’n Transkripsie kan stemme uitmekaar ken maar weet nie watter een die agent is nie. Stoor elke agent een keer, uit een van hul eie oproepe, en elke oproep daarna kom terug met die agent benoem, ’n opsomming bo-aan en ’n sigblad gereed vir QA.
’n QA-leier wat steunoproepe nagaan deur te luister, kom deur ’n handvol per dag, en ’n oproep van sewe minute neem sewe minute, hoe vinnig jy ook klik. As teks is dieselfde oproep ongeveer duisend woorde, een bladsy, en ’n bladsy kan vinnig deurgelees, deursoek en in ’n kaartjie geplak word. Transkripsie van kliëntediensoproepe verander die opnames wat jou telefoonstelsel reeds hou in sulke bladsye. Drie dinge bepaal of die bladsye enige nut het: of elke reël sê wie gepraat het, agent of kliënt; of die oproep met ’n kort opsomming kom van wat gevra en wat ooreengekom is; en of die resultaat beland waar die span werk, in ’n CRM-nota of ’n QA-sigblad.
Hierdie artikel loop deur daardie werkvloei met VocalStack: opgeneemde oproepe wat deur die API gestuur word, die agent wat by naam herken word, ’n opsomming vir elke oproep, en uitvoere in JSON en Excel. Dit sê ook reguit wat VocalStack nie vir ’n steunspan doen nie, want sommige daarvan maak saak voor die eerste oproep opgelaai word.
Die meeste telefoon- en kontaksentrumstelsels kan oproepopnames as oudiolêers uitvoer, of gee elkeen ’n aflaailink. Albei werk. POST /v1/transcriptions neem ’n lêer as ’n multipart-oplaai, of ’n JSON-liggaam met ’n url wat die bediener self gaan haal. Die lêertutoriaal dek die oproep in besonderhede; vir oproepe maak hierdie instellings saak, almal binne settings:
speakerLabels: stel dit op on, sodat elke reël van ’n oproep tussen twee mense ’n spreker dra. Die standaard, When Needed (auto), merk reëls eers sodra ’n tweede spreker gehoor word, wat beter by ’n lesing pas as by ’n oproep.summary en title: albei is af tensy jy daarvoor vra. Wanneer hulle aan is, word ’n titel en ’n kort opsomming vir die oproep geskryf sodra dit getranskribeer is.spokenLanguage: noem dit wanneer jy dit ken, soos in ’n tou wat net oproepe in een taal neem. Los dit uit en die taal word bespeur, uit 100.Die oplaai antwoord dadelik met ’n transkripsie-id; die woorde kom ’n rukkie later. Stuur ’n Idempotency-Key saam met elke oplaai: ’n herpoging met dieselfde sleutel en liggaam binne 24 uur gee die eerste transkripsie terug in plaas daarvan om ’n tweede te maak en te faktureer. Die oproep se eie id uit jou telefoonstelsel is ’n natuurlike sleutel.
import { VocalStack } from '@vocalstack/js-sdk';
const vs = new VocalStack({ baseUrl: '{{api}}', apiKey: process.env.VOCALSTACK_API_KEY });
const tx = await vs.transcriptions.create(
{
file: './calls/48213.mp3',
name: 'Ticket 48213',
settings: { speakerLabels: 'on', summary: true, title: true },
},
{ idempotencyKey: 'call-48213' },
);
const job = await vs.transcriptions.waitForJob(tx.id, { intervalMs: 5000 });
if (job.state !== 'done') throw new Error(`call 48213: ${job.state} ${job.error ?? ''}`);
’n Nag se opnames kan in een lus opgelaai word. Elke plan bepaal hoeveel transkripsies gelyk loop, en ’n lêer bo daardie getal word nie geweier nie: dit word geskep, wag as queued, en begin vanself wanneer ’n vroeëre een eindig. Die limiet wat jy kan tref, is die getal transkripsies wat ’n rekening per uur deur die API mag begin; die syfers vir elke plan is op die prysbladsy. Daar is geen webhooks nie, so jou skrip poll elke taak totdat dit klaar is, wat waitForJob vir jou doen.
Sprekeretikette kom uit diarisering: die opname word in beurte verdeel, en die beurte word volgens stem gegroepeer. Wat terugkom, is "Speaker 1" en "Speaker 2". Die stelsel kan twee stemme uitmekaar ken, maar niks in die oudio sê watter een by jou in diens is nie. Diarisering teenoor spraakherkenning verduidelik die meganika; vir steunoproepe is die praktiese antwoord om elke agent een keer te stoor.
