Транскрипцията различава гласовете, но не може да знае кой от тях е агентът. Запазете всеки агент веднъж, от негово собствено обаждане, и всяко следващо обаждане идва с назован агент, резюме отгоре и таблица, готова за QA.
QA ръководител, който преглежда обажданията към поддръжката, като ги слуша, може да мине през няколко на ден, а седемминутното обаждане отнема седем минути, колкото и бързо да щраквате. Прочетено като текст, същото обаждане е около хиляда думи, една страница, а страницата може да се прегледа, да се претърси и да се постави в тикет. Транскрипцията на обаждания в обслужването на клиенти превръща записите, които телефонната ви система вече пази, в такива страници. Три неща решават дали страниците са полезни: дали всеки ред казва кой е говорил, агентът или клиентът; дали обаждането идва с кратко резюме какво е било поискано и какво е договорено; и дали резултатът стига там, където работи екипът, бележка в CRM или QA таблица.
Тази статия минава през този работен процес с VocalStack: записани обаждания, изпратени през API, агентът разпознат по име, резюме, написано за всяко обаждане, и експорти в JSON и Excel. Тя казва ясно и какво VocalStack не прави за екип по поддръжка, защото част от това има значение, преди да качите първото обаждане.
Повечето телефонни системи и системи на кол центрове могат да експортират записите на обажданията като аудио файлове или да дават връзка за изтегляне за всеки. И двете вършат работа. POST /v1/transcriptions приема файл като multipart качване или JSON тяло с url, който сървърът изтегля сам. Урокът за файлове разглежда заявката подробно; за обаждания значение имат тези настройки, всички вътре в settings:
speakerLabels: задайте on, за да носи всеки ред на обаждане между двама души говорител. Стойността по подразбиране, When Needed (auto), етикетира редовете едва когато се чуе втори говорител, което подхожда на лекция повече, отколкото на обаждане.summary и title: и двете са изключени, освен ако не ги поискате. С тях включени, след транскрибирането на обаждането се пишат заглавие и кратко резюме.spokenLanguage: посочете го, когато го знаете, както в опашка, която приема обаждания само на един език. Ако го пропуснете, езикът се открива измежду 100.Качването отговаря веднага с идентификатор на транскрипцията; думите идват малко по-късно. Изпращайте Idempotency-Key с всяко качване: повторен опит със същия ключ и тяло в рамките на 24 часа връща първата транскрипция, вместо да създаде и таксува втора. Собственият идентификатор на обаждането от телефонната ви система е естествен 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 ?? ''}`);
Записите от една нощ могат да се качат в един цикъл. Всеки план определя колко транскрипции се изпълняват едновременно и файл над това число не се отказва: създава се, чака в състояние queued и стартира сам, когато една по-ранна свърши. Ограничението, което можете да достигнете, е броят транскрипции, които един акаунт може да започне през API за час; цифрите за всеки план са на страницата с цените. Няма уебхукове, така че скриптът ви проверява всяка задача, докато приключи, което waitForJob прави вместо вас.
Етикетите на говорителите идват от диаризацията: записът се разделя на реплики, а репликите се групират по глас. Връща се „Speaker 1“ и „Speaker 2“. Системата може да различи два гласа, но нищо в звука не казва кой от двамата е ваш служител. Диаризация срещу разпознаване на реч обяснява механиката; за обаждания към поддръжката практическият отговор е да запазите всеки агент веднъж.
Запазеният говорител е гласов отпечатък с име. След като съществува, всяка нова транскрипция в акаунта сравнява чутите гласове с вашите запазени говорители и съвпадението пренася името в транскрипцията. Файловете се съпоставят автоматично, така че редовете на агента идват като „Dana“ вместо „Speaker 1“. Клиентът остава с номер, докато не го назовете.
Вземете отпечатъка от собствено обаждане на агента, а не от запис, направен на бюро. Глас със слушалки в тиха стая и същият глас по телефонна линия могат да звучат по-малко сходно за машината, отколкото двама различни души, записани по един и същи начин, а отпечатъкът съвпада най-добре със звук, подобен на този, от който е взет. POST /v1/speakers/from-appearance запазва говорител направо от транскрипция, като използва собствените му участъци от обаждането за образец. appearance е индексът speaker, който носят неговите редове.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Запазването на говорител по този начин пази само неговия отпечатък, от поне 5 секунди негова реч; обаждане, в което агентът говори минута или повече, дава по-стабилен. Клонирането на глас е отделна стъпка, която изисква съгласието на човека, а работният процес по поддръжка няма нужда от него.
Оттук нататък транскрипцията на завършено обаждане ви казва кой е бил разпознат. GET /v1/transcriptions/{id}/transcript изброява speakers, а говорител, съвпаднал със запазен, има identified: true и запазеното име. Останалите могат да се назоват с по едно извикване, PUT /v1/transcriptions/{id}/appearances/{number}, където number е показваният номер на говорителя. Назоваването се съхранява в транскрипцията, така че всеки експорт след това чете „Customer“ вместо номер.
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');
}
Приемайте „всеки неразпознат е клиентът“ като практическо правило и го проверете върху собствените си обаждания. Прехвърлянето води втори агент, записано гласово меню може да бъде чуто като отделен глас, а агент, който още не е запазен, изглежда точно като клиент. Обърнете внимание и как е ограничено сравнението: всяка транскрипция се сравнява с 64-те запазени говорители, актуализирани най-скоро в акаунта, така че по-голям екип не бива да разчита всеки агент да бъде разпознат във всяко обаждане.
