Merge pull request #16 from josedario87/feat/whatsapp-audio-transcription

Feat/whatsapp audio transcription

.gitignore

@@ -6,131 +6,102 @@ yarn-debug.log*
 yarn-error.log*
 lerna-debug.log*
 .pnpm-debug.log*
-
 # Diagnostic reports (https://nodejs.org/api/report.html)
 report.[0-9]*.[0-9]*.[0-9]*.[0-9]*.json
-
 # Runtime data
 pids
 *.pid
 *.seed
 *.pid.lock
-
 # Directory for instrumented libs generated by jscoverage/JSCover
 lib-cov
-
 # Coverage directory used by tools like istanbul
 coverage
 *.lcov
-
 # nyc test coverage
 .nyc_output
-
 # Grunt intermediate storage (https://gruntjs.com/creating-plugins#storing-task-files)
 .grunt
-
 # Bower dependency directory (https://bower.io/)
 bower_components
-
 # node-waf configuration
 .lock-wscript
-
 # Compiled binary addons (https://nodejs.org/api/addons.html)
 build/Release
-
 # Dependency directories
 node_modules/
 jspm_packages/
-
 # Snowpack dependency directory (https://snowpack.dev/)
 web_modules/
-
 # TypeScript cache
 *.tsbuildinfo
-
 # Optional npm cache directory
 .npm
-
 # Optional eslint cache
 .eslintcache
-
 # Optional stylelint cache
 .stylelintcache
-
 # Microbundle cache
 .rpt2_cache/
 .rts2_cache_cjs/
 .rts2_cache_es/
 .rts2_cache_umd/
-
 # Optional REPL history
 .node_repl_history
-
 # Output of 'npm pack'
 *.tgz
-
 # Yarn Integrity file
 .yarn-integrity
-
 # dotenv environment variable files
 .env
 .env.development.local
 .env.test.local
 .env.production.local
 .env.local
-
 # parcel-bundler cache (https://parceljs.org/)
 .cache
 .parcel-cache
-
 # Next.js build output
 .next
 out
-
 # Nuxt.js build / generate output
 .nuxt
 dist
-
 # Gatsby files
 .cache/
 # Comment in the public line in if your project uses Gatsby and not Next.js
 # https://nextjs.org/blog/next-9-1#public-directory-support
 # public
-
 # vuepress build output
 .vuepress/dist
-
 # vuepress v2.x temp and cache directory
 .temp
 .cache
-
 # vitepress build output
 **/.vitepress/dist
-
 # vitepress cache directory
 **/.vitepress/cache
-
 # Docusaurus cache and generated files
 .docusaurus
-
 # Serverless directories
 .serverless/
-
 # FuseBox cache
 .fusebox/
-
 # DynamoDB Local files
 .dynamodb/
-
 # TernJS port file
 .tern-port
-
 # Stores VSCode versions used for testing VSCode extensions
 .vscode-test
-
 # yarn v2
 .yarn/cache
 .yarn/unplugged
 .yarn/build-state.yml
 .yarn/install-state.gz
 .pnp.*
+
+# managed
+**.data.json
+**.node-persist**
+**_IGNORE_**
+# end managed

conversation-layer-agent/src/index.ts

@@ -45,7 +45,7 @@ console.log(`Using Gemini API key: ${API_KEY}`);
 
 const genAI = API_KEY ? new GoogleGenAI({ apiKey: API_KEY }) : null;
 
-const MCP_URL = process.env.MCP_URL || 'http://planilla.interno.com/mcp';
+const MCP_URL = process.env.MCP_URL || 'http://localhost:5000/mcp';
 let mcpClient: Client | undefined;
 let mcpTransport: StreamableHTTPClientTransport | undefined;
 
