Транскрибация аудио в n8n: от голосового сообщения до записи в CRM
Зачем бизнесу автоматическая транскрибация аудио?
Каждый рабочий день менеджеры по продажам тратят от 30 до 90 минут только на то, чтобы прослушать записи звонков и вручную зафиксировать договоренности. Голосовые сообщения в WhatsApp и Telegram копятся десятками, записи созвонов в Zoom или Google Meet лежат мертвым грузом в облаке — и никто не возвращается к ним дважды, потому что это просто неудобно. В итоге ценнейшие инсайты: возражения клиентов, их пожелания, конкретные договоренности — испаряются вместе с записью.
Голос — это недооцененный бизнес-актив. В каждом звонке зашифрован паттерн покупательского поведения, триггеры отказа, запросы на новые функции. Но только если вы умеете его парсить.
Готовые SaaS-сервисы транскрибации решают задачу точечно: загрузил файл — получил текст. Проблема в том, что они не интегрированы в ваши бизнес-процессы. Текст остается в интерфейсе чужого сервиса, а не попадает автоматически в карточку клиента в CRM или в канал команды в Slack. Плюс — абонентская плата растет пропорционально объему аудио.
n8n транскрибация решает задачу принципиально иначе: это не изолированный инструмент, а полноценный оркестратор процессов. Вы строите цепочку, где аудио автоматически скачивается из мессенджера, конвертируется в нужный формат, распознается нейросетью, а результат — очищенный текст или готовый саммари — уходит туда, куда нужно вашему бизнесу: в CRM, в таск-менеджер, в базу данных. Транскрибация аудио n8n — это не просто «получить текст», это встроить голосовые данные в живой бизнес-процесс. Ниже разберем весь путь: от сырого аудиофайла до структурированной записи.
Подготовка аудиофайлов: конвертация и сжатие
Самая частая ошибка новичков при работе с аудио API — игнорирование форматов и лимитов на размер файла. Большинство speech-to-text API, включая OpenAI Whisper, принимают файлы строго определенных форматов (mp3, mp4, wav, m4a, webm, ogg) и имеют жесткий лимит — 25 МБ на файл. Голосовое сообщение из Telegram в формате .ogg весом 40 МБ, или запись Zoom в .m4a на час — без предобработки вы получите ошибку API, а не транскрипт.
Откуда берется аудио? Типичные источники в автоматизированном воркфлоу:
- Telegram: бот получает голосовое сообщение → нода Telegram Trigger отдает file_id → нода HTTP Request скачивает файл через Telegram File API
- WhatsApp: интеграция через WABA или сторонние провайдеры (например, 360dialog) — аналогичная схема
- Облачные хранилища: Google Drive, S3, Yandex Disk — триггер по новому файлу в папке
После того как файл оказался в воркфлоу, его нужно привести к нужному виду. Для этого в n8n используется нода Execute Command с вызовом FFmpeg — мощнейшего open-source инструмента для работы с медиафайлами. Схема команды выглядит так:
bash
ffmpeg -i input.ogg -ar 16000 -ac 1 -b:a 32k output.mp3
Что здесь происходит:
- -ar 16000 — понижаем частоту дискретизации до 16 кГц (оптимально для речи, Whisper не нуждается в Hi-Fi)
- -ac 1 — конвертируем в моно (вдвое уменьшает размер)
- -b:a 32k — битрейт 32 кбит/с достаточен для распознавания речи
Чтобы FFmpeg был доступен внутри n8n, есть два пути. Первый — использовать официальный Docker-образ n8n и расширить его, добавив FFmpeg в Dockerfile:
text
FROM n8nio/n8n
USER root
RUN apk add --no-cache ffmpeg
USER node
Второй — если n8n развернут на сервере, просто установить FFmpeg через пакетный менеджер (apt install ffmpeg) и убедиться, что процесс n8n имеет к нему доступ. Нода n8n FFmpeg через Execute Command вызывает утилиту напрямую, передавая путь к временному файлу. Для работы с бинарными данными внутри воркфлоу используйте ноды Read/Write Binary File для сохранения во временную директорию и последующего чтения.
Теперь, когда аудиофайл сжат, конвертирован в .mp3 и весит меньше 25 МБ — он готов к распознаванию.
Настройка транскрибации через OpenAI Whisper
Шаг 1. Почему Whisper?
OpenAI Whisper — сегодняшний золотой стандарт автоматического распознавания речи. Модель обучена на 680 000 часов многоязычного аудио, уверенно распознает русскую речь даже при наличии фонового шума, акцента или технических терминов. Связка n8n Whisper дает точность на уровне профессиональной транскрибации при минимальных затратах: стоимость распознавания через API составляет $0.006 за минуту аудио.