Две свойства на телефонния звук си струва да знаете, преди да съдите етикетите. Двуканален запис, с агента отляво и клиента отдясно, се смесва в един канал при транскрибиране, така че говорителите се разделят по гласовете си, не по канала. А теснолентова телефонна линия не пренася нищо над около 3,4 kHz, което премахва част от това, което прави два гласа различими; късите, припокриващи се реплики („да“, „мм-хм“, „извинете, продължете“) са мястото, където етикетите най-често грешат.
С включени summary и title всяко обаждане получава заглавие и няколко изречения за какво е било, след като транскрипцията е окончателна. Това отива в тикета, за да знае следващият агент историята, без да отваря нищо. Резюмето се пише след транскрипцията, така че го четете с GET /v1/transcriptions/{id}/summary и изчаквайте, докато state е 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);
}
Когато state е ready, title и summary съдържат текста. Запис, по-къс от една минута, никога не получава резюме (not_requested), което има значение за гласовата поща: повечето гласови съобщения са достатъчно къси, че транскрипцията е собственото им резюме. Обаждане, направено без summary, може да получи такова по-късно с POST /v1/transcriptions/{id}/summarize. Резюметата са включени във всеки план без допълнителна цена.
GET /v1/transcriptions/{id}/export връща файл в един от седем формата: json, xlsx, pdf, srt, vtt, txt или md. Всеки експорт включва поправките и имената на говорителите, които сте задали. За екип по поддръжка два от тях вършат най-много работа.
JSON за вашия собствен код. JSON експортът съдържа name, language, durationS на обаждането и, с summary=true, неговото summary, след това segments: по един запис на ред, с start и end в секунди, speaker, speakerName, text, confidence, дали редът е corrected, и words със собствени времена. Това е достатъчно, за да може скрипт да построи CRM бележка (заглавието, резюмето, името на агента, продължителността на обаждането) или да извлече всеки ред, казан от клиента.
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 за проверяващия. XLSX експортът има лист Transcript с един ред за всеки ред и колони #, Start, End, Start (s), End (s), Speaker, Text, Confidence и Corrected. С summary=true листът About носи резюмето до името, езика и продължителността на обаждането. QA ръководител може да филтрира редовете на агента, да добави колона за оценки или коментари и да пази по една работна книга на преглед.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Поддръжката на повече езици работи по същия начин. Добавете lang=en към експорта и файлът се чете на английски, по един ред на изречение, преведен там, където обаждането е било на испански или полски; проверяващ, който чете един език, може да оценява обаждания, приети на няколко. PDF експортът подхожда на този, който иска да прочете цялото обаждане на хартия, с говорители и времеви отметки.
Транскрипцията остава в акаунта след експорта, така че обажданията изграждат библиотека. Таговете ги групират: създайте по един за всяка опашка или екип с POST /v1/tags, после го сложете на транскрипции с 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 след това търси казаното във всички обаждания, стеснено по таг и дата: всяко обаждане от опашката по фактуриране този месец, в което някой е казал „cancel“, всяко попадение със своето обаждане и секундата, в която е казано.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Всичко по-горе работи и без код. Файл, качен в Transcriptions → New, се етикетира, обобщава и експортира от своята страница, говорителите се запазват в Speakers, а таговете и търсенето са в списъка Transcriptions.
За някои празнини е добре да знаете, преди да настроите каквото и да е.
Съхранението зависи от плана; страницата с цените показва колко дълго се пазят звукът и транскрипциите във всеки. Транскрипция може да бъде архивирана, а архивирана може да бъде изтрита с POST /v1/transcriptions/{id}/purge, което я заличава заедно с всичко в нея завинаги.
При цените при старта записаните обаждания струват $0.20 на час аудио, таксувани за секунда ($0.0033 на минута), с минимум 5 минути на транскрипция при Pay as you go (няма при Premium или Enterprise). Текущите ставки са на страницата с цените. Етикетите на говорителите, назоваването на говорители, резюметата, преводите и експортите никога не увеличават сметката.
Обажданията към поддръжката често са кратки, така че минимумът решава по-голяма част от сметката на екипа по поддръжка, отколкото ставката. При Pay as you go:
При Premium и Enterprise няма минимум, така че всяко обаждане се таксува за собствените си секунди: 40-секундното гласово съобщение струва около една пета от цент, а 1000-те триминутни обаждания около $10. Екип, който приема предимно кратки обаждания, трябва да сравни двата плана върху собствените си продължителности.
При цените при старта екип, който записва 2000 обаждания на месец със средна продължителност 8 минути, изпраща 16 000 минути аудио: около $53 кредит на месец при Premium, като резюметата и таблиците са включени. При Pay as you go всяко обаждане под 5 минути добавя към това.
Транскрипцията на живо струва повече ($0.60 на час при цените при старта), защото върви в крак с обаждането; ако никой няма нужда от думите по време на обаждането, транскрибирайте записа след това. Нов акаунт започва с еднократен кредит при регистрация и не се изисква карта, така че стъпките по-горе могат да се изпробват върху партида от собствените ви обаждания, преди да се купи каквото и да е.