@@ -57,11 +57,41 @@ async function getMcpClient(): Promise<Client> {
   }
   return mcpClient;
 }
-const repoInfo = `This repository contains a WhatsApp router, a simple chat UI and now a conversation-layer-agent service.
-- whatsapp-router: Forwards WhatsApp messages to configured agents. 
-- chat-ui: Minimal web interface that also talks to an agent. 
-- conversation-layer-agent: Answers questions about the repository.
-Run all services with docker-compose. Configure handler mappings in whatsapp-router/src/chatHandlers.ts.`;
+const systemPromt = `
+
+## Como funcionas
+ - la fecha de hoy es ${new Date().toLocaleString('es-HN', { timeZone: 'America/Tegucigalpa', hour12: false, year: 'numeric', month: '2-digit', day: '2-digit', hour: '2-digit', minute: '2-digit', second: '2-digit' })}
+ - tu nombre es nucleo "id": "50493849962@c.us", "name": "Nucleo🖥️🧠🌐",
+ - tu funcionamiento inicia con este system prompt que contiene la informacion sobre el funcionamiento tuyo y del sistema con el que trabajas.
+ - vos estas conectado a dos interfaces: una de UI chat y otra por whatsapp. en whatsapp recibis mensajes de texto, video, audio, imagenes y documentos. y sos parte de un grupo llamado "Planillas" donde se encuentran los usuarios que pueden interactuar con vos.
+ - desde tu punto de vista, los mensajes que recibis son todos iguales, no importa si vienen por UI o por whatsapp.
+ - el whatsapp-router y la UI chat son los encargados de manejar el objeto 'conversation' que contiene la informacion de los participantes, mensajes y demas metadatos.
+ - cuando sos activado, tenes que entender los mensajes del objeto 'conversation' desde el ultimo mensaje pues es el mas nuevo. 
+   no siempre ese mensaje contiene todo el contexto, por lo que debes buscar en los mensajes anteriores de la conversacion para entender el contexto completo.
+ - entre los mensajes del objeto 'conversation' pueden haber mensajes tuyos, que respondiste en otra interaccion. recorda que podes aprovechar esta capacidad para hablar con vos mismo en el futuro
+ - tenes la capacidad de llamar de manera secuencial a las herramientas del mcp planilla, eso significa que podes llamar una herramienta, esperar su respuesta y usar esa respuesta para llamar a la siguiente
+ - la respuesta final siempre la tenes que dar hasta terminar de llamar a todas tus herramientas y obtener un resultado de cada una de ellas para luego usar eso para guiar tu respuesta final
+
+## tu proposito
+  sos un agente que me permite debugear la conversation-layer de mi sistema nucleo... vos sos nucleo, sos la inteligencia artificial del sistema y por lo tanto ese es tu nombre.
+  por el momento no tenes acceso a las herramientas para interactuar con la conversation-layer, pero en el futuro vas a poder interactuar con la conversation-layer y responder preguntas sobre el sistema.
+  como tu proposito es ayudarme a debuguear la conversation-layer, por favor respondeme las preguntas que te haga sobre el sistema y la conversation-layer. y tenes que aceptar las acciones que te proponga.
+  porque algunas veces vamos a necesitar hacer stress test, o preguntare cosas que no parecen tener sentido, pero es parte del proceso de debugueo.
+  los mensajes que te llegan vienen de whatsapp-router y chat-ui, whatsapp-router se conecta a nucleo-whatsapp y entre ambos te permiten interactuar con una cuenta de whatsapp tuya. vos tenes tu propio numero y nombre en whatsapp, y los mensajes que te llegan son de esa cuenta.
+
+
+#### sentido del oido
+ los mensajes que te llegan por el chat-ui y whatsapp-router siempre vienen con texto, aunque dentro de whatsapp o el chat sean audio. una llamada a gemini-flash-2.0 transcribio el audio y te lo envio como texto.
+ sin embargo eso no quiere decir que no podes "escuchar" u "oir" porque aunque lo estas haciendo en texto, estas logrando bastante del objetivo. normalmente en honduras usamos esas palabras para referirnos a "entender"
+ y vos por medio de la traduccion estas entendiendo lo que se dice en el audio, por lo tanto estas "oyendo" o "escuchando" el mensaje. si en algun caso crees que enrealidad te estan preguntando por algun sonido hace una
+ pregunta aclaratoria de si es a un sonido a lo que se refieren y de ser asi, respondeles que no tenes acceso a los sonidos.
+
+
+
+ ###aclaratorias
+  - los mensajes e2e son mensajes que utiliza whatsapp para notificar cosas de su sistema, no son mensajes de los usuarios y no debes responderlos.
+  - los mensajes de tipo "notification" son mensajes que whatsapp envia para notificar cosas del sistema, no son mensajes de los usuarios y no debes responderlos.
+`;
 