Шаг 2. Настройка ноды OpenAI
В n8n добавьте ноду OpenAI и выберите операцию Audio → Transcribe Recording. Параметры:
- Credential: ваш OpenAI API Key (добавляется один раз в разделе Credentials)
- Input Binary Field: укажите поле с бинарными данными аудиофайла (обычно data)
- Resource: Audio
- Operation: Transcribe a Recording
- Language: укажите явно — ru для русского языка. Это критично: без явного указания модель сначала определяет язык, что увеличивает время и снижает точность на смешанных записях
- Prompt (опционально, но важно): передайте список специфических терминов вашей отрасли. Например: "amoCRM, Bitrix24, API, webhook, воронка продаж". Whisper учитывает контекст промпта и корректнее распознает профессиональный словарь
Шаг 3. Обработка ошибок
API OpenAI иногда возвращает ошибки: превышение rate limit (429), временная недоступность (503). Добавьте в воркфлоу ноду Error Trigger — она перехватит сбой и направит его в отдельную ветку: повторная попытка через 60 секунд (Wait нода) или уведомление в Telegram/Slack с деталями ошибки. Без этого блока один упавший вызов остановит обработку всей очереди.
Шаг 4. Результат
При успешном вызове нода возвращает JSON следующего вида:
json
{
"text": "Добрый день, Александр. Обсудили условия поставки. Клиент готов к предоплате 50%, ждет коммерческое предложение до пятницы."
}
Поле text — это и есть ваш транскрипт, готовый к дальнейшей обработке. Но сам по себе текст — это лишь полдела. Настоящая бизнес-ценность n8n transcribe раскрывается на следующем шаге: что вы делаете с этим текстом дальше.
Постобработка текста и масштабирование бизнес-процессов
Представьте финальную картину: звонок закончился, запись автоматически попала в систему, и через 40 секунд менеджер видит в карточке клиента в amoCRM аккуратную заметку: «Клиент заинтересован в тарифе PRO, просит скидку 10%, принимает решение до 10 июня. Следующий шаг: выслать КП». Никто ничего не вводил вручную. Это не фантастика — это стандартный воркфлоу с n8n транскрибацией и постобработкой через LLM.
Схема постобработки:
- Суммаризация через ChatGPT: передаем полученный транскрипт в ноду OpenAI (Chat модель) с промптом: «Ты — ассистент отдела продаж. Из транскрипта звонка извлеки: 1) ключевые договоренности, 2) следующие шаги, 3) тональность клиента (позитив/нейтрал/негатив). Ответь в формате JSON». Модель возвращает структурированный объект.
- Запись в CRM: нода HTTP Request отправляет POST-запрос в amoCRM или Bitrix24 API — создает задачу, обновляет поле в карточке сделки или добавляет примечание. Все данные уже в нужных полях, ничего не нужно копировать.
- Уведомление команды: нода Telegram или Slack отправляет саммари звонка в канал команды с упоминанием ответственного менеджера.
- Аналитика: текст и метаданные (длительность, дата, ID клиента) записываются в Google Sheets или базу данных для последующего анализа трендов.
Масштабирование на сотни звонков в день требует грамотной архитектуры воркфлоу. Ключевые принципы:
- Очереди: нода Queue или разбивка на под-воркфлоу через Execute Workflow — чтобы 200 параллельных запросов не положили один инстанс
- Rate limiting: контроль частоты вызовов Whisper API (лимит OpenAI — 50 RPM на Tier 1, 500 RPM на Tier 2)
- Retry-логика: экспоненциальные паузы между повторами при ошибках API
- Мониторинг: нода отправки метрик в систему мониторинга при каждом успешном/неуспешном вызове
Базовый воркфлоу n8n транскрибации — от триггера до текста — опытный автоматизатор настроит за несколько часов. Но производственная система, которая стабильно обрабатывает 500+ звонков в сутки, не теряет данные при сбоях API, корректно маршрутизирует разные типы аудио и интегрируется с корпоративными системами через кастомные коннекторы — это инженерная задача совершенно другого уровня. Здесь важна не только техническая реализация, но и архитектурные решения: как хранить бинарные данные, как организовать повторные попытки без дублирования записей в CRM, как обеспечить отказоустойчивость при апдейтах системы.
Нужна помощь с внедрением автоматизации аудио или других сложных процессов в вашем бизнесе? Оставьте заявку — наша команда интеграторов разберет вашу задачу и соберет надежное решение на базе n8n: от простого воркфлоу до масштабируемой архитектуры с обработкой ошибок, балансировкой нагрузки и кастомными интеграциями.
