Transcripción de Voz de la API de WhatsApp Business: julio de 2026

Has revisado la referencia de la API de WhatsApp Business dos veces, buscando el endpoint que convierte una nota de voz entrante en texto. No está ahí. Nunca ha estado ahí. Eso no es un descuido en tu lectura: es el dato más importante sobre la transcripción de voz de la API de WhatsApp Business, y casi nada de lo que se escribe sobre el tema lo dice con claridad.

Esto es lo que la plataforma realmente te da, lo que silenciosamente te retiene, y las dos trampas que rompen los mensajes de voz sin hacer ruido para los equipos que no las conocen.

Verificado por última vez en julio de 2026 con la documentación de la Plataforma de WhatsApp Business de Meta, incluidos los cambios lanzados en marzo y junio de 2026.

La Respuesta Corta

No existe ningún endpoint de la Plataforma de WhatsApp Business que transcriba un mensaje de voz entrante. Ni en la Cloud API, ni en la On-Premises API. Cuando un cliente envía a tu negocio una nota de voz, el webhook te entrega un ID de medio. Llamas al endpoint de medios, descargas un archivo de audio, y a partir de ese punto estás completamente por tu cuenta.

Convertir ese audio en texto es tu problema a resolver, con el reconocimiento de voz que tú elijas y a tu propio costo.

Las transcripciones que los usuarios de WhatsApp ven en sus chats sí existen, pero se generan en el teléfono del receptor y nunca salen de él. No se transmiten a WhatsApp, y desde luego no se te transmiten a ti. Incluso si un agente humano de tu equipo lee una transcripción dentro de la aplicación WhatsApp Business, ese texto queda atrapado en ese único teléfono. No hay ninguna API que te lo entregue.

La Ironía: Meta Transcribirá una Llamada, Pero No una Nota de Voz

Aquí es donde la plataforma se vuelve genuinamente extraña.

El 30 de junio de 2026, Meta lanzó la transcripción de llamadas para la API de Llamadas de WhatsApp Business. No es una función simbólica. Detecta automáticamente el idioma hablado en aproximadamente 54 idiomas, separa al hablante del negocio del cliente y devuelve marcas de tiempo a nivel de palabra con puntuaciones de confianza por palabra como JSON estructurado.

Mientras tanto, las transcripciones de mensajes de voz en Android todavía admiten cuatro idiomas: inglés, portugués, español y ruso. Sin cambios desde noviembre de 2024. Hemos desglosado qué idiomas admite realmente la transcripción de WhatsApp si necesitas el panorama completo por plataforma.

Así que la plataforma puede transcribir tamil, suajili, vietnamita y urdu, en una llamada telefónica. Simplemente no lo hará para la nota de voz que tu cliente te envió treinta segundos antes. Sea cual sea la razón, la consecuencia práctica para ti es simple: el motor existe, y no puedes apuntarlo a tus notas de voz.

Cómo funciona realmente la transcripción de llamadas

• Opta por ella en cada llamada pasando un objeto de transcripción cuando inicias o aceptas la llamada. No está activada por defecto.
• El consentimiento es obligatorio y audible. Meta mezcla un anuncio hablado en ambos flujos de audio antes de que comience la transcripción, y debes proporcionar un propósito declarado. No puedes transcribir una llamada en silencio.
• La entrega es asíncrona. Recibes un webhook con un ID de medio, y luego descargas la transcripción en JSON.
• Tienes siete días. Después de eso, la transcripción ya no se puede descargar. Si necesitas conservarla, debes obtenerla y almacenarla tú mismo, sin demora.
• Actualmente es gratuita, y la documentación de Meta indica que hay una tarifa aparte planeada pero aún sin fecha. No construyas un caso de negocio sobre que el precio se mantenga en cero.

Dos Trampas Que Rompen los Mensajes de Voz Sin Hacer Ruido

Trampa 1: debe ser .ogg con el códec OPUS

Desde octubre de 2025 puedes enviar audio como un verdadero mensaje de voz —forma de onda, botón de reproducción, todo— en lugar de como un archivo adjunto. Pero hay un requisito estricto enterrado en la documentación.

Los mensajes de voz deben ser archivos .ogg codificados con el códec OPUS. La documentación de Meta es inequívoca: "Si envías un tipo de archivo diferente o un archivo codificado con un códec diferente, la transcripción del mensaje de voz fallará".

Lo que hace esto cruel es el modo de falla. No hay error ni advertencia: el mensaje se envía, se reproduce, y la transcripción simplemente nunca aparece. Los equipos pierden días con esto, peinando su manejo de webhooks cuando el bug real es una línea en su paso de codificación.

Trampa 2: decide el receptor, no tú

Incluso con un archivo OPUS perfectamente codificado, tú no controlas si aparece una transcripción. El receptor sí. Cada usuario de WhatsApp configura las transcripciones de mensajes de voz en uno de tres estados:

• Automático: la transcripción de texto aparece junto con el mensaje.
• Manual: ven una opción de "Transcribir" y eligen si usarla.
• Nunca: no aparece ningún texto, jamás.