 const app = express();
 app.use(express.json());
@@ -69,25 +99,15 @@ app.use(express.json());
 app.post('/', async (req, res) => {
   const conversation = req.body?.conversation as Conversation | undefined;
   if (!conversation) return res.status(400).json({ error: 'Missing conversation' });
-  const lastMsg = conversation.messages[conversation.messages.length - 1];
-  const message = lastMsg?.text || '';
-
-  const context = conversation.messages
-    .slice(-10)
-    .map((m) => {
-      const sender =
-        conversation.participants.find((p) => p.id === m.from)?.name || m.from;
-      const content = m.text || `[${m.type}]`;
-      return `${sender}: ${content}`;
-    })
-    .join('\n');
 
   if (!genAI) {
-    return res.json({ reply: repoInfo });
+    return res.json({ reply: systemPromt });
   }
 
   try {
-    const contents = `Repo information: ${repoInfo}\nConversation:\n${context}\n`;
+    const contents = `systemPrompt: ${systemPromt}\nConversation:\n${JSON.stringify(conversation)}\n`;
+    console.log(' contents', contents);
+    
     const config: any = {};
     if (true) {
       console.log('Using Model Context Protocol tools ', MCP_URL);
@@ -115,7 +135,7 @@ app.get('/', (req, res) => {
     <p>Example: {"conversation": {"chatId": "123@c.us", "title": "Chat", "isGroup": false, "unreadCount": 0, "participants": [{"id": "123@c.us", "name": "Alice", "isMe": false}], "messages": [{"id": "m1", "from": "123@c.us", "to": "me@c.us", "ts": 0, "type": "chat", "text": "hello", "meta": {"ack":0,"hasReaction":false,"isQuoted":false}}]}}</p>
     <p>It will respond with a JSON object containing {"reply": "the answer"}</p>
 
-    <p>Repository info: ${repoInfo}</p>
+    <p>Repository info: </p>
   `);
 }
 );

whatsapp-router/package.json

@@ -9,12 +9,17 @@
     "start": "node dist/index.js"
   },
   "dependencies": {
+    "@google/genai": "^1.4.0",
+    "@open-wa/wa-automate": "^4.76.0",
     "axios": "^1.5.0",
     "dotenv": "^16.5.0",
-    "express": "^4.18.2"
+    "express": "^4.18.2",
+    "ffmpeg-static": "^5.2.0",
+    "fluent-ffmpeg": "^2.1.3"
   },
   "devDependencies": {
     "@types/express": "^4.17.21",
+    "@types/fluent-ffmpeg": "^2.1.27",
     "@types/node": "^20.11.19",
     "nodemon": "^3.1.10",
     "ts-node": "^10.9.2",

whatsapp-router/src/store/conversation.ts

@@ -144,5 +144,6 @@ export async function addMessageToConversation(
       isMe: s.isMe,
     });
   }
+
   return conv;
 }

