Транскрыпцыя адрознівае галасы, але не можа ведаць, які з іх аператар. Захавайце кожнага аператара адзін раз, з аднаго з яго ўласных званкоў, і кожны наступны званок прыходзіць з імём аператара, рэзюмэ зверху і табліцай, гатовай для кантролю якасці.
Спецыяліст па кантролі якасці, які правярае званкі падтрымкі на слых, спраўляецца з жменяй за дзень, а сямівінутны званок займае сем хвілін, як бы хутка вы ні клікалі. Прачытаны як тэкст, той жа званок — каля тысячы слоў, адна старонка, а старонку можна прагледзець, прашукаць і ўставіць у заяўку. Транскрыбаванне званкоў службы падтрымкі ператварае запісы, якія ваша тэлефонная сістэма ўжо захоўвае, у такія старонкі. Тры рэчы вызначаюць, ці прыносяць старонкі карысць: ці паказвае кожны радок, хто казаў, аператар ці кліент; ці прыходзіць званок з кароткім рэзюмэ таго, што прасілі і на што дамовіліся; і ці трапляе вынік туды, дзе працуе каманда, у нататку CRM або ў табліцу кантролю якасці.
Гэты артыкул праводзіць праз такі працоўны працэс з VocalStack: запісаныя званкі, адпраўленыя праз API, аператар, якога пазнаюць па імені, рэзюмэ, напісанае для кожнага званка, і экспарты ў JSON і Excel. Ён таксама адкрыта кажа, чаго VocalStack не робіць для каманды падтрымкі, бо некаторыя рэчы важныя яшчэ да загрузкі першага званка.
Большасць тэлефонных сістэм і кантакт-цэнтраў можа экспартаваць запісы званкоў як гукавыя файлы або даць на кожны спасылку для загрузкі. Падыдзе любы варыянт. POST /v1/transcriptions прымае файл як загрузку multipart або цела JSON з url, які сервер спампоўвае сам. Дапаможнік па файлах падрабязна апісвае гэты выклік; для званкоў важныя гэтыя налады, усе ўнутры settings:
speakerLabels: пастаўце on, каб кожны радок званка паміж двума людзьмі меў спікера. Значэнне па змаўчанні, When Needed (auto), пазначае радкі толькі калі чуваць другога спікера, што больш падыходзіць для лекцыі, чым для званка.summary і title: абодва выключаныя, пакуль вы іх не папросіце. Калі ўключаныя, пасля транскрыбавання званка пішацца загаловак і кароткае рэзюмэ.spokenLanguage: указвайце, калі ведаеце, напрыклад у чарзе, якая прымае званкі толькі на адной мове. Калі прапусціць, мова вызначаецца аўтаматычна, са 100.Загрузка адказвае адразу з id транскрыпцыі; словы прыходзяць крыху пазней. Адпраўляйце Idempotency-Key з кожнай загрузкай: паўторны запыт з тым жа ключом і целам на працягу 24 гадзін вяртае першую транскрыпцыю замест таго, каб ствараць і білінгаваць другую. Уласны id званка з вашай тэлефоннай сістэмы — натуральны ключ.
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 ?? ''}`);
Запісы цэлай ночы можна загрузіць адным цыклам. Кожны план вызначае, колькі транскрыпцый ідзе адначасова, і файл звыш гэтага ліку не адхіляецца: ён ствараецца, чакае ў стане queued і запускаецца сам, калі завяршаецца папярэдні. Ліміт, да якога можна дабрацца, — гэта колькасць транскрыпцый, якія акаўнт можа запусціць праз API за гадзіну; лічбы для кожнага плана ёсць на старонцы з коштамі. Вэбхукаў няма, таму ваш скрыпт апытвае кожнае заданне, пакуль яно не завершыцца, што за вас робіць waitForJob.
Пазнакі спікераў паходзяць з дыярызацыі: запіс дзеліцца на рэплікі, а рэплікі групуюцца па голасе. Вяртаюцца «Speaker 1» і «Speaker 2». Сістэма можа адрозніць два галасы, але нічога ў гуку не кажа, хто з іх працуе ў вас. Дыярызацыя супраць распазнавання маўлення тлумачыць механіку; для званкоў падтрымкі практычны адказ — захаваць кожнага аператара адзін раз.
