No WhatsApp brasileiro, o pedido importante muitas vezes vem num áudio de quatro minutos. Agente que não ouve áudio responde ao redor do que importa. Os servidores MCP de WhatsApp tratam áudio de três jeitos, e vale saber qual você está instalando. Se o assunto é transcrição em geral, fora do MCP, leia como transcrever áudio do WhatsApp.
Três níveis
| Nível | O que o agente recebe | Projetos |
|---|---|---|
| Só baixa | Um caminho de arquivo; precisa de outra ferramenta para transcrever | lharries/whatsapp-mcp (download_media) e forks |
| Transcreve quando pedido | O texto do áudio, guardado junto da mensagem | WACrew (transcrever), finereli/whatsapp-mcp (transcribe_audio), BrOrlandi/whatsapp-mcp-local (no computador, quando você liga) |
| Transcreve ao ler | O texto aparece quando o agente lê a conversa | felipeadeildo/whatsapp-mcp (Workers AI) |
Como o WACrew faz
O WACrew transcreve com Whisper large-v3. No Apple Silicon roda local via MLX, carregado sob demanda e liberado quando ocioso; em outras máquinas, TRANSCRIBE_BACKEND=openrouter usa uma API. A transcrição fica em cache em data/<conversa>/transcripts/, e isso tem dois efeitos:
buscarprocura dentro das transcrições: "acha onde o cliente falou da nota fiscal" funciona mesmo se ele só falou em voz alta.resumo_do_diadevolve o dia inteiro de uma conversa com os áudios transcritos, pronto para resumir.
Para vídeo, ver_video tira quadros com FFmpeg e assistir_video usa um modelo Gemini para assistir com áudio e devolver o que aparece e o que é dito, com tempo. Ótimo para quando o cliente grava a tela explicando um erro.
Mandar nota de voz de volta
O WhatsApp só toca como nota de voz se o arquivo for Ogg Opus. O lharries documenta bem: send_audio_message converte outros formatos se houver FFmpeg; sem ele, send_file manda um anexo de áudio comum. No WACrew, responder_midia envia áudio como nota de voz, e FFmpeg é requisito do projeto.
Privacidade
Transcrição local deixa o áudio na sua máquina. Por API, o áudio vai para o provedor que você configurar. Os servidores na Cloudflare usam o Workers AI dentro da sua conta. Escolha pensando no que seus clientes esperariam.
Perguntas frequentes
O agente responde em áudio com a minha voz? Isso exige clonar voz, e nenhum desses servidores faz. Eles enviam arquivos de áudio que você fornece.
Transcrever custa? MLX local no Mac é grátis. Por API, cobra o provedor; o README do felipeadeildo estima cerca de US$ 0,26 por mil áudios no Workers AI.
Funciona em português? Sim. O Whisper detecta o idioma em cada mensagem.



