Início → Blog → Transcrição de mensagens de voz: WhatsApp, Telegram e outros

Transcrição de mensagens de voz: WhatsApp, Telegram e outros

Mensagem de voz é cômoda para quem manda e incômoda para quem recebe: não dá para passar os olhos, nem buscar, nem ler numa reunião. A transcrição automática resolve isso — veja como colocá-la dentro de um bot ou de um processo de atendimento.

O que diferencia uma mensagem de voz

Mensagens de voz têm três particularidades que valem ser levadas em conta:

• Formato ogg/opus. WhatsApp e Telegram comprimem a voz em opus — não é preciso converter antes, o arquivo é aceito como está.
• Duração curta. A mensagem típica tem de três segundos a um minuto. Quanto mais curta, menos contexto o modelo tem.
• Fala espontânea. Frases interrompidas, barulho de rua, vícios de linguagem — tudo isso entra na transcrição, porque o que é reconhecido é o que foi dito.

Enviando o áudio para transcrição

O arquivo vai exatamente como chegou do mensageiro:

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="sua chave")

with open("mensagem.ogg", "rb") as f:
    text = client.audio.transcriptions.create(model="whisper-1", file=f).text

print(text)

O formato é identificado pelo conteúdo do arquivo, não pela extensão, então um nome errado não atrapalha o reconhecimento.

Um bot que responde em texto

O fluxo é simples: recebeu o áudio, baixou o arquivo, mandou transcrever, devolveu o texto no chat.

async def on_voice(message, bot):
    file = await bot.download(message.voice.file_id)   # ogg/opus
    text = client.audio.transcriptions.create(
        model="whisper-1", file=("voz.ogg", file), language="pt",
    ).text
    await message.reply(text or "Não consegui entender o áudio")

A resposta vem na mesma requisição, então o usuário recebe o texto poucos segundos depois de enviar a mensagem.

Mensagens curtas: como ganhar precisão

Em gravações de dois ou três segundos o trabalho é mais difícil: há pouco contexto e a detecção de idioma pode errar. Três truques que quase sempre ajudam:

1. Informe o idioma — language="pt". A detecção automática é desligada e os erros em frases curtas desaparecem.
2. Sugira o formato esperado pelo prompt. Para códigos: prompt="Código de confirmação de quatro dígitos".
3. Olhe a confiança. A resposta verbose_json traz a probabilidade do idioma: um valor baixo é sinal de que vale reconferir.

Fluxos em vários idiomas

Se as mensagens chegam em idiomas diferentes, não há nada a configurar: o idioma é detectado pelo som e há suporte a 99 deles. A resposta verbose_json devolve o idioma reconhecido — um jeito prático de rotear o atendimento para quem fala aquela língua.

Uma ressalva: o idioma é decidido pelo começo da gravação. Se a pessoa começa em português e passa para o inglês, a transcrição segue em «modo português» — esse tipo de mensagem é melhor tratar à parte.

O que fazer com silêncio e áudios vazios

Parte das mensagens acaba vazia: toque acidental, queda de conexão, ruído de fundo sem fala. Nesses casos o serviço devolve texto vazio em vez de frases inventadas — filtros internos cortam as «alucinações» típicas de redes neurais, como créditos finais e agradecimentos por assistir.

No código basta checar a string vazia e não mostrar ao usuário uma resposta sem sentido.

Perguntas frequentes

Leitura relacionada

• Como transcrever a gravação de uma chamada — Guia passo a passo para transformar a gravação de uma ligação em texto pela API em poucos minutos. Com exemplos em Python e C# e a lista de erros mais comuns.
• Legendas SRT e VTT automáticas a partir de vídeos e webinars — Como obter legendas prontas com marcações de tempo a partir de um webinar ou vídeo: extração do áudio, formatos SRT e VTT, código e os problemas mais frequentes.
• Quais idiomas o reconhecimento de fala realmente domina — Os 99 idiomas suportados não são iguais: quais são confiáveis, onde a precisão cai, como funciona a detecção e o que fazer com gravações que trocam de idioma.