Захаваны спікер — гэта адбітак голасу з імем. Калі ён існуе, кожная новая транскрыпцыя ў акаўнце параўноўвае галасы, што чуе, з вашымі захаванымі спікерамі, і супадзенне пераносіць імя ў транскрыпцыю. Файлы супастаўляюцца аўтаматычна, таму радкі аператара прыходзяць як «Dana» замест «Speaker 1». Кліент застаецца пранумараваным, пакуль вы яго не назавяце.
Бярыце адбітак з аднаго з уласных званкоў аператара, а не з запісу, зробленага за сталом. Голас у навушніках у ціхім пакоі і той жа голас па тэлефоннай лініі могуць гучаць для машыны менш падобна, чым два розныя людзі, запісаныя аднолькава, і адбітак лепш за ўсё супадае з гукам, падобным да таго, з якога ён узяты. POST /v1/speakers/from-appearance захоўвае спікера наўпрост з транскрыпцыі, выкарыстоўваючы адрэзкі званка, дзе гаворыць гэты спікер, як узор. appearance — гэта індэкс speaker, які нясуць яго радкі.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Захаванне спікера такім чынам захоўвае толькі яго адбітак, не менш чым з 5 секунд яго маўлення; званок, у якім аператар гаворыць хвіліну або больш, дае больш устойлівы. Кланаванне голасу — асобны крок, які патрабуе згоды чалавека, а ў працэсе падтрымкі яно не патрэбна.
Адтуль транскрыпцыя завершанага званка кажа, каго пазналі. GET /v1/transcriptions/{id}/transcript пералічвае speakers, а спікер, што супаў з захаваным, мае identified: true і захаванае імя. Астатніх можна назваць адным выклікам кожнага, PUT /v1/transcriptions/{id}/appearances/{number}, дзе number — паказаны нумар спікера. Назва захоўваецца ў транскрыпцыі, таму кожны наступны экспарт чытае «Customer» замест нумара.
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');
}
Лічыце «усе, каго не пазналі, — кліенты» эмпірычным правілам і правярайце яго на сваіх званках. Пераключэнне прыводзіць другога аператара, запісанае прывітанне меню можа гучаць як асобны голас, а аператар, якога яшчэ не захавалі, выглядае роўна як кліент. Зважайце і на тое, чым абмежавана параўнанне: кожная транскрыпцыя параўноўваецца з 64 захаванымі спікерамі, абноўленымі апошнімі ў акаўнце, таму каманда большая за гэта не павінна разлічваць, што кожнага аператара пазнаюць на кожным званку.
Дзве ўласцівасці тэлефоннага гуку варта ведаць, перш чым ацэньваць пазнакі. Двухканальны запіс, дзе аператар злева, а кліент справа, пры транскрыбаванні змешваецца ў адзін канал, таму спікераў раздзяляюць па галасах, а не па канале. А вузкапалосная тэлефонная лінія не нясе нічога вышэй за прыкладна 3,4 кГц, што прыбірае частку таго, што робіць два галасы адрознымі; кароткія рэплікі, што перакрываюцца («так», «ага», «прабачце, працягвайце»), — месца, дзе пазнакі памыляюцца часцей за ўсё.
З уключанымі summary і title кожны званок атрымлівае загаловак і некалькі сказаў пра тое, пра што ён, пасля таго як транскрыпцыя стала канчатковай. Гэта і ідзе ў заяўку, каб наступны аператар ведаў гісторыю, нічога не адкрываючы. Рэзюмэ пішацца пасля транскрыпцыі, таму чытайце яго праз GET /v1/transcriptions/{id}/summary і чакайце, пакуль яго state — pending:
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);
}
Калі state — ready, title і summary змяшчаюць тэкст. Запіс карацейшы за хвіліну ніколі не атрымлівае рэзюмэ (not_requested), што важна для галасавой пошты: большасць паведамленняў дастаткова кароткія, каб транскрыпцыя была ўласным рэзюмэ. Званку, зробленаму без summary, яго можна даць пазней праз POST /v1/transcriptions/{id}/summarize. Рэзюмэ ўключаны ва ўсе планы без дадатковай платы.
GET /v1/transcriptions/{id}/export вяртае файл у адным з сямі фарматаў: json, xlsx, pdf, srt, vtt, txt або md. Кожны экспарт уключае выпраўленні і імёны спікераў, якія вы далі. Для каманды падтрымкі большую частку працы робяць два з іх.