’n Gestoorde spreker is ’n stemvingerafdruk met ’n naam. Sodra dit bestaan, vergelyk elke nuwe transkripsie in die rekening die stemme wat dit hoor met jou gestoorde sprekers, en ’n treffer dra die naam oor in die transkripsie. Lêers word outomaties gepas, so die agent se reëls kom aan as "Dana" in plaas van "Speaker 1". Die kliënt bly genommer totdat jy hulle noem.
Neem die vingerafdruk uit een van die agent se eie oproepe eerder as uit ’n opname wat by ’n lessenaar gemaak is. ’n Stem op ’n kopstuk in ’n stil kamer en dieselfde stem op ’n telefoonlyn kan vir ’n masjien minder soos mekaar klink as twee verskillende mense wat op dieselfde manier opgeneem is, en die vingerafdruk pas die beste by oudio wat soos die oudio is waaruit dit kom. POST /v1/speakers/from-appearance stoor ’n spreker reguit uit ’n transkripsie, met daardie spreker se eie gedeeltes van die oproep as monster. appearance is die speaker-indeks wat hul reëls dra.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Om ’n spreker so te stoor, hou net hul vingerafdruk, uit minstens 5 sekondes van hul spraak; ’n oproep waar die agent ’n minuut of meer praat, gee ’n bestendiger een. Stemkloning is ’n aparte stap wat die persoon se toestemming vereis, en ’n steunwerkvloei het geen gebruik daarvoor nie.
Van daar af sê ’n voltooide oproep se transkripsie vir jou wie herken is. GET /v1/transcriptions/{id}/transcript lys speakers, en ’n spreker wat by ’n gestoorde een gepas is, het identified: true en die gestoorde naam. Die res kan met een oproep elk benoem word, PUT /v1/transcriptions/{id}/appearances/{number}, waar number die spreker se vertoonnommer is. Die naam word by die transkripsie gestoor, so elke uitvoer daarna lees "Customer" in plaas van ’n nommer.
const { speakers } = await vs.transcriptions.transcript(tx.id);
for (const s of speakers) {
if (!s.identified && s.number != null) await vs.transcriptions.nameAppearance(tx.id, s.number, 'Customer');
}
Beskou "almal wat nie herken word nie, is die kliënt" as ’n duimreël en toets dit op jou eie oproepe. ’n Oordrag bring ’n tweede agent in, ’n opgeneemde kieslysboodskap kan as ’n stem op sy eie gehoor word, en ’n agent wat nog nie gestoor is nie, lyk presies soos ’n kliënt. Let ook op hoe die vergelyking begrens word: elke transkripsie word vergelyk met die 64 gestoorde sprekers wat die onlangste in die rekening opgedateer is, so ’n groter span moet nie daarop reken dat elke agent in elke oproep herken word nie.
Twee eienskappe van foonoudio is die moeite werd om te ken voor jy die etikette beoordeel. ’n Opname met twee kanale, die agent links en die kliënt regs, word tot een kanaal saamgemeng wanneer dit getranskribeer word, so sprekers word deur hul stemme geskei, nie deur hul kanaal nie. En ’n smalbandige telefoonlyn dra niks bo ongeveer 3,4 kHz nie, wat deel verwyder van wat twee stemme kenmerkend maak; kort, oorvleuelende beurte ("ja", "mm-hm", "jammer, gaan voort") is waar etikette die meeste foutloop.
Met summary en title aan kry elke oproep ’n titel en ’n paar sinne oor waaroor dit gegaan het sodra die transkripsie finaal is. Dit is wat in die kaartjie kom, sodat die volgende agent die geskiedenis ken sonder om iets oop te maak. Die opsomming word ná die transkripsie geskryf, so lees dit met GET /v1/transcriptions/{id}/summary en wag terwyl sy state pending is:
let sum = await vs.transcriptions.summary(tx.id);
while (sum.state === 'pending') {
await new Promise((r) => setTimeout(r, 3000));
sum = await vs.transcriptions.summary(tx.id);
}
Wanneer state ready is, bevat title en summary die teks. ’n Opname korter as een minuut kry nooit ’n opsomming nie (not_requested), wat saak maak vir stemboodskappe: die meeste stemboodskappe is kort genoeg dat die transkripsie sy eie opsomming is. ’n Oproep wat sonder summary gemaak is, kan later een kry met POST /v1/transcriptions/{id}/summarize. Opsommings is by elke plan sonder ekstra koste ingesluit.
GET /v1/transcriptions/{id}/export gee ’n lêer in een van sewe formate: json, xlsx, pdf, srt, vtt, txt of md. Elke uitvoer bevat regstellings en die sprekername wat jy gegee het. Vir ’n steunspan doen twee van hulle die meeste van die werk.
