
| Không tìm kiếm được tin nhắn | Tìm bản chép lời theo mã đơn hàng hoặc từ khóa |
| Ai rảnh thì phân loại | Định tuyến theo ý định và mức khẩn cấp |
| Tin tiếng Ả Rập chờ người nói tiếng Ả Rập | Bản tóm tắt tiếng Anh giúp nhân viên nào cũng xử lý được ca đơn giản |

## Chép lời tin nhắn thoại tốn bao nhiêu?

Chép lời là phần rẻ của pipeline. Với giá $0.0042 mỗi phút, 10.000 tin nhắn thoại tiếng Ả Rập dài 30 giây tốn $21.00. Model 14 ngôn ngữ có giá $0.002 mỗi phút. Bước LLM tính phí theo token; một bản chép lời ngắn cộng chỉ dẫn thường chỉ vài trăm token. Hãy nhập khối lượng của bạn vào [máy tính chi phí chuyển giọng nói thành văn bản](https://broadrouter.com/tools/speech-to-text-cost-calculator/), hoặc so sánh nhà cung cấp khác trong [bảng so sánh giá API chuyển giọng nói thành văn bản](https://broadrouter.com/vi/blog/speech-to-text-api-pricing-compared/).

## Nên xử lý quyền riêng tư và lưu giữ ra sao?

Tin nhắn thoại là dữ liệu cá nhân, và thường chứa nhiều hơn những gì khách hàng định chia sẻ. Ba thói quen hữu ích:

-   **Xóa âm thanh sau khi chép lời** trừ khi có chính sách yêu cầu giữ lại.
-   **Lưu bản chép lời cùng ticket**, dưới quyền truy cập của helpdesk, không lưu trong log ứng dụng.
-   **Dùng nhà cung cấp không giữ âm thanh.** BroadNet không giữ âm thanh hay bản chép lời sau request; xem [không lưu giữ dữ liệu](https://broadrouter.com/vi/privacy/).

Hãy trả lời bằng văn bản thuần, và giữ câu trả lời đầu tiên cho liên hệ mới thật ngắn, không kèm link. Các nền tảng nhắn tin theo dõi những mẫu giống spam từ số điện thoại doanh nghiệp.

## BroadNet Inference phù hợp ở đâu

BroadNet lo bước chép lời và trích xuất bằng một key tương thích OpenAI: [BroadNet Transcribe Arabic](https://broadrouter.com/vi/models/cohere-transcribe-arabic/) cho tin nhắn tiếng Ả Rập, BroadNet Transcribe cho tiếng Ả Rập cùng 13 ngôn ngữ khác, và các model chat đã thử với tiếng Ả Rập cho các trường của ticket. BroadNet báo cáo model tiếng Ả Rập của mình đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39) trên Open Universal Arabic ASR Leaderboard. Tín dụng ban đầu $5 đủ cho khoảng 1,190 phút âm thanh tiếng Ả Rập.

BroadNet không kết nối WhatsApp, Telegram hay helpdesk giúp bạn; việc xử lý webhook và tạo ticket là phần code hoặc công cụ tự động hóa của bạn. Cuộc gọi là bài toán khác, với hai người nói và bản ghi dài: xem [chép lời bản ghi tổng đài](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/).

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Chuyển giọng nói thành văn bản (speech-to-text)](https://broadrouter.com/vi/glossary/speech-to-text/)

Chuyển giọng nói thành văn bản, hay nhận dạng giọng nói tự động (ASR), là công nghệ biến lời nói thành chữ viết. API nhận tệp hoặc luồng âm thanh, trả về bản chép lời, thường tính theo phút. Độ chính xác đo bằng tỷ lệ lỗi từ, thay đổi theo giọng, phương ngữ và chất lượng ghi âm.

[Token](https://broadrouter.com/vi/glossary/token/)

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Đầu ra có cấu trúc (structured output)](https://broadrouter.com/vi/glossary/structured-output/)

Đầu ra có cấu trúc (structured output) là tính năng của API LLM buộc câu trả lời của model theo định dạng do lập trình viên chỉ định, thường là JSON Schema, để code parse được tin cậy. Nó chặt hơn JSON mode, vốn chỉ đảm bảo JSON hợp lệ chứ không đảm bảo một cấu trúc cụ thể.

[Ogg Opus](https://broadrouter.com/vi/glossary/ogg-opus/)

Ogg Opus là audio được mã hóa bằng codec Opus (RFC 6716) và lưu trong container Ogg (RFC 7845). Nó được thiết kế cho giọng nói và audio tương tác ở bitrate thấp, và là định dạng WhatsApp dùng cho tin nhắn thoại, thường là tệp .ogg hoặc .opus.

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

WAV (Waveform Audio File Format, hay WAVE) là một container audio xây trên định dạng RIFF của Microsoft và IBM. Nó thường chứa các mẫu PCM tuyến tính không nén, nên dung lượng dễ dự đoán: mỗi giây bằng tần số lấy mẫu nhân số byte mỗi mẫu nhân số kênh.

