Una transcripció distingeix les veus però no pot saber quina és l'agent. Desa cada agent una vegada, a partir d'una trucada seva, i cada trucada posterior tornarà amb l'agent anomenat, un resum a dalt i un full de càlcul a punt per a QA.
Un responsable de QA que revisa les trucades de suport escoltant-les en pot fer unes quantes al dia, i una trucada de set minuts dura set minuts per molt de pressa que facis clic. Llegida com a text, la mateixa trucada són unes mil paraules, una pàgina, i una pàgina es pot fullejar, cercar i enganxar en un tiquet. La transcripció de trucades d'atenció al client converteix en aquestes pàgines els enregistraments que el vostre sistema telefònic ja guarda. Tres coses decideixen si les pàgines serveixen: si cada línia diu qui ha parlat, agent o client; si la trucada ve amb un resum breu del que es va demanar i del que es va acordar; i si el resultat arriba on treballa l'equip, una nota al CRM o un full de càlcul de QA.
Aquest article recorre aquest flux de treball amb VocalStack: trucades enregistrades enviades per l'API, l'agent reconegut pel nom, un resum escrit per a cada trucada i exportacions en JSON i Excel. També diu clarament què no fa VocalStack per a un equip de suport, perquè part d'això importa abans de pujar la primera trucada.
La majoria de sistemes telefònics i de centres de contacte poden exportar els enregistraments com a fitxers d'àudio, o donar un enllaç de descàrrega per a cadascun. Tots dos serveixen. POST /v1/transcriptions accepta un fitxer com a pujada multipart, o un cos JSON amb una url que el servidor descarrega ell mateix. El tutorial de fitxers explica la crida en detall; per a trucades, aquests ajustos importen, tots dins de settings:
speakerLabels: posa'l a on, de manera que cada línia d'una trucada entre dues persones porti un parlant. El valor per defecte, When Needed (auto), etiqueta les línies només quan se sent un segon parlant, cosa que va millor per a una conferència que per a una trucada.summary i title: tots dos estan desactivats si no els demanes. Amb ells activats, s'escriuen un títol i un resum breu de la trucada un cop transcrita.spokenLanguage: indica'l quan el coneguis, com en una cua que només rep trucades en un idioma. Si el deixes fora, l'idioma es detecta, entre 100.La pujada respon a l'instant amb un id de transcripció; les paraules arriben una mica més tard. Envia una Idempotency-Key amb cada pujada: un reintent amb la mateixa clau i el mateix cos en 24 hores retorna la primera transcripció en lloc de crear-ne, i facturar-ne, una segona. L'id propi de la trucada al vostre sistema telefònic és una clau natural.
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 ?? ''}`);
Les gravacions d'una nit es poden pujar en un sol bucle. Cada pla fixa quantes transcripcions s'executen alhora, i un fitxer que passa d'aquest nombre no es rebutja: es crea, espera en estat queued i comença per si sol quan en acaba una d'anterior. El límit que pots arribar a assolir és el nombre de transcripcions que un compte pot iniciar per l'API en una hora; les xifres de cada pla són a la pàgina de preus. No hi ha webhooks, així que el vostre script sondeja cada tasca fins que acaba, cosa que waitForJob fa per tu.
Les etiquetes de parlant surten de la diarització: l'enregistrament es divideix en torns, i els torns s'agrupen per veu. El que torna és «Speaker 1» i «Speaker 2». El sistema pot distingir dues veus, però res a l'àudio indica quina és de la vostra plantilla. Diarització vs reconeixement de la parla explica la mecànica; per a trucades de suport, la resposta pràctica és desar cada agent una vegada.
Un parlant desat (saved speaker) és una empremta de veu amb un nom. Quan existeix, cada transcripció nova del compte compara les veus que sent amb els vostres parlants desats, i una coincidència porta el nom a la transcripció. Els fitxers es comparen automàticament, de manera que les línies de l'agent arriben com a «Dana» en lloc de «Speaker 1». El client continua numerat fins que li poses nom.
