Transkripsiya səsləri bir-birindən ayırır, amma hansının operator olduğunu bilmir. Hər operatoru öz zənglərindən birindən bir dəfə yadda saxlayın və bundan sonrakı hər zəng operatorun adı, üstdə xülasə və QA üçün hazır cədvəllə qayıdacaq.
Zəngləri dinləyərək yoxlayan QA rəhbəri gündə bir neçə zəngi keçə bilir, yeddi dəqiqəlik zəng isə nə qədər tez klikləsəniz də yeddi dəqiqə çəkir. Mətn kimi oxunduqda eyni zəng təxminən min söz, bir səhifədir, səhifəni isə diagonal oxumaq, axtarmaq və tikete köçürmək olar. Müştəri xidməti zənglərinin transkripsiyası telefon sisteminizin artıq saxladığı yazıları belə səhifələrə çevirir. Səhifələrin faydalı olub-olmamasını üç şey müəyyən edir: hər sətir kimin danışdığını, operatorun, yoxsa müştərinin, göstərirmi; zəng nə soruşulduğunu və nəyə razılaşıldığını qısa xülasə ilə verirmi; nəticə komandanın işlədiyi yerə, CRM qeydinə və ya QA cədvəlinə düşürmü.
Bu məqalə həmin iş axınını VocalStack ilə addım-addım göstərir: API ilə göndərilən yazılmış zənglər, adı ilə tanınan operator, hər zəng üçün yazılmış xülasə və JSON ilə Excel ixracı. Həmçinin VocalStack-in dəstək komandası üçün nə etmədiyini açıq deyir, çünki bunların bəziləri ilk zəng yüklənməmişdən əvvəl vacibdir.
Əksər telefon və əlaqə mərkəzi sistemləri zəng yazılarını audio fayl kimi ixrac edə və ya hər birinə yükləmə linki verə bilər. İkisi də işləyir. POST /v1/transcriptions faylı multipart yükləmə kimi və ya serverin özünün endirdiyi url olan JSON gövdəsini qəbul edir. Fayl təlimatı çağırışı ətraflı izah edir; zənglər üçün bu ayarlar vacibdir, hamısı settings daxilindədir:
speakerLabels: onu on edin ki, iki nəfərlik zəngin hər sətrində danışan olsun. Standart When Needed (auto) sətirləri yalnız ikinci danışan eşidiləndən sonra etiketləyir və bu, zəngdən çox mühazirəyə uyğundur.summary və title: ikisi də istəmədikcə söndürülüdür. Açıq olduqda zəng transkripsiya olunandan sonra ona başlıq və qısa xülasə yazılır.spokenLanguage: bildiyiniz halda göstərin, məsələn, yalnız bir dildə zəng qəbul edən növbədə. Göstərməsəniz dil 100 dil arasından aşkarlanır.Yükləmə dərhal transkripsiya id-si ilə cavab verir; sözlər bir az sonra gəlir. Hər yükləmə ilə Idempotency-Key göndərin: 24 saat ərzində eyni açar və gövdə ilə təkrar cəhd ikinci transkripsiyanı yaratmaq və ödəniş tutmaq əvəzinə birincini qaytarır. Telefon sisteminizdəki zəngin öz id-si təbii açardır.
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 ?? ''}`);
Bir gecənin yazıları bir dövrədə yüklənə bilər. Hər plan eyni anda neçə transkripsiyanın işlədiyini müəyyən edir və bu saydan artıq fayl rədd edilmir: yaradılır, queued vəziyyətində gözləyir və əvvəlki bitəndə özü başlayır. Çata biləcəyiniz limit hesabın API vasitəsilə bir saatda başlada biləcəyi transkripsiya sayıdır; hər plan üçün rəqəmlər qiymət səhifəsindədir. Webhook yoxdur, ona görə skriptiniz hər işi bitənə qədər sorğulayır, waitForJob bunu sizin üçün edir.
Danışan etiketləri diarizasiyadan gəlir: yazı növbələrə bölünür, növbələr isə səsə görə qruplaşdırılır. Nəticə “Speaker 1” və “Speaker 2”-dir. Sistem iki səsi bir-birindən ayıra bilir, amma audioda heç nə onlardan hansının sizin işçiniz olduğunu demir. Danışan diarizasiyası ilə nitq tanıma mexanikanı izah edir; dəstək zəngləri üçün praktik cavab hər operatoru bir dəfə yadda saxlamaqdır.