JSON vir jou eie kode. Die JSON-uitvoer het die oproep se name, language, durationS en, met summary=true, sy summary, dan segments: een inskrywing per reël, met start en end in sekondes, speaker, speakerName, text, ’n confidence, of die reël corrected is, en die words met hul eie tye. Dit is genoeg vir ’n skrip om ’n CRM-nota te bou (die titel, die opsomming, die agent se naam, die oproep se lengte), of om elke reël uit te haal wat die kliënt gesê het.
const res = await vs.transcriptions.export(tx.id, 'json', { summary: true });
const call = await res.json();
const note = { subject: sum.title, body: sum.summary, minutes: Math.round(call.durationS / 60) };
// Your code posts `note` to the ticket: VocalStack has no CRM or helpdesk connector.
Excel vir die nagaaner. Die XLSX-uitvoer het ’n Transcript-blad met een ry per reël en die kolomme #, Start, End, Start (s), End (s), Speaker, Text, Confidence en Corrected. Met summary=true dra die About-blad die opsomming langs die oproep se naam, taal en lengte. ’n QA-leier kan na die agent se rye filtreer, ’n kolom vir tellings of kommentaar byvoeg, en een werkboek per nagaan hou.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Steun in meer as een taal werk dieselfde. Voeg lang=en by ’n uitvoer en die lêer lees in Engels, een reël per sin, vertaal waar die oproep in Spaans of Pools was; ’n nagaaner wat een taal lees, kan oproepe wat in verskeie geneem is, beoordeel. Die PDF-uitvoer pas by iemand wat ’n hele oproep op papier wil lees, met sprekers en tydstempels.
’n Transkripsie bly in die rekening nadat dit uitgevoer is, so die oproepe bou tot ’n biblioteek. Etikette groepeer hulle: skep een per tou of span met POST /v1/tags, en sit dit dan op transkripsies met POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search deursoek dan wat gesê is oor elke oproep, ingeperk volgens etiket en datum: elke faktureringstou-oproep hierdie maand waar iemand "cancel" gesê het, elke treffer met sy oproep en die sekonde waarop dit gesê is.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Alles hierbo werk ook sonder kode. ’n Lêer wat by Transcriptions → New opgelaai word, word vanaf sy bladsy geëtiketteer, opgesom en uitgevoer, sprekers word onder Speakers gestoor, en etikette en soek is in die Transcriptions-lys.
Sommige gapings is die moeite werd om te ken voor iets opgestel word.
Bewaring hang van die plan af; die prysbladsy wys hoe lank oudio en transkripsies by elk gehou word. ’n Transkripsie kan geargiveer word, en ’n geargiveerde een kan met POST /v1/transcriptions/{id}/purge uitgevee word, wat dit en alles daarin vir goed verwyder.
Teen die bekendstellingspryse kos opgeneemde oproepe $0.20 per uur oudio, per sekonde gefaktureer ($0.0033 per minuut), met ’n minimum van 5 minute per transkripsie op Pay as you go (geen op Premium of Enterprise nie). Die huidige tariewe is op die prysbladsy. Sprekeretikette, die noem van sprekers, opsommings, vertalings en uitvoere voeg nooit by die rekening nie.
Steunoproepe is dikwels kort, so die minimum bepaal meer van ’n steunspan se rekening as die tarief. Op Pay as you go:
Op Premium en Enterprise is daar geen minimum nie, so elke oproep word volgens sy eie sekondes gefaktureer: die stemboodskap van 40 sekondes kos ongeveer ’n vyfde van ’n sent, en die 1 000 oproepe van drie minute ongeveer $10. ’n Span wat meestal kort oproepe neem, moet die twee volgens sy eie oproeplengtes vergelyk.
Teen die bekendstellingspryse stuur ’n span wat 2 000 oproepe per maand opneem met ’n gemiddeld van 8 minute 16 000 minute oudio: ongeveer $53 se krediet per maand op Premium, opsommings en sigblaaie ingesluit. Op Pay as you go voeg elke oproep onder 5 minute daarby.
Regstreekse transkripsie kos meer ($0.60 per uur teen die bekendstellingspryse), omdat dit tred hou met die oproep; as niemand die woorde tydens die oproep nodig het nie, transkribeer die opname daarna. ’n Nuwe rekening begin met eenmalige registrasiekrediet en geen kaart word vereis nie, so die stappe hierbo kan op ’n bondel van jou eie oproepe probeer word voor enigiets gekoop word.