首页 → 博客 → 语音消息转文字：Telegram、WhatsApp 及其他即时通讯工具

语音消息转文字：Telegram、WhatsApp 及其他即时通讯工具

发布于 2026-08-05 · 5 分钟阅读

语音消息对发送者方便，对其他所有人都不方便：没法快速略读，没法检索，开会时也没法看。自动转录解决了这个问题——下面讲如何把它接进机器人或业务流程。

语音消息和普通录音有什么不同

有三个特点需要注意：

ogg/opus 容器。Telegram 和 WhatsApp 把语音压成 opus，不需要事先转换，服务直接接收原始文件。
时长很短。一条消息通常在三秒到一分钟之间。片段越短，模型能用的上下文越少。
口语化表达。断句、街道噪音、口头禅都会进入转录结果，因为识别的是实际说出来的内容。

把语音消息送去转录

文件按即时通讯工具给出的原样传过去：

from openai import OpenAI

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

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

print(text)

格式由文件内容判断，而不是扩展名，因此文件名写错也不影响识别。

用文字回复语音消息的机器人

流程很简单：收到语音消息 → 下载文件 → 送去转录 → 把文字发回聊天。

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=("voice.ogg", file), language="zh",
    ).text
    await message.reply(text or "没有听清任何语音内容")

结果在同一个请求里返回，用户发完消息一两秒后就能拿到文字。

短片段：如何提高准确率

两三秒的录音最难处理：上下文少，语种判断也容易出错。三个几乎总是有效的做法：

显式指定语种—— language="zh"。关掉自动识别，短句上的错误就消失了。
描述预期内容，通过 prompt。例如验证码场景：prompt="A four-digit confirmation code"。
检查置信度。verbose_json 的响应里带有语种概率，数值偏低就是需要人工复核的信号。

多语种混合的场景

如果消息来自不同语种，无需任何配置：语种由音频自动判断，支持 99 种语言。verbose_json 会返回识别出的语种，用它把会话分配给对应的客服很方便。

一个注意点：语种是根据录音开头判定的。如果对方先说中文再切到英文，转录会继续以「中文模式」进行——这类消息最好单独处理。

静音和空录音

有一部分语音消息其实是空的：误触、断线、只有背景噪音没有人声。这种情况下服务返回空字符串，而不是编造出来的句子——内置过滤器会切掉神经网络典型的幻觉内容，比如片尾字幕和「感谢观看」。

代码里只需判断字符串是否为空，不要把无意义的结果展示给用户。

用你自己的录音试一试。 注册只需一分钟，免费额度足够判断识别质量。

免费获取 API 密钥

常见问题

发送前需要把 ogg 转成 wav 吗？

不需要。即时通讯工具产出什么格式就直接发什么：ogg、opus、mp3、m4a、wav 等常见格式都可以。

中文语音消息识别效果怎么样？

中文属于识别质量最好的一批语种，共支持 99 种语言。不过对于单一语种的消息流，仍然建议显式指定语种。

一条语音消息要转多久？

一分钟以内的普通消息一到两秒完成，结果在同一个请求里返回。

如果录音里没有人声会返回什么？

返回空文本。服务不会在没有内容的地方编造内容。

文件大小有限制吗？

有，单次请求 25 MB。对语音消息来说余量极大：opus 编码下这个体积是好几个小时的语音。