Assistente de IA que responde áudios do WhatsApp: o que roda no servidor
Um assistente pessoal com IA responde áudios do WhatsApp por você porque nada disso acontece no celular. O áudio chega a um servidor por webhook, é transcrito pelo Whisper, interpretado por um agente de IA (o Hermes) e respondido pela API do WhatsApp, tudo em uma VPS ligada 24 horas. O celular só precisa ter sido conectado uma vez.
TL;DR: quem responde é a infraestrutura, não o aparelho. Webhook + Whisper + LLM + API do WhatsApp rodando numa VPS transformam um áudio de dois minutos em texto, resumo e resposta enquanto você está em outra tarefa.
Como um assistente de IA recebe um áudio do WhatsApp sem o celular?
O ponto que costuma confundir é a palavra "celular". O WhatsApp Business permite que um número seja operado via API. Depois da conexão inicial, por QR Code na API não-oficial ou por cadastro na plataforma oficial da Meta, as mensagens passam a ser entregues a um servidor, que as processa sem ninguém abrir o aplicativo.
Na prática, o servidor roda um gateway de WhatsApp, como a Evolution API. Esse gateway recebe cada mensagem nova e dispara um webhook, uma requisição HTTP com os dados da mensagem, para o agente de IA.
Resumo: o celular conecta, o servidor trabalha.
Como funciona o fluxo, passo a passo?
Este é o caminho de um áudio desde o envio pelo contato até a resposta no chat:
- Recebimento. O contato envia um áudio. A Evolution API recebe a mensagem e baixa o arquivo de mídia, normalmente em formato OGG/Opus, o padrão de voz do WhatsApp.
- Webhook. O gateway envia ao agente um evento com remetente, tipo de mensagem e referência ao arquivo de áudio.
- Transcrição. O áudio vai para o Whisper, o modelo de reconhecimento de fala da OpenAI. Ele devolve o texto em português, com pontuação.
- Interpretação. O Hermes recebe a transcrição junto com o contexto: histórico da conversa, instruções do dono do número e regras de negócio.
- Decisão. O agente escolhe entre responder, resumir para o dono, encaminhar a outra pessoa ou simplesmente registrar.
- Resposta. A ação volta à Evolution API, que envia a mensagem ao contato como se viesse do próprio número.
Para quem quer ver a etapa de transcrição isolada, o Whisper roda por linha de comando:
# Transcrição local de um áudio do WhatsApp com openai-whisper
whisper audio_cliente.ogg --model small --language pt --output_format txt
Em produção, ninguém roda isso à mão. O agente chama o Whisper por API interna a cada evento do webhook.
O que o assistente faz além de transcrever o áudio?
Transcrever é a parte fácil. O valor de um assistente pessoal está no que acontece depois do texto. Os usos mais comuns:
- Resumo: um áudio longo vira três linhas com o pedido, o prazo e a decisão pendente.
- Resposta automática: perguntas recorrentes, como horário, endereço, status de pedido ou agenda, são respondidas na hora em texto.
- Encaminhamento: um áudio sobre cobrança vai para o financeiro, um sobre bug vai para o suporte técnico.
- Triagem por urgência: só o que exige decisão humana chega ao dono do número.
- Registro: a transcrição fica salva e pesquisável, algo que um áudio no celular nunca é.
O ganho real não está em ler em vez de ouvir. Está em só ler o que precisa da sua decisão.
Toda essa camada de decisão depende de onde o modelo roda, e é aí que entram as escolhas de infraestrutura.
O que roda por baixo de um assistente pessoal com IA?
A arquitetura tem quatro camadas. Cada uma pode ser self-hosted ou contratada como serviço:
| Camada | Componente típico | Função | Opção self-hosted |
|---|---|---|---|
| Gateway WhatsApp | Evolution API, uazapi ou API Oficial da Meta | Receber e enviar mensagens | Sim (Evolution API) |
| Orquestração | Hermes, n8n | Webhook, regras, memória, decisões | Sim |
| Transcrição | Whisper | Áudio → texto | Sim (local) ou via API |
| Raciocínio | LLM (modelo de linguagem) | Entender, resumir, redigir resposta | Sim (Ollama) ou via API |
| Persistência | Banco de dados | Histórico e transcrições | Sim |
Todas essas peças precisam de um processo sempre ativo. Um laptop que hiberna ou uma conexão residencial que cai às 3h da manhã quebram o fluxo, porque o webhook não encontra destino.
Por isso o lugar natural desse stack é uma VPS. A VPS para n8n da Rollin Host já vem com n8n, Traefik e Evolution API pré-instalados, o que elimina a parte mais demorada da montagem.
Whisper local ou via API: qual é melhor para transcrever áudios do WhatsApp?
Essa é a principal decisão técnica do projeto. Os dois caminhos funcionam, mas com trade-offs diferentes:
| Critério | Whisper local (na VPS) | Whisper via API externa |
|---|---|---|
| Privacidade | Áudio não sai do seu servidor | Áudio trafega para terceiro |
| Custo | Fixo (servidor) | Variável por minuto de áudio |
| Latência | Depende de CPU/GPU disponível | Depende da rede e da fila do provedor |
| Manutenção | Atualizar modelo e dependências | Praticamente zero |
| Escala | Limitada pelo hardware | Escala com o provedor |
Para volume baixo e dados sensíveis, como áudios de clientes, dados de saúde ou negociação, o Whisper local costuma ser a escolha mais defensável do ponto de vista da LGPD. Para picos imprevisíveis de volume, a API externa absorve melhor a carga.
