Requisitos

• Cuenta WhatsApp Business Cloud API (o Twilio WhatsApp) con PHONE_NUMBER_ID y ACCESS_TOKEN.
• Instancia pública de n8n (o ngrok para desarrollo).
• Cuenta de Speech-to-Text (ej. OpenAI / Whisper) y de TTS (ej. ElevenLabs, OpenAI TTS, Google o Azure).
• Opcional: FFmpeg si necesitas transcodificar audio (opus/ogg ↔ wav/mp3).

Resumen del workflow (nodos en n8n)

1. Webhook (Trigger) — recibe payload de WhatsApp.
2. Function / Set — extrae media_id y número origen.
3. HTTP Request — GET Retrieve Media (Graph API) → devuelve url.
4. HTTP Request — descargar url → guarda binario (audio_in).
5. HTTP Request / Nodo OpenAI — POST a STT (Whisper) con el binario → obtiene transcript.
6. OpenAI / HTTP Request — enviar transcript a LLM → obtener reply_text.
7. HTTP Request — POST a servicio TTS (ElevenLabs / OpenAI TTS) con reply_text → recibir audio (audio_out).
8. HTTP Request — POST upload media a WhatsApp → recibir media_id_wh.
9. HTTP Request — POST send message (tipo audio) con media_id_wh.

1) Webhook en n8n

Crea un nodo Webhook en n8n con Method = POST. Copia la URL pública y configúrala en Meta Developers (App → Webhooks) para tu número de WhatsApp Cloud API.

Ejemplo de payload entrante (simplificado)

{
  "entry": [
    {
      "changes": [
        {
          "value": {
            "messages": [
              {
                "id": "wamid.HBgL...",
                "from": "54911xxxxxxx",
                "type": "audio",
                "audio": { "id": "MEDIA_ID_FROM_WHATSAPP" }
              }
            ]
          }
        }
      ]
    }
  ]
}

En el nodo Function/Set extrae $json["entry"][0].changes[0].value.messages[0] y guarda media_id y from.

2) Recuperar URL del media (Retrieve Media)

Haz una petición GET al Graph API para obtener la url temporal que contiene el archivo:

GET https://graph.facebook.com/v17.0/{MEDIA_ID}
Authorization: Bearer {ACCESS_TOKEN}

La respuesta incluirá un campo url que sirve para descargar el audio.

3) Descargar el audio (HTTP Request en n8n)

Haz un HTTP Request con la url devuelta y guarda la respuesta como archivo binario en n8n. En el nodo HTTP Request pon Response Format: File / Binary.

Nota de formato: WhatsApp suele enviar notas de voz en ogg/opus. Muchos STT aceptan ogg, pero si tu STT necesita wav conviene transcodificar con FFmpeg dentro de n8n o un servicio externo.

Ejemplo con cURL (descargar URL temporal)

curl -L "https://....temporary-url..." -o audio_in.ogg

4) Transcribir audio → Speech-to-Text (OpenAI / Whisper ejemplo)

En n8n puedes usar un nodo HTTP Request (POST) con multipart/form-data para enviar el archivo al endpoint de transcripción.

Ejemplo (cURL simplificado para OpenAI Whisper)

curl -X POST "https://api.openai.com/v1/audio/transcriptions" \
  -H "Authorization: Bearer {OPENAI_KEY}" \
  -F "file=@audio_in.ogg" \
  -F "model=whisper-1"

Respuesta esperada (JSON): { "text": "Transcripción aquí..." }

5) Generar respuesta con el LLM (ChatGPT / OpenAI)

Envía la transcripción como prompt al modelo. Puedes pedir que responda en español y con frases cortas (para que el TTS no genere una pista muy larga).

Prompt sugerido

El usuario dijo: "{{transcript}}"
Responde en español, tono amable, máximo 25 segundos de voz.

Ejemplo cURL (Chat Completions)

curl -X POST "https://api.openai.com/v1/chat/completions" \
  -H "Authorization: Bearer {OPENAI_KEY}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4o-mini",
    "messages": [{"role": "user", "content": "TRANSCRIPT_HERE"}],
    "max_tokens": 200
  }'

Guarda el texto resultante en reply_text.