Yadda saxlanmış danışan adı olan səs barmaq izidir. O yarandıqdan sonra hesabdakı hər yeni transkripsiya eşitdiyi səsləri yadda saxlanmış danışanlarınızla müqayisə edir və uyğunluq adı transkripte daşıyır. Fayllar avtomatik uyğunlaşdırılır, ona görə operatorun sətirləri “Speaker 1” əvəzinə “Dana” kimi gəlir. Müştəri siz ona ad verənə qədər nömrəli qalır.
Barmaq izini masa arxasında çəkilmiş yazıdan yox, operatorun öz zənglərindən birindən götürün. Sakit otaqda qulaqlıqdakı səs ilə telefon xəttindəki eyni səs maşına eyni şəkildə yazılmış iki fərqli adamdan daha az oxşar gələ bilər və barmaq izi öz mənbəyinə bənzər audioya qarşı ən yaxşı uyğunlaşır. POST /v1/speakers/from-appearance danışanı birbaşa transkripsiyadan, zəngin həmin danışana aid hissələrini nümunə kimi istifadə edərək yadda saxlayır. appearance onların sətirlərinin daşıdığı speaker indeksidir.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Danışanı bu yolla yadda saxlamaq yalnız onun barmaq izini saxlayır və bunun üçün onun nitqindən ən azı 5 saniyə lazımdır; operatorun bir dəqiqə və ya daha çox danışdığı zəng daha sabit nəticə verir. Səs klonlaması şəxsin razılığını tələb edən ayrı addımdır və dəstək iş axınının ona ehtiyacı yoxdur.
Bundan sonra bitmiş zəngin transkripti kimin tanındığını deyir. GET /v1/transcriptions/{id}/transcript speakers siyahısını verir və yadda saxlanmış danışana uyğunlaşan danışanda identified: true və saxlanmış ad olur. Qalanlara hər birinə bir çağırışla ad vermək olar: PUT /v1/transcriptions/{id}/appearances/{number}, burada number danışanın göstərilən nömrəsidir. Adlandırma transkripsiyada saxlanır, ona görə ondan sonrakı hər ixrac nömrə əvəzinə “Customer” oxuyur.
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');
}
“Tanınmayan hər kəs müştəridir” qaydasını əsas qayda kimi qəbul edin və öz zənglərinizdə yoxlayın. Köçürmə ikinci operator gətirir, yazılmış menyu səsləndirməsi ayrıca səs kimi eşidilə bilər, hələ yadda saxlanmamış operator isə müştəridən heç fərqlənmir. Müqayisənin necə məhdud olduğuna da diqqət edin: hər transkripsiya hesabda ən son yenilənmiş 64 yadda saxlanmış danışanla müqayisə olunur, ona görə bundan böyük komanda hər zəngdə hər operatorun tanınacağına güvənməməlidir.
Etiketləri qiymətləndirməzdən əvvəl telefon audiosunun iki xüsusiyyətini bilmək yaxşıdır. Operator solda, müştəri sağda olan ikikanallı yazı transkripsiya zamanı bir kanala qarışdırılır, ona görə danışanlar kanallarına görə yox, səslərinə görə ayrılır. Dar zolaqlı telefon xətti təxminən 3.4 kHz-dən yuxarı heç nə ötürmür və bu, iki səsi fərqləndirən xüsusiyyətlərin bir hissəsini silir; qısa, üst-üstə düşən növbələr (“yes”, “mm-hm”, “sorry, go on”) etiketlərin ən çox səhv getdiyi yerdir.
summary və title açıq olduqda transkript yekunlaşandan sonra hər zəng başlıq və nə haqqında olduğunu göstərən bir neçə cümlə alır. Tikete bu yazılır, beləcə növbəti operator heç nə açmadan tarixçəni bilir. Xülasə transkriptdən sonra yazılır, ona görə onu GET /v1/transcriptions/{id}/summary ilə oxuyun və onun state dəyəri pending olduqca gözləyin:
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);
}
state ready olduqda title və summary mətni saxlayır. Bir dəqiqədən qısa yazı heç vaxt xülasə almır (not_requested) və bu, səsli məktublar üçün önəmlidir: əksər səsli məktublar o qədər qısadır ki, transkriptin özü xülasədir. summary olmadan edilmiş zəngə sonradan POST /v1/transcriptions/{id}/summarize ilə xülasə vermək olar. Xülasələr hər plana əlavə ödənişsiz daxildir.
GET /v1/transcriptions/{id}/export yeddi formatdan birində fayl qaytarır: json, xlsx, pdf, srt, vtt, txt və ya md. Hər ixrac düzəlişləri və verdiyiniz danışan adlarını daxil edir. Dəstək komandası üçün işin çoxunu ikisi görür.
