---
title: "Chép lời tin nhắn thoại WhatsApp (.ogg) bằng API | BroadRouter"
description: "Chuyển tin nhắn thoại WhatsApp .ogg hoặc bản ghi âm điện thoại .m4a sang WAV bằng ffmpeg, rồi chép lời bằng tiếng Ả Rập hoặc 13 ngôn ngữ khác với một lệnh gọi API."
url: https://broadrouter.com/vi/guides/transcribe-whatsapp-voice-notes/
lang: vi
updated: 2026-11-16
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/guides/transcribe-whatsapp-voice-notes/) (cập nhật ngày 2026-11-16).

# Chép lời tin nhắn thoại WhatsApp thành văn bản bằng API

Cập nhật 2026-11-16

Hãy chuyển file bằng ffmpeg rồi gửi lên API. Tin nhắn thoại WhatsApp là âm thanh Opus trong file .ogg, mà endpoint chép lời không nhận trực tiếp. Chuyển từng file sang WAV mono 16 kHz, rồi gửi tới BroadNet Transcribe Arabic hoặc BroadNet Transcribe kèm trường language phù hợp. Một script ngắn làm cả hai bước cho cả thư mục.

Xuất tin nhắn thoại từ cuộc trò chuyện (hoặc nhận chúng qua tích hợp WhatsApp Business) và bạn sẽ có các file `.ogg`. Tài liệu Cloud API của Meta nói tin nhắn thoại WhatsApp là file `.ogg` mã hóa bằng codec Opus. Bản ghi âm trên điện thoại thường là `.m4a`. Endpoint chép lời của BroadNet nhận WAV và MP3, nên hãy chuyển đổi trước.

## 1\. Chuyển đổi một file

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

`-ar 16000 -ac 1` tạo âm thanh mono 16 kHz, đúng kiểu chuyển đổi mà tài liệu BroadNet dùng cho tin nhắn thoại và bản ghi âm điện thoại. Lệnh này cũng dùng được cho `.m4a`. WAV mono 16 kHz 16-bit chiếm 32.000 byte mỗi giây, nên giới hạn file 26.214.400 byte chứa được khoảng 13 phút. Với bản ghi dài hơn, [công cụ chia file âm thanh](https://broadrouter.com/tools/audio-splitter-ffmpeg/) tính số đoạn cần cắt và viết sẵn các lệnh ffmpeg.

## 2\. Chép lời cả thư mục

```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])
```

Mỗi file `.txt` nằm ngay cạnh tin nhắn thoại tương ứng. Để tự động chạy các bước này cho mọi tin nhắn WhatsApp Business gửi đến, xem [workflow n8n cho tin nhắn thoại WhatsApp](https://broadrouter.com/vi/guides/n8n-whatsapp-voice-note-transcription/).

## Chi phí

Một tin nhắn thoại dài một phút có giá $0.0042 với model tiếng Ả Rập, hoặc $0.002 với model 14 ngôn ngữ. Âm thanh và bản chép lời không được lưu giữ sau request; xem [không lưu giữ dữ liệu](https://broadrouter.com/vi/privacy/).

## Khắc phục sự cố

-   **Ra chữ Latin thay vì chữ Ả Rập:** thêm `language="ar"`. Tài liệu BroadNet khuyên luôn gửi `language`.
    
-   **Lỗi 413:** file vượt quá 26.214.400 byte (25 MiB). Chia bản ghi dài thành các đoạn WAV 10 phút:
    
    ```bash
    ffmpeg -i long-note.ogg -ar 16000 -ac 1 -f segment -segment_time 600 part-%03d.wav
    ```
    
-   **Lỗi 400 hoặc 422 khi upload:** kiểm tra file có thật là WAV hoặc MP3 không, hay chỉ là file `.ogg` bị đổi tên thành `.wav`. Hãy chạy bước chuyển đổi bằng ffmpeg.
    
-   **`ffmpeg: command not found`:** cài ffmpeg bằng trình quản lý gói (ví dụ `apt install ffmpeg` hoặc `brew install ffmpeg`).
    
-   **Lỗi 429:** key trả theo mức dùng cho phép 4 request cùng lúc; hãy xử lý file trong một pool nhỏ. Xem [tất cả mã lỗi của BroadNet](https://broadrouter.com/vi/guides/errors-and-retries/).
    

Chi tiết hơn về model, định dạng và độ chính xác: [hướng dẫn chuyển giọng nói tiếng Ả Rập thành văn bản](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/). Để so sánh giá mỗi phút âm thanh của các nhà cung cấp khác, xem [chỉ số giá API chuyển giọng nói thành văn bản](https://broadrouter.com/data/speech-to-text-api-prices/) công khai, có nguồn và ngày cho từng mức giá. Vì sao 16 kHz là đủ cho giọng nói: xem [tần số lấy mẫu](https://broadrouter.com/vi/glossary/sample-rate/).