JSON для вашага ўласнага кода. Экспарт JSON мае name, language, durationS званка і, з summary=true, яго summary, затым segments: адзін запіс на радок, з start і end у секундах, speaker, speakerName, text, confidence, ці быў радок corrected, і words са сваімі часавымі адзнакамі. Гэтага дастаткова, каб скрыпт пабудаваў нататку CRM (загаловак, рэзюмэ, імя аператара, працягласць званка) або выцягнуў усе радкі, якія сказаў кліент.
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 для рэцэнзента. Экспарт XLSX мае аркуш Transcript з адным радком на рэпліку і калонкамі #, Start, End, Start (s), End (s), Speaker, Text, Confidence і Corrected. З summary=true аркуш About нясе рэзюмэ побач з назвай, мовай і працягласцю званка. Спецыяліст па кантролі якасці можа адфільтраваць радкі аператара, дадаць калонку для адзнак або каментароў і трымаць адзін файл на кожную праверку.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Падтрымка на некалькіх мовах працуе гэтак жа. Дадайце lang=en да экспарту, і файл чытаецца па-ангельску, адзін радок на сказ, з перакладам там, дзе званок быў па-іспанску або па-польску; рэцэнзент, які чытае адной мовай, можа ацэньваць званкі, прынятыя на некалькіх. Экспарт PDF падыходзіць таму, хто хоча прачытаць увесь званок на паперы, са спікерамі і часавымі адзнакамі.
Транскрыпцыя застаецца ў акаўнце пасля экспарту, таму званкі складаюцца ў бібліятэку. Тэгі іх групуюць: стварыце па адным на чаргу або каманду праз POST /v1/tags, затым прымайце іх да транскрыпцый праз 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 затым шукае тое, што было сказана, па ўсіх званках, звужана па тэгу і даце: кожны званок чаргі білінгу ў гэтым месяцы, дзе нехта сказаў «cancel», кожнае супадзенне са сваім званком і секундай, калі гэта было сказана.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Усё вышэйпададзенае працуе і без кода. Файл, загружаны ў Transcriptions → New, пазначаецца, рэзюміруецца і экспартуецца са сваёй старонкі, спікеры захоўваюцца ў Speakers, а тэгі і пошук знаходзяцца ў спісе Transcriptions.
Некаторыя прабелы варта ведаць, перш чым нешта наладжваць.
Захоўванне залежыць ад плана; старонка з коштамі паказвае, як доўга захоўваюцца гук і транскрыпцыі ў кожным. Транскрыпцыю можна архіваваць, а архіваваную — выдаліць праз POST /v1/transcriptions/{id}/purge, што назаўсёды выдаляе яе і ўсё, што ў ёй.
Па коштах запуску запісаныя званкі каштуюць $0.20 за гадзіну гуку, з аплатай па секундах ($0.0033 за хвіліну), з мінімумам 5 хвілін на транскрыпцыю ў плане Pay as you go (у Premium або Enterprise яго няма). Бягучыя стаўкі ёсць на старонцы з коштамі. Пазнакі спікераў, імёны спікераў, рэзюмэ, пераклады і экспарты ніколі не павялічваюць рахунак.
Званкі падтрымкі часта кароткія, таму мінімум вызначае больш у рахунку каманды падтрымкі, чым стаўка. У плане Pay as you go:
У Premium і Enterprise мінімуму няма, таму кожны званок аплачваецца па ўласных секундах: 40-секундная галасавая пошта каштуе каля пятай часткі цэнта, а 1 000 троххвілінных званкоў — каля $10. Камандзе, якая ў асноўным прымае кароткія званкі, варта параўнаць абодва па доўжыні сваіх званкоў.
Па коштах запуску каманда, што запісвае 2 000 званкоў у месяц у сярэднім па 8 хвілін, адпраўляе 16 000 хвілін гуку: каля $53 крэдыту ў месяц у Premium, з рэзюмэ і табліцамі. У плане Pay as you go кожны званок карацейшы за 5 хвілін дадае да гэтай сумы.
Жывая транскрыпцыя каштуе больш ($0.60 за гадзіну па коштах запуску), бо ідзе ў тэмпе са званком; калі нікому не патрэбныя словы падчас званка, транскрыбуйце запіс пазней. Новы акаўнт пачынаецца з аднаразовага рэгістрацыйнага крэдыту, і карта не патрэбна, таму крокі вышэй можна апрабаваць на партыі сваіх званкоў, перш чым нешта купляць.