Öz kodunuz üçün JSON. JSON ixracında zəngin name, language, durationS sahələri və summary=true olduqda summary var, sonra segments: hər sətir üçün bir qeyd, start və end saniyə ilə, speaker, speakerName, text, confidence, sətrin corrected olub-olmaması və öz vaxtları ilə words. Bu, skriptin CRM qeydi qurması (başlıq, xülasə, operatorun adı, zəngin uzunluğu) və ya müştərinin dediyi hər sətri çıxarması üçün kifayətdir.
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.
Rəyçi üçün Excel. XLSX ixracında hər sətir üçün bir sətir olan Transcript vərəqi və #, Start, End, Start (s), End (s), Speaker, Text, Confidence və Corrected sütunları var. summary=true ilə About vərəqi xülasəni zəngin adı, dili və uzunluğu ilə yanaşı verir. QA rəhbəri operatorun sətirlərini süzə, qiymət və ya şərh üçün sütun əlavə edə və hər yoxlama üçün bir iş kitabı saxlaya bilər.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Bir neçə dildə dəstək də eyni cür işləyir. İxraca lang=en əlavə edin və fayl ingiliscə, hər cümlə bir sətirdə oxunur, zəng ispan və ya polyak dilində olubsa tərcümə edilir; bir dil oxuyan rəyçi bir neçə dildə qəbul edilən zəngləri qiymətləndirə bilər. PDF ixracı bütün zəngi kağızda danışanlar və vaxt nişanları ilə oxumaq istəyənə uyğundur.
Transkripsiya ixracdan sonra da hesabda qalır, beləliklə zənglər kitabxana yaradır. Teqlər onları qruplaşdırır: hər növbə və ya komanda üçün POST /v1/tags ilə teq yaradın, sonra POST /v1/tags/{id}/transcriptions ilə transkripsiyalara qoyun.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search sonra bütün zənglərdə deyilənləri teq və tarixə görə daraldaraq axtarır: bu ay Billing növbəsindəki, kiminsə “cancel” dediyi hər zəng, hər nəticə zəngi və deyildiyi saniyə ilə.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Yuxarıdakıların hamısı kodsuz da işləyir. Transcriptions → New bölməsində yüklənmiş fayl öz səhifəsindən etiketlənir, xülasə olunur və ixrac edilir, danışanlar Speakers altında saxlanır, teqlər və axtarış isə Transcriptions siyahısındadır.
Bəzi boşluqları heç nə qurulmamışdan əvvəl bilmək faydalıdır.
Saxlama müddəti plandan asılıdır; audio və transkripsiyaların hər planda nə qədər saxlandığını qiymət səhifəsi göstərir. Transkripsiya arxivləşdirilə bilər, arxivləşdirilmişi isə POST /v1/transcriptions/{id}/purge ilə təmizləmək olar, bu onu və içindəki hər şeyi birdəfəlik silir.
Başlanğıc qiymətləri ilə yazılmış zənglər audionun saatı üçün $0.20, saniyə hesabı ilə ($0.0033 dəqiqəyə) hesablanır, Pay as you go planında hər transkripsiya üçün 5 dəqiqəlik minimumla (Premium və ya Enterprise-da yoxdur). Cari tariflər qiymət səhifəsindədir. Danışan etiketləri, danışan adlandırma, xülasələr, tərcümələr və ixraclar heç vaxt hesaba əlavə olunmur.
Dəstək zəngləri çox vaxt qısa olur, ona görə dəstək komandasının hesabını tarifdən çox minimum müəyyən edir. Pay as you go planında:
Premium və Enterprise-da minimum yoxdur, ona görə hər zəng öz saniyələri ilə hesablanır: 40 saniyəlik səsli məktub sentin təxminən beşdə birinə, 1,000 üç dəqiqəlik zəng isə təxminən $10-a başa gəlir. Əsasən qısa zənglər qəbul edən komanda ikisini öz zəng uzunluqları ilə müqayisə etməlidir.
Başlanğıc qiymətləri ilə ayda orta hesabla 8 dəqiqəlik 2,000 zəng yazan komanda 16,000 dəqiqə audio göndərir: Premium-da ayda təxminən $53 kredit, xülasələr və cədvəllər daxil. Pay as you go planında 5 dəqiqədən qısa hər zəng buna əlavə olunur.
Canlı transkripsiya daha bahadır (başlanğıc qiymətləri ilə saatı $0.60), çünki zəngin tempi ilə gedir; zəng zamanı heç kimə sözlər lazım deyilsə, yazını sonra transkripsiya edin. Yeni hesab birdəfəlik qeydiyyat krediti ilə başlayır və kart tələb olunmur, beləliklə yuxarıdakı addımlar heç nə almamışdan əvvəl öz zənglərinizdən ibarət partiyada sınana bilər.