Transcrição de Voz da WhatsApp Business API: julho de 2026

Você já passou pela referência da WhatsApp Business API duas vezes, procurando o endpoint que transforma uma nota de voz recebida em texto. Ele não está lá. Nunca esteve lá. Isso não é um descuido na sua leitura - é o fato mais importante sobre a transcrição de voz da WhatsApp Business API, e quase nada do que se escreve sobre o tema diz isso com clareza.

Aqui está o que a plataforma realmente oferece, o que ela silenciosamente retém, e as duas armadilhas que quebram silenciosamente as mensagens de voz de equipes que não sabem sobre elas.

Verificado pela última vez em julho de 2026 na documentação da WhatsApp Business Platform da Meta, incluindo as mudanças lançadas em março e junho de 2026.

A Resposta Curta

Não existe endpoint da WhatsApp Business Platform que transcreva uma mensagem de voz recebida. Nem na Cloud API, nem na On-Premises API. Quando um cliente envia uma nota de voz para o seu negócio, o webhook lhe entrega um ID de mídia. Você chama o endpoint de mídia, baixa um arquivo de áudio, e a partir desse ponto você está completamente por conta própria.

Transformar esse áudio em texto é um problema seu para resolver, com o reconhecimento de fala que você escolher e ao seu próprio custo.

As transcrições que os usuários do WhatsApp veem em suas conversas de fato existem - mas são geradas no telefone de quem recebe e nunca saem dele. Elas não são transmitidas ao WhatsApp, e certamente não são transmitidas a você. Mesmo que um atendente humano da sua equipe leia uma transcrição dentro do aplicativo WhatsApp Business, esse texto fica preso naquele único aparelho. Não existe API que vá entregá-lo a você.

Para o lado não técnico disso - configuração, idiomas, resolução de problemas - veja nosso FAQ de transcrição do WhatsApp Business.

A Ironia: a Meta Transcreve uma Chamada, Mas Não uma Nota de Voz

É aqui que a plataforma fica genuinamente estranha.

Em 30 de junho de 2026, a Meta lançou a transcrição de chamadas para a WhatsApp Business Calling API. Não é um recurso de fachada. Ela detecta automaticamente o idioma falado entre cerca de 54 idiomas, separa o falante do negócio do cliente, e retorna marcações de tempo por palavra com pontuações de confiança por palavra como JSON estruturado.

Enquanto isso, as transcrições de mensagens de voz no Android ainda suportam quatro idiomas: Inglês, Português, Espanhol e Russo. Sem mudanças desde novembro de 2024. Detalhamos quais idiomas a transcrição do WhatsApp realmente suporta caso você precise do quadro completo por plataforma.

Então a plataforma consegue transcrever Tâmil, Suaíli, Vietnamita e Urdu - em uma ligação. Ela simplesmente não faz isso para a nota de voz que seu cliente lhe enviou trinta segundos antes. Seja qual for o motivo, a consequência prática para você é simples: o motor existe, e você não pode apontá-lo para as suas notas de voz.

Como a transcrição de chamadas de fato funciona

• Opte por ela em cada chamada passando um objeto de transcrição ao iniciar ou aceitar a chamada. Ela não está ativada por padrão.
• O consentimento é obrigatório e audível. A Meta mistura um anúncio falado em ambos os fluxos de áudio antes de a transcrição começar, e você deve fornecer uma finalidade declarada. Você não pode transcrever uma chamada silenciosamente.
• A entrega é assíncrona. Você recebe um webhook com um ID de mídia e então baixa a transcrição em JSON.
• Você tem sete dias. Depois disso a transcrição não pode mais ser baixada. Se precisar mantê-la, você deve buscá-la e armazená-la por conta própria, prontamente.
• Atualmente é gratuita, com a documentação da Meta afirmando que uma cobrança separada está planejada, mas ainda sem data. Não construa um plano de negócio baseado no preço permanecer zero.

Duas Armadilhas Que Quebram Silenciosamente as Mensagens de Voz

Armadilha 1: precisa ser .ogg com o codec OPUS

Desde outubro de 2025 você pode enviar áudio como uma mensagem de voz de verdade - forma de onda, botão de reprodução, tudo - em vez de como um anexo de arquivo. Mas há um requisito rígido enterrado na documentação.

As mensagens de voz precisam ser arquivos .ogg codificados com o codec OPUS. A documentação da Meta é inequívoca: "Se você enviar um tipo de arquivo diferente ou um arquivo codificado com um codec diferente, a transcrição da mensagem de voz falhará."

O que torna isso cruel é o modo de falha. Não há erro e nem aviso - a mensagem é enviada, ela toca, e a transcrição simplesmente nunca aparece. Equipes perdem dias com isso, vasculhando o tratamento de webhooks quando o bug de verdade é uma linha na etapa de codificação.

Armadilha 2: quem recebe decide, não você

Mesmo com um arquivo OPUS perfeitamente codificado, você não controla se uma transcrição aparece. Quem recebe controla. Todo usuário do WhatsApp define as transcrições de mensagens de voz em um de três estados:

• Automático - a transcrição em texto aparece junto com a mensagem.
• Manual - ele vê uma opção "Transcrever" e escolhe se quer usá-la.
• Nunca - nenhum texto aparece, jamais.