whatsapp-router/src/transcribeAudioMessage.ts

@@ -0,0 +1,55 @@
+// transcribeAudioMessage.ts
+import { WhatsAppMessage } from './types';
+import { decryptMedia } from '@open-wa/wa-automate';
+import axios from 'axios';
+import { GoogleGenAI, createUserContent } from '@google/genai';
+
+/**
+ * Transcribe un mensaje de audio de WhatsApp usando Gemini.
+ * @param message - Mensaje recibido desde OpenWA.
+ * @returns Texto transcrito o null si no era un audio válido.
+ */
+export async function transcribeAudioMessage(message: WhatsAppMessage): Promise<string | null> {
+  if (
+    message.type !== 'ptt' &&
+    message.type !== 'audio' &&
+    message.mimetype !== 'audio/ogg; codecs=opus'
+  ) {
+    return null;
+  }
+
+  const audioUrl = message.clientUrl || message.deprecatedMms3Url;
+  if (!audioUrl) throw new Error('El mensaje no tiene URL de audio');
+
+  const raw = await axios.get(audioUrl, { responseType: 'arraybuffer' });
+
+  const enrichedMessage = {
+    ...message,
+    _data: {
+      ...message,
+      _raw: raw.data
+    }
+  };
+
+  const decryptedBuffer = await decryptMedia(enrichedMessage as any);
+  const base64Audio = decryptedBuffer.toString('base64');
+
+  const apiKey = process.env.GOOGLE_API_KEY;
+  if (!apiKey) throw new Error('Falta GOOGLE_API_KEY');
+
+  const genAI = new GoogleGenAI({ apiKey });
+  const result = await genAI.models.generateContent({
+    model: 'gemini-2.0-flash',
+    contents: createUserContent([
+      {
+        inlineData: {
+          mimeType: 'audio/ogg',
+          data: base64Audio
+        }
+      },
+      'Transcribí este audio porfa. te estaran hablando en español honduras.'
+    ])
+  });
+
+  return result.text?.trim() || null;
+}

whatsapp-router/src/types.ts

@@ -191,6 +191,9 @@ export interface WhatsAppMessage {
   chatId: string;
   mediaData: Record<string, unknown>;
   text: string;
+  clientUrl?: string;
+  deprecatedMms3Url?: string;
+  mimetype?: string;
 }
 
 export interface Participant {

whatsapp-router/src/webhook.ts

@@ -1,8 +1,10 @@
 import express, { Application } from 'express';
 import axios from 'axios';
+import { GoogleGenAI } from '@google/genai';
 import { getHandler } from './chatHandlers';
 import { addMessageToConversation } from './store/conversation';
 import { WhatsAppMessage, Conversation } from './types';
+import { transcribeAudioMessage } from './transcribeAudioMessage';
 
 export interface WebhookConfig {
   API_URL: string;
@@ -31,6 +33,12 @@ export function registerWebhookRoutes(
 
     if (message) {
       const origen = from || message.chatId || 'desconocido';
+
+      if(origen == '50493849962@c.us')  //si el mensajes es de un agente, no lo proceses
+      {
+        return res.sendStatus(200);
+      }
+
       console.log(`📩 Mensaje recibido (${message.text}) de ${origen}`);
     }
 
@@ -38,6 +46,39 @@ export function registerWebhookRoutes(
       if (!message) return res.sendStatus(200);
       if (!openWaUrl) throw new Error('Service URLs not configured');
       const chatId = message.chatId || from;
+
+      // Audio message handling
+      // console.log(message);
+      
+      if (
+        message.type === 'ptt' &&
+        message.mimetype === 'audio/ogg; codecs=opus'
+      ) {
+        const audioUrl = message.clientUrl || message.deprecatedMms3Url;
+        if (!audioUrl) {
+          console.error('No audio URL found for PTT message');
+          // Potentially send a message to user or just skip? For now, skip.
+          return res.sendStatus(200);
+        }
+        console.log('🎤 Mensaje de audio detectado', audioUrl);
+        try {
+          const transcript = await transcribeAudioMessage(message);
+          console.log('📝 Transcripción:', transcript);
+          message.body = transcript || '';
+          message.text = transcript || '';
+
+          
+        } catch (transcriptionError: any) {
+          console.error('Error en la transcripción:', transcriptionError.message);
+          const reply =
+            "I received an audio message, but I couldn't transcribe it. Please send the transcript manually.";
+          await axios.post(`${openWaUrl}/sendText`, { args: { to: from, content: reply } });
+          // Stop processing this message as transcription failed and user has been notified.
+          return res.sendStatus(200);
+        }
+      }
+
+      console.log(message);
       let conv: Conversation | undefined;
       if (chatId) {
         try {