## Thuật ngữ trong hướng dẫn này

[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.

[Trả theo mức dùng (pay-as-you-go)](https://broadrouter.com/vi/glossary/pay-as-you-go/)

Trả theo mức dùng (pay-as-you-go) là mô hình giá mà bạn chỉ trả cho những gì đã dùng, đo theo đơn vị như token, request hoặc phút âm thanh, không có gói đăng ký hay cam kết tối thiểu. Hầu hết API LLM tính phí theo cách này, trừ vào số dư trả trước hoặc qua hóa đơn định kỳ.

[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.

[Concurrency (request đồng thời)](https://broadrouter.com/vi/glossary/concurrency/)

Concurrency (request đồng thời) là số request mà một client đang xử lý cùng lúc. Các API LLM thường giới hạn nó theo key hoặc theo gói, tách biệt với số request mỗi phút, vì mỗi request đang mở chiếm dụng năng lực GPU cho tới khi response kết thúc.

[Giới hạn tần suất (rate limit)](https://broadrouter.com/vi/glossary/rate-limit/)

Giới hạn tần suất (rate limit) là mức trần mà API đặt ra cho lượng sử dụng của một client trong một khoảng thời gian, như số request mỗi phút hoặc số token mỗi phút. Request vượt giới hạn bị từ chối, thường với HTTP 429 Too Many Requests, cho đến khi mức dùng giảm xuống dưới giới hạn.

[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.

[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.

[Tần số lấy mẫu (sample rate)](https://broadrouter.com/vi/glossary/sample-rate/)

Tần số lấy mẫu (sample rate) là số mẫu âm thanh ghi được mỗi giây, đo bằng hertz (Hz). Model nhận dạng giọng nói thường cần audio mono 16.000 Hz (16 kHz). Cùng với bit depth và số kênh, sample rate quyết định dung lượng mỗi phút của file audio không nén.

## Câu hỏi thường gặp

### Tin nhắn thoại WhatsApp có định dạng âm thanh gì?

Âm thanh Opus trong container Ogg, lưu thành file .ogg. Tài liệu Cloud API của Meta nói tin nhắn thoại phải là file .ogg mã hóa bằng codec Opus, và chỉ hỗ trợ mono.

### Có gửi thẳng file .ogg lên API chép lời được không?

Với BroadNet Inference thì không. Endpoint chép lời của BroadNet nhận WAV và MP3, nên hãy chuyển tin nhắn thoại bằng ffmpeg trước. Một lệnh là đổi được sang WAV mono 16 kHz.

### Tin nhắn thoại có bị lưu lại sau khi chép lời không?

BroadNet cho biết âm thanh và bản chép lời chỉ được xử lý cho request và không được lưu giữ. BroadNet chỉ giữ các bản ghi không chứa nội dung như thời gian xử lý, trạng thái và mức dùng, phục vụ thanh toán và bảo mật.

### Nên dùng model nào cho tin nhắn thoại tiếng Ả Rập?

BroadNet Transcribe Arabic, tức broadnet/cohere-transcribe-arabic, với language đặt là ar. Dùng BroadNet Transcribe, tức broadnet/cohere-transcribe, cho 13 ngôn ngữ còn lại mà model này hỗ trợ.

## Hướng dẫn liên quan

-   [Chép lời tin nhắn thoại WhatsApp trong n8n](https://broadrouter.com/vi/guides/n8n-whatsapp-voice-note-transcription/)
-   [API chuyển giọng nói tiếng Ả Rập thành văn bản: từng bước](https://broadrouter.com/vi/guides/arabic-speech-to-text-api/)
-   [Mã lỗi BroadNet Inference và khi nào nên thử lại](https://broadrouter.com/vi/guides/errors-and-retries/)

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-guides-transcribe-whatsapp-voice-notes&utm_content=page-cta) ·

**Nguồn**

-   [Tài liệu tham chiếu API BroadNet Inference, chép lời và chuyển đổi bằng ffmpeg (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-guides-transcribe-whatsapp-voice-notes&utm_content=sources#requests)
-   [Bảng giá BroadNet Inference (tiếng Anh)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-guides-transcribe-whatsapp-voice-notes&utm_content=sources)
-   [Meta WhatsApp Cloud API, tin nhắn âm thanh (tin nhắn thoại là OGG với codec Opus; kiểm tra ngày 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [Tài liệu định dạng FFmpeg, segment muxer (kiểm tra ngày 2026-11-14)](https://ffmpeg.org/ffmpeg-formats.html#segment)
