Transkripcija razlikuje glasove, ali ne može znati koji je od njih agent. Jednom spremite svakog agenta, iz jednog njegovog poziva, i svaki sljedeći poziv stiže s imenovanim agentom, sažetkom na vrhu i tabelom spremnom za QA.
QA voditelj koji preslušava pozive podrške stigne obraditi nekoliko dnevno, a poziv od sedam minuta traje sedam minuta koliko god brzo klikali. Pročitan kao tekst, isti poziv je oko hiljadu riječi, jedna stranica, a stranica se može preletjeti, pretražiti i zalijepiti u tiket. Transkripcija poziva korisničke podrške pretvara snimke koje vaš telefonski sistem već čuva u takve stranice. Tri stvari odlučuju jesu li te stranice od koristi: kaže li svaka linija ko je govorio, agent ili kupac; dolazi li uz poziv kratak sažetak šta je traženo i šta je dogovoreno; i stiže li rezultat tamo gdje tim radi, u CRM bilješku ili QA tabelu.
Ovaj članak prolazi kroz taj tok rada s VocalStackom: snimljeni pozivi poslani preko API-ja, agent prepoznat po imenu, sažetak napisan za svaki poziv te izvozi u JSON i Excel. Također jasno kaže šta VocalStack ne radi za tim podrške, jer neke od tih stvari važe prije nego što se učita prvi poziv.
Većina telefonskih sistema i kontakt-centara može izvesti snimke poziva kao audio datoteke ili svakoj dati vezu za preuzimanje. Oba načina rade. POST /v1/transcriptions prima datoteku kao multipart otpremanje ili JSON tijelo s url koji server sam preuzme. Vodič za datoteke detaljno opisuje poziv; za pozive su važne ove postavke, sve unutar settings:
speakerLabels: postavite na on, da svaka linija poziva između dvije osobe nosi govornika. Zadano, When Needed (auto), označava linije tek kad se čuje drugi govornik, što više odgovara predavanju nego pozivu.summary i title: oba su isključena osim ako ih zatražite. Kad su uključena, naslov i kratak sažetak pišu se za poziv nakon što je transkribiran.spokenLanguage: navedite ga kad ga znate, na primjer u redu koji prima pozive samo na jednom jeziku. Izostavite li ga, jezik se otkriva, od 100.Otpremanje odmah odgovara id-jem transkripcije; riječi stižu nešto kasnije. Uz svako otpremanje pošaljite Idempotency-Key: ponovni pokušaj s istim ključem i tijelom u roku od 24 sata vraća prvu transkripciju umjesto da napravi, i naplati, drugu. Id samog poziva iz vašeg telefonskog sistema prirodan je ključ.
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 ?? ''}`);
Snimci cijele noći mogu se otpremiti u jednoj petlji. Svaki paket određuje koliko transkripcija radi istovremeno, a datoteka preko tog broja nije odbijena: kreira se, čeka u stanju queued i sama počinje kad se ranija završi. Ograničenje na koje možete naići jeste broj transkripcija koje račun smije pokrenuti preko API-ja u jednom satu; brojke za svaki paket nalaze se na stranici s cijenama. Nema webhookova, pa vaša skripta ispituje svaki posao dok ne bude gotov, što waitForJob radi umjesto vas.
Oznake govornika dolaze iz diarizacije: snimak se dijeli na replike, a replike se grupišu po glasu. Dobije se „Speaker 1” i „Speaker 2”. Sistem može razlikovati dva glasa, ali ništa u zvuku ne kaže koji od njih radi kod vas. Diarizacija govornika i prepoznavanje govora objašnjava mehaniku; za pozive podrške praktičan odgovor je da svakog agenta spremite jednom.
Spremljeni govornik je otisak glasa s imenom. Kad jednom postoji, svaka nova transkripcija na računu poredi glasove koje čuje s vašim spremljenim govornicima, a podudaranje prenosi ime u transkript. Datoteke se podudaraju automatski, pa linije agenta stižu kao „Dana” umjesto „Speaker 1”. Kupac ostaje numerisan dok ga ne imenujete.
