Você passou horas montando seu agente de WhatsApp. Fluxo perfeito, respostas contextuais, integração com CRM. Aí o primeiro lead manda um áudio de 30 segundos e o agente responde: "Desculpe, apenas processo mensagens de texto." Dois terços dos seus usuários fazem exatamente isso.
Dado-chave: Mais de 60% dos usuários brasileiros preferem enviar mensagens de voz no WhatsApp em vez de digitar. Um agente que não processa áudio nasce com handicap de cobertura de canal.
Por Que Seu Agente Não Entende Áudio?
A razão é técnica e direta: a API do WhatsApp Business Cloud envia áudios como um link de mídia protegido, não como texto transcrito. O webhook recebe um JSON com um media_id no lugar do campo message.text.body. Antes de chegar no LLM, seu agente precisa baixar o arquivo, converter de OGG para WAV, enviar para um serviço de transcrição, aguardar a resposta e só então processar o texto. São cinco etapas antes da lógica do Assistente.
A maioria dos agentes é configurada para ler message.text.body. Quando esse campo vem vazio (qualquer mídia), o agente não tem o que processar. O resultado é o fallback genérico que frustra o usuário e encerra a conversa sem resolução.
Qual é o Custo Real de Ignorar Mensagens de Voz?
Em levantamento de 145 empresas que implementaram transcrição de áudio no WhatsApp, o custo por conversa com atendente humano ficou em R$4,80. Com agente de IA processando voz, esse número caiu para R$0,18. São 26x mais barato por interação, com tempo médio de primeira resposta abaixo de 3 segundos.
A taxa de contenção (resoluções sem intervenção humana) de agentes com suporte a áudio ficou entre 62% e 78%. Agentes que ignoram voz resolvem, na prática, menos de 30% das conversas, porque interrompem o fluxo toda vez que o usuário manda um áudio.
O outro lado da conta: cada lead que manda áudio e recebe uma mensagem de erro é um contato que provavelmente não vai tentar de novo. WhatsApp não tem "enviar novamente como texto" no hábito do usuário brasileiro.
Como Fazer do Zero: O Fluxo Real em Python
Para quem quer entender o que acontece por baixo dos panos, este é o fluxo completo. Não é para desanimar: é para você entender por que a maioria dos devs abandona essa implementação no meio do caminho.
Passo 1: Detectar Áudio no Webhook
@app.post("/webhook")
async def receive_message(request: Request):
body = await request.json()
entry = body.get("entry", [{}])[0]
changes = entry.get("changes", [{}])[0]
message = changes.get("value", {}).get("messages", [{}])[0]
msg_type = message.get("type")
if msg_type == "audio":
media_id = message["audio"]["id"]
phone = message["from"]
# Responda 200 ANTES de processar.
# Meta reenvía o webhook se não receber resposta em 5s.
asyncio.create_task(process_audio(media_id, phone))
elif msg_type == "text":
await process_text(message["text"]["body"], message["from"])
return {"status": "ok"}
Passo 2: Baixar o Arquivo e Transcrever com Whisper
async def process_audio(media_id: str, phone: str):
# Obter a URL temporária do arquivo de mídia
url_resp = requests.get(
f"https://graph.facebook.com/v19.0/{media_id}",
headers={"Authorization": f"Bearer {WA_TOKEN}"}
)
media_url = url_resp.json()["url"]
# Baixar o OGG com o mesmo token
audio_resp = requests.get(
media_url,
headers={"Authorization": f"Bearer {WA_TOKEN}"}
)
tmp_path = f"/tmp/{media_id}.ogg"
with open(tmp_path, "wb") as f:
f.write(audio_resp.content)
# Transcrever via Whisper (OpenAI)
client = OpenAI()
with open(tmp_path, "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
language="pt"
)
os.remove(tmp_path)
await process_text(transcription.text, phone)
Esse código funciona. Mas você ainda precisa de: fila de mensagens (áudios chegam mais rápido do que o Whisper processa), storage temporário confiável, retry para falhas de transcrição, limpeza de arquivos, monitoramento de custos da API e tratamento de áudios corrompidos. Em produção, são mais 4 a 8 horas de trabalho além do que está acima.
Na Mão vs Verboo: Comparativo Direto
| Item | Na mão (Python + Whisper) | Verboo |
|---|---|---|
| Tempo até o primeiro áudio funcionar | 2 a 6 horas | 20 minutos |
| Infraestrutura necessária | Servidor, fila, storage temporário | Nenhuma |
| Custo de transcrição (100 áudios/dia) | ~R$3,50/mês (Whisper API) | Incluso no plano |
| Latência média de resposta | 3 a 8 segundos | Menos de 500ms |
| Retry automático em falha | Você implementa | Nativo |
| Fallback para áudio ilegível | Você implementa | Configurado na Instrução |
| Manutenção contínua | Sua responsabilidade | Gerenciado |
Como Configurar o Assistente Verboo para Processar Áudio
O Assistente Verboo recebe todos os tipos de mensagem da API do WhatsApp Business, incluindo áudio. A transcrição acontece antes do LLM processar a mensagem: você configura o comportamento, não a infra. Para ajustar como o Assistente trata voz:
- Instrução: adicione ao contexto como o Assistente deve tratar mensagens transcritas. Exemplo: "Mensagens de voz são transcritas automaticamente. Trate o conteúdo transcrito como texto digitado pelo usuário. Se a transcrição vier vazia ou ilegível, peça educadamente para o usuário repetir em texto ou gravar em um ambiente mais silencioso."
- Integrações: confirme que o canal WhatsApp está conectado e ativo no painel.
- Gatilhos: se quiser enviar uma confirmação antes de processar o áudio (ex.: "Recebi seu áudio, processando..."), crie um Gatilho com condição no tipo de mensagem para disparar essa mensagem de feedback antes da resposta do LLM.
A Verboo já opera em mais de 390 empresas com latência abaixo de 500ms e mais de 27 milhões de mensagens processadas. Áudio não é um addon: faz parte do canal.
O Que Fazer com Áudio Ilegível?
Áudios muito curtos, gravados em ambiente barulhento ou com microfone de baixa qualidade podem gerar transcrição vazia ou incoerente. O fallback certo na Instrução do Assistente:
"Se a transcrição do áudio estiver vazia ou incoerente, responda: 'Recebi seu áudio, mas não consegui entender bem. Pode repetir em texto ou gravar novamente em um lugar mais silencioso?' Nunca ignore uma mensagem sem dar retorno."
Pequeno detalhe na Instrução. Diferença real na taxa de resolução sem escalonamento para humano.
Próximo Nível: Responder em Áudio Também
O WhatsApp lançou transcrição nativa de mensagens de voz em 2025, sinalizando que voz é a direção do canal. O passo seguinte não é só entender áudio: é responder em áudio quando o usuário mandou voz.
TTS via OpenAI ou ElevenLabs pode ser integrado ao fluxo do Assistente via Integrações da Verboo, permitindo que o agente responda com voz sintetizada quando o usuário original preferiu falar. A cobertura passa de 60% para 100% dos formatos suportados pelo WhatsApp.
Cole esse fluxo em um Assistente Verboo e seu agente começa a ouvir. Crie sua conta grátis (login Google em 10s, sem cartão).
