Migração 100% grátis na contratação semestral · nossa equipe migra tudo de qualquer provedor · novos clientes Migrar agora
Agente de IA no WhatsApp na API Oficial da Meta · somos Tech Provider aprovado · orçamento sob consulta Pedir orçamento
VPS com OpenClaw pré-instalado · a partir de R$ 56,90/mês · gerenciada pela Rollin Quero a VPS
VPS com Hermes Agent pré-instalado · a partir de R$ 56,90/mês · gerenciada pela Rollin Quero a VPS
Hospedagem com 30 dias de garantia · Não gostou? Devolvemos 100%, sem perguntas. Ver hospedagem
#assistente-pessoal-ia#whatsapp#whisper#evolution-api#vps

Assistente de IA que responde áudios do WhatsApp: o que roda no servidor

por Equipe Rollin Host · · 9 min de leitura

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:

  1. 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.
  2. Webhook. O gateway envia ao agente um evento com remetente, tipo de mensagem e referência ao arquivo de áudio.
  3. Transcrição. O áudio vai para o Whisper, o modelo de reconhecimento de fala da OpenAI. Ele devolve o texto em português, com pontuação.
  4. Interpretação. O Hermes recebe a transcrição junto com o contexto: histórico da conversa, instruções do dono do número e regras de negócio.
  5. Decisão. O agente escolhe entre responder, resumir para o dono, encaminhar a outra pessoa ou simplesmente registrar.
  6. 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.