Otisak uzmite iz jednog agentovog vlastitog poziva, a ne iz snimka napravljenog za stolom. Glas na slušalicama u tihoj prostoriji i isti glas na telefonskoj liniji mašini mogu zvučati manje slično nego dvije različite osobe snimljene na isti način, a otisak se najbolje podudara sa zvukom nalik onom iz kojeg je nastao. POST /v1/speakers/from-appearance sprema govornika direktno iz transkripcije, koristeći njegove vlastite dionice poziva kao uzorak. appearance je indeks speaker koji nose njegove linije.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Spremanje govornika na ovaj način čuva samo njegov otisak, iz najmanje 5 sekundi njegovog govora; poziv u kojem agent govori minutu ili više daje stabilniji otisak. Kloniranje glasa je zaseban korak koji traži pristanak osobe, a tok rada podrške nema nikakve koristi od njega.
Od tada, transkript završenog poziva kaže ko je prepoznat. GET /v1/transcriptions/{id}/transcript navodi speakers, a govornik povezan sa spremljenim ima identified: true i spremljeno ime. Ostali se mogu imenovati jednim pozivom po govorniku, PUT /v1/transcriptions/{id}/appearances/{number}, gdje je number prikazani broj govornika. Imenovanje se čuva na transkripciji, pa svaki izvoz poslije toga prikazuje „Customer” umjesto broja.
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');
}
„Svako ko nije prepoznat je kupac” tretirajte kao okvirno pravilo i provjerite ga na vlastitim pozivima. Prebacivanje poziva donosi drugog agenta, snimljena poruka menija može se čuti kao zaseban glas, a agent koji još nije spremljen izgleda potpuno isto kao kupac. Uzmite u obzir i kako je poređenje ograničeno: svaka transkripcija poredi se sa 64 spremljena govornika posljednje ažurirana na računu, pa se tim veći od toga ne treba oslanjati na to da će svaki agent biti prepoznat u svakom pozivu.
Dvije osobine telefonskog zvuka vrijedi znati prije nego što ocijenite oznake. Snimak s dva kanala, s agentom lijevo i kupcem desno, pri transkripciji se miksa u jedan kanal, pa se govornici razdvajaju po glasovima, a ne po kanalu. A uskopojasna telefonska linija ne nosi ništa iznad oko 3.4 kHz, što uklanja dio onoga po čemu se dva glasa razlikuju; kratke replike koje se preklapaju („yes”, „mm-hm”, „sorry, go on”) mjesta su gdje oznake najčešće griješe.
Kad su uključeni summary i title, svaki poziv dobija naslov i nekoliko rečenica o tome o čemu se radilo, čim je transkript konačan. To ide u tiket, da sljedeći agent zna historiju bez otvaranja bilo čega. Sažetak se piše poslije transkripta, pa ga čitajte preko GET /v1/transcriptions/{id}/summary i čekajte dok je njegov 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);
}
Kad je state ready, title i summary sadrže tekst. Snimak kraći od jedne minute nikad ne dobija sažetak (not_requested), što je važno za govornu poštu: većina poruka govorne pošte dovoljno je kratka da je transkript ujedno i sažetak. Poziv napravljen bez summary može se kasnije dopuniti sažetkom preko POST /v1/transcriptions/{id}/summarize. Sažeci su uključeni u svaki paket bez dodatne naknade.
GET /v1/transcriptions/{id}/export vraća datoteku u jednom od sedam formata: json, xlsx, pdf, srt, vtt, txt ili md. Svaki izvoz uključuje ispravke i imena govornika koja ste dali. Timu podrške dva od njih rade većinu posla.