6) Convertir el texto a voz (TTS)

Ejemplo con ElevenLabs (o usa OpenAI TTS si lo prefieres). El servicio devuelve audio (mp3/ogg).

Ejemplo (cURL ElevenLabs)

curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/{VOICE_ID}" \
  -H "xi-api-key: {ELEVEN_KEY}" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hola, gracias por tu mensaje. Estoy procesando lo que me dijiste..."
  }' --output reply_audio.mp3

Si ElevenLabs devuelve mp3 y quieres oggs/opus para imitar «voice note» de WhatsApp, transcodifica con FFmpeg:

ffmpeg -i reply_audio.mp3 -c:a libopus -b:a 24k -vbr on reply_audio.opus

7) Subir audio a WhatsApp (Media Upload) y enviar mensaje

Sube el archivo binario al endpoint de media del número de WhatsApp (PHONE_NUMBER_ID):

Upload media (cURL)

curl -X POST "https://graph.facebook.com/v17.0/{PHONE_NUMBER_ID}/media" \
  -H "Authorization: Bearer {ACCESS_TOKEN}" \
  -F "file=@reply_audio.mp3" \
  -F "messaging_product=whatsapp"

Respuesta ejemplo: { "id": "MEDIA_ID_WH" }

Enviar audio message (cURL)

curl -X POST "https://graph.facebook.com/v17.0/{PHONE_NUMBER_ID}/messages" \
  -H "Authorization: Bearer {ACCESS_TOKEN}" \
  -H "Content-Type: application/json" \
  -d '{
    "messaging_product": "whatsapp",
    "to": "54911XXXXXXX",
    "type": "audio",
    "audio": { "id": "MEDIA_ID_WH" }
  }'

8) Manejo de errores y consideraciones

• Valida el webhook (challenge) de Meta para asegurar que los eventos vienen de WhatsApp.
• Limita la duración de audio que aceptarás (ej. 60 s) para controlar costos y latencia.
• Si STT falla por formato, transcodifica con FFmpeg (ogg → wav 16k).
• Contempla enviar un mensaje de texto cuando haya error en transcripción o TTS.
• Atención a costos: transcribir y generar voz tiene coste por minuto/requests.

9) Ejemplo condensado: Orden de nodos en n8n

1. Webhook (POST)
2. Function/Set (extraer media_id y from)
3. HTTP Request (GET https://graph.facebook.com/v17.0/{MEDIA_ID}) → obtener url
4. HTTP Request (GET url) → guardar binario audio_in
5. HTTP Request (POST STT) → transcript
6. OpenAI/HTTP Request → reply_text
7. HTTP Request (POST TTS) → binary audio_out
8. HTTP Request (POST upload media a /{PHONE_NUMBER_ID}/media) → media_id_wh
9. HTTP Request (POST /{PHONE_NUMBER_ID}/messages) enviar tipo audio
10. Respuesta 200 al webhook

10) Código / snippets útiles

Function node (n8n) - Extraer media_id y from

// Usa esto en un nodo Function para normalizar el payload
const entry = $json["entry"]?.[0];
const msg = entry?.changes?.[0]?.value?.messages?.[0] || {};
return [{
  json: {
    media_id: msg.audio?.id || null,
    from: msg.from || null,
    raw: msg
  }
}];

Set node: prepara variables

{
  "media_id": "={{$json.media_id}}",
  "from": "={{$json.from}}"
}

11) Reemplaza estos placeholders

• {ACCESS_TOKEN} → tu token de Meta (WhatsApp Cloud).
• {PHONE_NUMBER_ID} → id del número de WhatsApp Cloud.
• {OPENAI_KEY} → clave de OpenAI (si usas Whisper/ChatGPT).
• {ELEVEN_KEY} y {VOICE_ID} → si usas ElevenLabs.

12) ¿Quieres que te lo deje listo para pegar en n8n?

Puedo generarte el JSON exportable del workflow (con nodos y placeholders para tus keys) para que lo importes en n8n. Si quieres eso, dime “Genera JSON n8n” y te lo doy en el siguiente mensaje.