Não há parâmetro de API que substitua isso, e nenhuma forma de consultar qual configuração um determinado usuário tem. Se a experiência do seu produto depende de o cliente ler a transcrição da sua mensagem de voz, entenda que você está dependendo de uma configuração que não pode ver e não pode alterar. Projete de acordo - se o conteúdo importa, envie texto.

O Que de Fato Chegou em 2026

O webhook "reproduzida"

A partir de 17 de março de 2026, mensagens de voz enviadas por um negócio recebem um webhook de status "reproduzida" na primeira vez que quem recebe as reproduz. Até então, "entregue" e "lida" eram o fim da história, e uma confirmação de leitura em uma mensagem de voz dizia muito pouco.

Este é um sinal genuinamente útil. É a primeira vez que você consegue distinguir uma mensagem de voz que foi apenas entregue de uma que foi de fato ouvida - que é a única coisa que você realmente queria saber.

O correio de voz chega como uma mensagem de áudio comum

O correio de voz chegou à disponibilidade geral em 25 de junho de 2026. O detalhe que vale internalizar é como ele é entregue: os correios de voz chegam pelo webhook de mensagens como mensagens de áudio recebidas.

O que significa que eles caem exatamente na mesma posição que qualquer outra nota de voz - como um ID de mídia apontando para um arquivo de áudio, sem transcrição anexada. Suas chamadas perdidas agora geram mais áudio para você mesmo transcrever.

Então o Que Você de Fato Constrói?

Tire os detalhes e a arquitetura é forçada. Para qualquer nota de voz recebida, você recebe um ID de mídia, baixa o áudio, e traz o seu próprio reconhecimento de fala. Não há caminho suportado que contorne isso.

Isso deixa você com uma decisão real, que vale a pena tomar deliberadamente em vez de por inércia:

Construa você mesmo. Conecte o endpoint de mídia a um provedor de fala para texto. Você será dono do pipeline, das novas tentativas, do armazenamento de áudio e da sua política de retenção, dos custos por minuto, e da questão permanente de precisão em áudio do mundo real gravado em vans e cafés. Razoável se a transcrição é central no seu produto e você quer controle sobre o modelo.

Não construa. Se você só precisa que a sua equipe leia o que os clientes disseram, montar e manter um pipeline de transcrição é muita engenharia para reinventar algo que já existe. Encaminhar notas de voz para um serviço de transcrição lhe dá o texto na conversa, em mais de 50 idiomas, sem infraestrutura e sem áudio para você armazenar e proteger.

Seja honesto sobre qual problema você tem. Muitas equipes construíram o pipeline porque o silêncio da API fez parecer obrigatório - não porque transcrição fosse algo em que elas quisessem ser boas.

Usando o aplicativo WhatsApp Business em vez da API? Produto diferente, regras diferentes - a transcrição vive no seu telefone e a configuração é uma opção nas configurações. Veja nosso guia para transcrever mensagens de voz do WhatsApp Business em vez disso.

Fontes

Verificado na documentação primária da Meta em julho de 2026.

• Meta for Developers - Audio messages - o requisito de .ogg/OPUS, a configuração Automático/Manual/Nunca de quem recebe, e o webhook de status "reproduzida" de 17 de março de 2026.
• Meta for Developers - Call transcription - o fluxo de opt-in, o anúncio de consentimento obrigatório, a estrutura da transcrição em JSON, a cobertura de idiomas e a janela de download de sete dias.
• Central de Ajuda do WhatsApp - Sobre transcrições de mensagens de voz - o comportamento no dispositivo, do lado de quem recebe, e a lista de idiomas do Android.

Perguntas Frequentes

Existe um endpoint da WhatsApp Cloud API que transcreve uma nota de voz recebida? Não. Em julho de 2026, nenhum endpoint da WhatsApp Business Platform retorna a transcrição de uma mensagem de voz recebida. Você recebe um ID de mídia, baixa o áudio, e a transcrição é sua para resolver.

Um negócio pode ver a transcrição de uma mensagem de voz que recebeu? Não pela API. As transcrições são geradas no dispositivo de quem recebe e nunca saem dele. Mesmo quando o seu atendente lê uma no aplicativo WhatsApp Business, esse texto permanece naquele telefone.

Por que minha mensagem de voz do WhatsApp nunca mostra uma transcrição? Quase sempre uma de duas coisas. Ou o arquivo não é .ogg codificado com OPUS - caso em que a transcrição falha silenciosamente - ou quem recebe definiu as transcrições de mensagens de voz como Manual ou Nunca, o que você não pode ver nem substituir.

A WhatsApp Business Calling API suporta transcrição? Sim, desde 30 de junho de 2026. Opte por ela em cada chamada, ambas as partes ouvem um anúncio obrigatório, e você recebe JSON com separação de falantes, marcações de tempo por palavra e pontuações de confiança em cerca de 54 idiomas detectados automaticamente. A transcrição fica disponível para download por sete dias. Ela transcreve chamadas, não notas de voz.

A transcrição de chamadas é gratuita? É, por enquanto. A documentação da Meta diz que uma cobrança separada está planejada, sem data de lançamento informada. Trate o preço atual como temporário.