JSON za vaš kod. JSON izvoz ima name, language, durationS poziva i, uz summary=true, njegov summary, a zatim segments: jedan unos po liniji, s start i end u sekundama, speaker, speakerName, text, confidence, podatkom je li linija corrected, i words s vlastitim vremenima. To je dovoljno da skripta sastavi CRM bilješku (naslov, sažetak, ime agenta, trajanje poziva) ili izvuče svaku liniju koju je kupac rekao.
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 za recenzenta. XLSX izvoz ima list Transcript s jednim redom po liniji i kolonama #, Start, End, Start (s), End (s), Speaker, Text, Confidence i Corrected. Uz summary=true, list About nosi sažetak pored imena, jezika i trajanja poziva. QA voditelj može filtrirati redove agenta, dodati kolonu za ocjene ili komentare i čuvati jednu radnu svesku po pregledu.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Podrška na više jezika radi na isti način. Dodajte lang=en izvozu i datoteka se čita na engleskom, jedna linija po rečenici, prevedena gdje je poziv bio na španskom ili poljskom; recenzent koji čita jedan jezik može ocjenjivati pozive primljene na nekoliko jezika. PDF izvoz odgovara onome ko želi pročitati cijeli poziv na papiru, s govornicima i vremenskim oznakama.
Transkripcija ostaje na računu nakon izvoza, pa se pozivi gomilaju u biblioteku. Oznake ih grupišu: napravite jednu po redu ili timu preko POST /v1/tags, a zatim je stavite na transkripcije preko 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 zatim pretražuje ono što je rečeno u svim pozivima, sužen oznakom i datumom: svaki poziv iz reda za naplatu ovog mjeseca u kojem je neko rekao „cancel”, svaki pogodak s pozivom i sekundom u kojoj je rečeno.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Sve gore navedeno radi i bez koda. Datoteka otpremljena na Transcriptions → New označava se, sažima i izvozi sa svoje stranice, govornici se spremaju pod Speakers, a oznake i pretraga nalaze se na popisu Transcriptions.
Neke praznine vrijedi znati prije bilo kakvog podešavanja.
Zadržavanje zavisi od paketa; stranica s cijenama pokazuje koliko se dugo čuvaju zvuk i transkripcije na svakom. Transkripcija se može arhivirati, a arhivirana trajno obrisati preko POST /v1/transcriptions/{id}/purge, što je briše zajedno sa svim u njoj zauvijek.
Po cijenama pri lansiranju, snimljeni pozivi koštaju $0.20 po satu zvuka, naplaćeno po sekundi ($0.0033 po minuti), s minimumom od 5 minuta po transkripciji na paketu Pay as you go (bez minimuma na paketima Premium i Enterprise). Aktuelne cijene su na stranici s cijenama. Oznake govornika, imenovanje govornika, sažeci, prijevodi i izvozi nikad ne povećavaju račun.
Pozivi podrške su često kratki, pa minimum određuje veći dio računa tima podrške nego cijena. Na paketu Pay as you go:
Na paketima Premium i Enterprise nema minimuma, pa se svaki poziv naplaćuje po vlastitim sekundama: govorna pošta od 40 sekundi košta oko petinu centa, a 1,000 poziva od po tri minute oko $10. Tim koji uglavnom prima kratke pozive treba da uporedi ta dva paketa na svojim dužinama poziva.
Po cijenama pri lansiranju, tim koji snimi 2,000 poziva mjesečno prosječne dužine 8 minuta šalje 16,000 minuta zvuka: oko $53 kredita mjesečno na paketu Premium, uključujući sažetke i tabele. Na paketu Pay as you go svaki poziv kraći od 5 minuta tome dodaje.
Transkripcija uživo košta više ($0.60 po satu pri cijenama lansiranja), jer prati tempo poziva; ako riječi niko ne treba tokom poziva, transkribirajte snimak poslije. Novi račun počinje s jednokratnim kreditom pri registraciji i ne traži se kartica, pa se gornji koraci mogu isprobati na seriji vaših poziva prije nego što se išta kupi.