n8n: transcrever áudio e imagem do WhatsApp

Webhook Evolution: áudio chega no n8n sem copiar link

Kilobytes falam mais alto que palavras. A integração começa quando o Evolution armazena e disponibiliza o áudio recebido pelo WhatsApp. Para n8n transcrever áudio WhatsApp, você captura esse áudio já em base64 – um formato ideal para transportar o áudio sem perder nenhuma informação de mídia no caminho.

Base64 e binary: linha de montagem da mídia

Toda a manipulação do áudio e da imagem dentro do workflow gira em torno do base64. Em vez de trabalhar apenas com links, transportar a mídia convertida em base64 evita erros de permissionamento, problemas de acesso externo e garante integridade do dado. O Evolution pode até fornecer já em base64, mas manualmente trazer esse dado te dá total controle do fluxo – e menos dor de cabeça quando surge bug de fluxo.

JSON do WhatsApp: payload, identifiers e mídia

Toda mensagem do WhatsApp chega ao workflow do N8n como um JSON estruturado: ele carrega identifiers, payload com a mídia em base64, url original, instance do servidor e a vitrine de metadados. É essencial saber editar e manipular JSON no N8n, adaptando o template para que o caminho dos dados nunca quebre – principalmente IDs de mensagem, chaves da API e endpoints dinâmicos.

Convert to File: do base64 ao Whisper

Após capturar o áudio em base64, converta o dado para um arquivo real (.ogg para áudio e .jpg para imagem). A OpenAI só processa arquivos – nunca base64 puro! O N8n permite a conversão com nó de manipulação de arquivo, basta apontar para o payload base64 e o destino final do arquivo, já definindo nome (audio.ogg, image.jpg) e o tipo correto (mimetype) da mídia.

Views e execuções: debug do fluxo de mídia

Pinar execuções, copiar para editor e atualizar manualmente o fluxo são práticas obrigatórias para evitar retrabalho e testar todas as ramificações do seu automation. O N8n mostra na hora a conversão base64, o arquivo criado e permite visualizar o resultado dos dados enviados à OpenAI antes da próxima etapa.

Transcrição com Whisper: áudio vira texto

Basta passar o arquivo .ogg para o nó de Transcription da OpenAI no N8n: a IA automaticamente traduz áudio em texto, mantendo contexto e sem comandos extras. O segredo é ter o nó já preparado pra receber sempre o content na saída, padronizando o output até para diferentes caminhos do workflow.

Visão com GPT-4o: imagem vira insight

Da mesma forma que o áudio, envie a imagem em formato de arquivo do N8n direto para o endpoint de análise de imagens da OpenAI. Usando o modelo GPT-4o, extraia descrições detalhadas da foto, pronto para alimentar assistentes, triagens ou scripts de automação. A saída chega formatada como texto descritivo, também dentro da struct "content" – pronta para uso em integração e resposta automática.

Um pipeline para áudio e imagem (mesmo Switch)

Concentre todo o output do processo em uma única propriedade: "content". Assim, qualquer mídia recebida – áudio, imagem ou texto puro – terminará o fluxo pronta para utilização, sem precisar reescrever lógica para cada tipo de input.

Custo em R$: ordem de grandeza por 100 áudios

Use a tabela oficial da OpenAI (Transcription) e multiplique pela duração média do seu nicho. Em ago/2026, a faixa pública para transcrição em arquivo fica perto de US$0,003–0,006 por minuto (ex.: gpt-4o-mini-transcribe ~US$0,003/min; whisper-1 / gpt-4o-transcribe ~US$0,006/min). Confirme sempre em openai.com/api/pricing — o preço muda.

Exemplo didático (não cotação de contrato): 100 áudios × 1 minuto médio × US$0,006 = US$0,60. Com câmbio ilustrativo ~R$5,50/USD, isso é ~R$3,30 só de STT. Se a média for 2 minutos, dobre. Some GPT-4o (visão ou resumo) só nos casos com imagem/texto longo — é outra linha da fatura.

Hospedagem: n8n self-host/VPS + Evolution amortizados no mês (ex.: R$40–120/mês de VPS, conforme provedor) divididos pelo volume. Em lote baixo, o fixo domina; em lote alto, a API domina. Não invente free-tier Groq eterno — só compare se você já tiver conta e cotas reais.

API oficial Meta vs Evolution: risco e quando usar

Cloud API (oficial Meta) e Evolution (não-oficial / WhatsApp Web-style) não são intercambiáveis em compliance. Para receita e conta que não pode cair, prefira a API oficial com Business Manager, templates e janela de 24h. Evolution acelera protótipo e laboratório — com risco maior de ban e mudança de protocolo.

No n8n, o payload muda: oficial traz wamid e estrutura Cloud; Evolution costuma entregar base64/URL de mídia via webhook próprio. Documente no README do workflow qual caminho está ativo e o que falta para migrar.

Regra prática: protótipo ok em Evolution; cliente pagante sério → planeje Cloud API.

Fallback: mensagem sem mídia ou tipo inesperado

Implemente ramificações para lidar com mensagens que não sejam áudio, imagem ou texto, prevendo o fallback para tratar erros e caminhos vazios. Ter um padrão de fallback evita que a automação pare silenciosamente ou perca informações críticas.

Testar com áudio e imagem reais (Evolution)

Copiar, adaptar e clonar etapas do workflow (CTRL+C, CTRL+V com pequenas modificações de tipo ou nome) é a estratégia mais eficiente para acelerar a prototipagem e criar novas rotas de automação. Melhore continuamente cada nó, e mantenha o controle do output para garantir que nenhuma informação saia do padrão.

Próximos passos: do workflow ao atendimento

Automatizar a transcrição e análise de mídia no WhatsApp não é dom de programador sênior: é método, repetição e paciência. Implemente seu fluxo, ajuste nos detalhes, repita testes reais. Cada erro poupa horas de debug no futuro.

Fontes

Revisão em agosto de 2026. Nomes de modelo (ex.: GPT-4o) e preços de áudio/visão mudam — confira a documentação oficial antes de orçar produção. Tutorial de integração, não garantia de custo por minuto.

<a href="https://docs.n8n.io/">Documentação n8n</a>. <a href="https://platform.openai.com/docs/guides/speech-to-text">OpenAI Speech to text</a>. <a href="https://platform.openai.com/docs/guides/images-vision">OpenAI Vision</a>.

Perguntas frequentes

Como transcrever áudio do WhatsApp com n8n e OpenAI?

Receba o áudio via webhook (Evolution ou Cloud API), converta para binário e envie ao speech-to-text (Whisper/OpenAI). Depois devolva o texto na conversa ou grave no CRM.

Dá para analisar imagem no mesmo fluxo n8n?

Sim: separe o ramo de imagem (MIME/tamanho) e use um modelo vision como GPT-4o. Não misture áudio e imagem no mesmo nó sem Switch.

Preciso da Evolution API ou da API oficial do WhatsApp?

Os dois funcionam no padrão webhook → n8n. Para produção e compliance, prefira a Cloud API oficial; Evolution é comum em labs e self-host.

O áudio precisa vir em base64 no n8n?

Em vários setups Evolution o payload vem em base64: use Convert to File antes do Whisper. Sem binário válido, a transcrição falha.

Continue explorando