[API tương thích OpenAI (OpenAI-compatible API)](https://broadrouter.com/vi/glossary/openai-compatible-api/)

API tương thích OpenAI là một HTTP API nhận cùng định dạng request và phản hồi như OpenAI API, ví dụ POST /v1/chat/completions, nên SDK và công cụ của OpenAI dùng được nó chỉ bằng cách đổi base URL, API key và tên model.

[Code-switching (chuyển mã ngôn ngữ)](https://broadrouter.com/vi/glossary/code-switching/)

Code-switching là việc dùng hai hay nhiều ngôn ngữ, hoặc nhiều biến thể của một ngôn ngữ, trong cùng một cuộc hội thoại hay một câu, khi nói hoặc viết. Ví dụ: người nói tiếng Ả Rập chêm từ tiếng Anh vào phương ngữ, hoặc chuyển qua lại giữa tiếng Ả Rập chuẩn hiện đại và phương ngữ của mình.

[Không lưu giữ dữ liệu (zero data retention, ZDR)](https://broadrouter.com/vi/glossary/zero-data-retention/)

Không lưu giữ dữ liệu (ZDR) là chính sách mà nhà cung cấp AI chỉ xử lý prompt và đầu ra để phục vụ request, sau đó không lưu nội dung đó vào log, cache hay dữ liệu huấn luyện. Các bản ghi không chứa nội dung như số token và thời gian xử lý thường vẫn được giữ.

## Câu hỏi thường gặp

### Có tự động chép lời tin nhắn thoại WhatsApp được không?

Được. Với WhatsApp Business Cloud API, mỗi tin nhắn thoại tới dưới dạng webhook kèm media ID. Server của bạn lấy URL media, tải file bằng access token, chuyển đổi rồi gửi tới API chép lời.

### Làm sao chuyển tin nhắn thoại Telegram thành văn bản?

Bot của bạn nhận một object voice có file\_id. Gọi getFile, tải file từ đường dẫn trả về, chuyển sang WAV bằng ffmpeg rồi chép lời. Bot tải được file tới 20 MB.

### Chép lời tin nhắn thoại của khách hàng tốn bao nhiêu?

Với BroadNet Transcribe Arabic giá $0.0042 mỗi phút, 10.000 tin nhắn dài 30 giây tốn $21.00. Model 14 ngôn ngữ có giá $0.002 mỗi phút.

### Có nên trả lời tin nhắn thoại bằng tin nhắn thoại không?

Với hỗ trợ khách hàng, một câu trả lời ngắn bằng văn bản thường hiệu quả hơn: khách đọc được ở bất cứ đâu và cả hai bên đều tìm kiếm được. Hãy giữ câu trả lời đầu tiên đơn giản và ngắn gọn.

### Tôi có cần lưu file âm thanh gốc không?

Thường là không. Bản chép lời là đủ cho phần lớn quy trình hỗ trợ. Nếu bạn giữ âm thanh vì lý do chất lượng hay pháp lý, hãy đặt thời hạn lưu giữ và hạn chế quyền truy cập, vì giọng nói là dữ liệu cá nhân.

## Đọc tiếp

-   [Biên bản họp tiếng Ả Rập từ bản ghi âm: một pipeline API](https://broadrouter.com/vi/blog/arabic-meeting-minutes-from-recordings/)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: cách chọn năm 2026](https://broadrouter.com/vi/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Chép lời ghi âm tổng đài: pipeline sẵn sàng cho tiếng Ả Rập](https://broadrouter.com/vi/blog/transcribe-call-center-recordings/)
-   [So sánh giá API chuyển giọng nói thành văn bản: giá mỗi phút năm 2026](https://broadrouter.com/vi/blog/speech-to-text-api-pricing-compared/)
-   [Gửi dữ liệu nhạy cảm tới API LLM: che, tối thiểu hóa, ghi log ít](https://broadrouter.com/vi/blog/llm-api-sensitive-data/)
-   [Ghi âm trên trình duyệt và gửi tới API chuyển giọng nói thành văn bản](https://broadrouter.com/vi/blog/record-browser-audio-transcription-api/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Hướng dẫn: Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API](https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/)
-   [Hướng dẫn: API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-voice-notes-to-text-for-business&utm_content=page-cta) ·

**Nguồn**

-   [Meta WhatsApp Cloud API, media (lấy thông tin và tải về; truy cập ngày 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/business-phone-numbers/media)
-   [Telegram Bot API, getFile và Voice (truy cập ngày 2026-11-14)](https://core.telegram.org/bots/api#getfile)
-   [Tài liệu tham chiếu API BroadNet Inference, chép lời (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-voice-notes-to-text-for-business&utm_content=sources)
-   [Giá máy đọc được của BroadNet Inference (pricing.json) (tiếng Anh)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-voice-notes-to-text-for-business&utm_content=sources)
