Como transcrever áudios de WhatsApp (PTT) automaticamente na Evolution API com OpenAI Whisper e n8n

1. Arquitetura e pré-requisitos no ambiente

Muitos clientes preferem enviar áudios de 1 a 2 minutos no WhatsApp em vez de digitar. Com a transcrição automática via Whisper, tanto o seu Agente de IA quanto os atendentes no Chatwoot leem o conteúdo em segundos.

• Chave de API da OpenAI (OPENAI_API_KEY) ou endpoint Groq Whisper compatível.
• Evolution API v2 integrada ao n8n ou plugin nativo OpenAI da Evolution.

2. Passo a passo de implementação e validação

1. Na integração nativa OpenAI da Evolution API v2, cadastre sua chave da OpenAI e habilite a opção Speech to Text para que toda mensagem de áudio apareça transcrita diretamente no ticket do Chatwoot.
2. Alternativamente, no n8n, filtre no Webhook quando messageType == 'audioMessage'.
3. Chame o endpoint /chat/getBase64FromMediaMessage da Evolution API (ou baixe direto do seu bucket Storage S3), converta para binário e envie ao nó OpenAI > Transcribe a Recording.
4. Encaminhe o texto transcrito normalmente para o seu nó AI Agent como se o cliente tivesse digitado a mensagem!

3. Boas práticas de produção, segurança e escala

Usar o modelo whisper-1 (ou whisper-large-v3-turbo) custa frações de centavo por minuto de áudio e funciona perfeitamente com sotaques e gírias em português.

• Limite o processamento automático a áudios de até 5 minutos para evitar gastos inesperados.