No hay ningún parámetro de la API que anule esto, ni forma de consultar qué configuración tiene un usuario dado. Si la experiencia de tu producto depende de que el cliente lea la transcripción de tu mensaje de voz, entiende que estás dependiendo de una configuración que no puedes ver ni cambiar. Diseña en consecuencia: si el contenido importa, envía texto.

Qué Sí Llegó en 2026

El webhook de "reproducido"

Desde el 17 de marzo de 2026, los mensajes de voz enviados por un negocio reciben un webhook de estado "reproducido" la primera vez que el receptor los reproduce. Hasta ahora, "entregado" y "leído" eran el final de la historia, y un acuse de lectura en un mensaje de voz te decía muy poco.

Esta es una señal genuinamente útil. Es la primera vez que puedes distinguir un mensaje de voz que simplemente fue entregado de uno que realmente fue escuchado, que es lo único que de verdad querías saber.

El buzón de voz llega como un mensaje de audio ordinario

El buzón de voz alcanzó disponibilidad general el 25 de junio de 2026. El detalle que vale la pena interiorizar es cómo se entrega: los mensajes de buzón de voz llegan a través del webhook de mensajes como mensajes de audio entrantes.

Lo que significa que aterrizan exactamente en la misma posición que cualquier otra nota de voz: como un ID de medio que apunta a un archivo de audio, sin ninguna transcripción adjunta. Tus llamadas perdidas ahora generan más audio para que tú mismo lo transcribas.

Entonces, ¿Qué Construyes Realmente?

Quita el detalle y la arquitectura es forzada. Para cualquier nota de voz entrante, recibes un ID de medio, descargas el audio y traes tu propio reconocimiento de voz. No hay ninguna ruta compatible que lo evite.

Eso te deja con una decisión real, y vale la pena tomarla deliberadamente en lugar de por defecto:

Construirlo. Conecta el endpoint de medios a un proveedor de voz a texto. Serás dueño de la canalización, los reintentos, el almacenamiento del audio y su política de retención, los costos por minuto, y la cuestión permanente de la precisión sobre audio del mundo real grabado en furgonetas y cafés. Razonable si la transcripción es central para tu producto y quieres control sobre el modelo.

No construirlo. Si solo necesitas que tu equipo lea lo que dijeron los clientes, montar y mantener una canalización de transcripción es mucha ingeniería para reinventar algo que ya existe. Reenviar notas de voz a un servicio de transcripción te da texto en el chat, en más de 50 idiomas, sin infraestructura y sin audio que tengas que almacenar y proteger.

Sé honesto sobre qué problema tienes. Muchos equipos han construido la canalización porque el silencio de la API la hizo sentir obligatoria, no porque la transcripción fuera alguna vez aquello en lo que querían ser buenos.

¿Usas la aplicación WhatsApp Business en lugar de la API? Producto diferente, reglas diferentes: la transcripción vive en tu teléfono y la configuración es una opción de ajustes. Consulta en su lugar nuestra guía para transcribir mensajes de voz de WhatsApp Business.

Fuentes

Comprobado con la documentación primaria de Meta en julio de 2026.

• Meta para Desarrolladores - Mensajes de audio - el requisito de .ogg/OPUS, la configuración Automático/Manual/Nunca del receptor, y el webhook de estado "reproducido" del 17 de marzo de 2026.
• Meta para Desarrolladores - Transcripción de llamadas - el flujo de aceptación, el anuncio de consentimiento obligatorio, la estructura de la transcripción JSON, la cobertura de idiomas y la ventana de descarga de siete días.
• Centro de Ayuda de WhatsApp - Acerca de las transcripciones de mensajes de voz - el comportamiento en el dispositivo y del lado del receptor, y la lista de idiomas de Android.

Preguntas Frecuentes

¿Existe un endpoint de la Cloud API de WhatsApp que transcriba una nota de voz entrante? No. A julio de 2026, ningún endpoint de la Plataforma de WhatsApp Business devuelve la transcripción de un mensaje de voz entrante. Recibes un ID de medio, descargas el audio, y la transcripción es tuya para resolverla.

¿Puede un negocio ver la transcripción de un mensaje de voz que recibió? No a través de la API. Las transcripciones se generan en el dispositivo del receptor y nunca salen de él. Incluso cuando tu agente lee una en la aplicación WhatsApp Business, ese texto se queda en ese teléfono.

¿Por qué mi mensaje de voz de WhatsApp nunca muestra una transcripción? Casi siempre por una de dos cosas. O el archivo no es .ogg codificado con OPUS —en cuyo caso la transcripción falla en silencio—, o el receptor ha configurado las transcripciones de mensajes de voz en Manual o Nunca, algo que no puedes ver ni anular.

¿La API de Llamadas de WhatsApp Business admite transcripción? Sí, desde el 30 de junio de 2026. Optas por ella en cada llamada, ambas partes escuchan un anuncio obligatorio, y obtienes JSON con separación de hablantes, marcas de tiempo a nivel de palabra y puntuaciones de confianza en aproximadamente 54 idiomas detectados automáticamente. La transcripción se puede descargar durante siete días. Transcribe llamadas, no notas de voz.

¿La transcripción de llamadas es gratuita? Lo es por el momento. La documentación de Meta dice que hay una tarifa aparte planeada, sin fecha de lanzamiento indicada. Trata el precio actual como temporal.