Modelos maiores do Whisper transcrevem com mais precisão, mas exigem mais processamento. Quem pretende rodar LLM e transcrição no mesmo servidor deve avaliar um Servidor para IA, que já vem com Ollama e OpenWebUI configurados para modelos self-hosted.
Resumo: privacidade e custo previsível puxam para o local, elasticidade puxa para a API.
Qual API de WhatsApp usar: oficial ou não-oficial?
As duas existem, e a Rollin Host oferece as duas. A escolha depende do uso:
- API Oficial (provedora homologada pela Meta): cadastro formal, regras de template para mensagens ativas e maior previsibilidade para operações de empresa.
- API não-oficial (uazapi / Evolution API): conexão por QR Code, configuração rápida e flexibilidade para um assistente pessoal ou de equipe pequena.
Nenhuma das duas garante disponibilidade absoluta. A API não-oficial depende da sessão do aparelho conectado, e a oficial depende das políticas da Meta. Um assistente bem desenhado registra falhas de envio e avisa quando a sessão cai, em vez de falhar em silêncio.
A página da API do WhatsApp detalha conexão por QR, webhook e suporte a grupos, que são os recursos usados no fluxo descrito acima.
Onde o servidor fica e por que isso importa?
A infraestrutura da Rollin Host roda em Frankfurt (Alemanha) e US-East (EUA), com processadores AMD EPYC, discos NVMe e proteção anti-DDoS nas camadas L3/L4. O provisionamento de uma VPS leva cerca de 5 minutos, com acesso root e sem fidelidade.
Para um assistente de WhatsApp, a distância física pesa menos do que parece. O gargalo raramente é a rede. Quase sempre é o tempo de transcrição e de geração da resposta pelo modelo.
O que pesa mais é a estabilidade: processo sempre ativo, disco rápido para gravar mídia e um ponto de contato que responde em português quando algo sai do esperado. A Rollin Host é empresa brasileira, emite NF-e e mantém suporte 24/7 em português.
Self-hosted ou gerenciado: qual vale mais a pena para PMEs?
Montar o stack por conta própria é viável para quem tem perfil técnico. O custo escondido está na operação, não na instalação:
- atualizar Evolution API, Hermes e Whisper sem quebrar a integração;
- reconectar a sessão do WhatsApp quando ela expira;
- monitorar fila de webhooks e falhas de envio;
- ajustar prompts quando o assistente responde o que não deveria;
- fazer backup do histórico de transcrições.
Instalar leva uma tarde. Manter leva todas as semanas seguintes.
Para dev ou sysadmin que quer controle total, o caminho self-hosted em VPS faz sentido. Para o dono de PME que quer apenas que o WhatsApp pare de acumular áudios não ouvidos, a versão gerenciada tira a operação das suas mãos.
Quem precisa de atendimento comercial com CRM, e não de um assistente pessoal, tem outro produto: o Agente de IA no WhatsApp, na versão CRM Hunter, com GPT-4o mini e até 3.000 mensagens de IA por mês. A estratégia de conversão e o tom de marca desse atendimento são território da nossa empresa irmã, a Agência Rollin. Aqui o foco é o que roda por baixo.
Principais aprendizados
- Assistentes de IA respondem áudios do WhatsApp via servidor: webhook → Whisper → LLM → API do WhatsApp.
- Transcrever é o primeiro passo. O valor está no resumo, na resposta e no encaminhamento.
- Whisper local favorece privacidade e custo fixo. Whisper via API favorece escala.
- API oficial e não-oficial têm trade-offs diferentes, e nenhuma garante disponibilidade absoluta.
- O custo real de um stack self-hosted está na manutenção contínua, não na instalação.
Perguntas frequentes
Um assistente de IA consegue responder WhatsApp por mim sem o celular ligado?
Na API oficial da Meta, sim, porque o número opera inteiramente via servidor. Na API não-oficial, a sessão depende do aparelho conectado, mas todo o processamento de transcrição e resposta roda no servidor, sem você abrir o aplicativo.
O Whisper entende áudios em português do WhatsApp?
Sim. O Whisper, modelo de reconhecimento de fala da OpenAI, suporta português e aceita áudios OGG/Opus, o formato padrão de voz do WhatsApp. A precisão varia com o tamanho do modelo escolhido e com a qualidade do áudio.
É seguro transcrever áudios de clientes com IA?
É mais seguro quando o Whisper roda no seu próprio servidor, porque o áudio não é enviado a terceiros. Isso facilita a conformidade com a LGPD, já que você controla onde os dados ficam armazenados e por quanto tempo.
Preciso de GPU para rodar um assistente pessoal com IA?
Não necessariamente. Transcrição e LLM podem ser consumidos via API, e aí uma VPS comum basta. GPU passa a fazer diferença quando você roda modelos maiores localmente e precisa de respostas rápidas em volume.
Qual a diferença entre o assistente pessoal e o Agente de IA no WhatsApp da Rollin Host?
O assistente pessoal (Hermes) trabalha para o dono do número: transcreve, resume, responde e encaminha. O Agente de IA no WhatsApp é a versão CRM Hunter voltada a atendimento comercial, com GPT-4o mini e até 3.000 mensagens de IA por mês para um usuário.
Quer o assistente rodando sem administrar o stack? Nossa equipe na Rollin Host configura a versão gerenciada com Hermes, Whisper e gateway de WhatsApp na infraestrutura. Se preferir montar por conta própria, comece por uma VPS para n8n com Evolution API pré-instalada. Em qualquer dos casos, chame o suporte no WhatsApp e diga qual cenário é o seu: pessoal, equipe ou atendimento.