Pren l'empremta d'una trucada de l'agent mateix en lloc d'un enregistrament fet a la taula. Una veu amb auriculars en una sala tranquil·la i la mateixa veu en una línia telefònica poden semblar a una màquina menys semblants que dues persones diferents enregistrades de la mateixa manera, i l'empremta coincideix millor amb àudio com el d'on va sortir. POST /v1/speakers/from-appearance desa un parlant directament d'una transcripció, fent servir els trams propis d'aquell parlant de la trucada com a mostra. appearance és l'índex speaker que porten les seves línies.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Desar un parlant d'aquesta manera només en guarda l'empremta, a partir d'almenys 5 segons de la seva parla; una trucada en què l'agent parla un minut o més en dona una de més estable. La clonació de veu és un pas separat que necessita el consentiment de la persona, i un flux de suport no hi té cap ús.
A partir d'aquí, la transcripció d'una trucada acabada et diu qui s'ha reconegut. GET /v1/transcriptions/{id}/transcript llista speakers, i un parlant que coincideix amb un de desat té identified: true i el nom desat. La resta es poden anomenar amb una crida cadascun, PUT /v1/transcriptions/{id}/appearances/{number}, on number és el número de pantalla del parlant. El nom es desa a la transcripció, de manera que totes les exportacions posteriors diuen «Customer» en lloc d'un número.
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');
}
Pren «tothom qui no es reconeix és el client» com una regla pràctica i comprova-ho amb les teves trucades. Una transferència porta un segon agent, un missatge gravat d'un menú es pot sentir com una veu pròpia, i un agent que encara no s'ha desat sembla exactament un client. Fixa't també en com està acotada la comparació: cada transcripció es compara amb els 64 parlants desats actualitzats més recentment al compte, de manera que un equip més gran que això no hauria de comptar que es reconegui tots els agents en totes les trucades.
Val la pena conèixer dues propietats de l'àudio telefònic abans de jutjar les etiquetes. Un enregistrament de dos canals, amb l'agent a l'esquerra i el client a la dreta, es barreja en un sol canal quan es transcriu, de manera que els parlants se separen per la veu, no pel canal. I una línia telefònica de banda estreta no porta res per sobre d'uns 3.4 kHz, cosa que elimina part del que fa que dues veus siguin distintes; els torns curts i superposats («yes», «mm-hm», «sorry, go on») són on les etiquetes fallen més sovint.
Amb summary i title activats, cada trucada obté un títol i unes quantes frases sobre de què tractava un cop la transcripció és definitiva. Això és el que va al tiquet, perquè el proper agent conegui l'historial sense obrir res. El resum s'escriu després de la transcripció, així que llegeix-lo amb GET /v1/transcriptions/{id}/summary i espera mentre el seu state sigui 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);
}
Quan state és ready, title i summary contenen el text. Un enregistrament de menys d'un minut mai no obté resum (not_requested), cosa que importa per als missatges de veu: la majoria són prou curts perquè la transcripció sigui el seu propi resum. Una trucada feta sense summary pot rebre'n un més tard amb POST /v1/transcriptions/{id}/summarize. Els resums estan inclosos en tots els plans sense cost addicional.
GET /v1/transcriptions/{id}/export retorna un fitxer en un de set formats: json, xlsx, pdf, srt, vtt, txt o md. Cada exportació inclou les correccions i els noms de parlant que has posat. Per a un equip de suport, dos d'ells fan la major part de la feina.
JSON per al vostre propi codi. L'exportació JSON té el name de la trucada, language, durationS i, amb summary=true, el seu summary, i després segments: una entrada per línia, amb start i end en segons, speaker, speakerName, text, una confidence, si la línia es va corrected, i les words amb les seves pròpies marques de temps. Això n'hi ha prou perquè un script munti una nota de CRM (el títol, el resum, el nom de l'agent, la durada de la trucada), o extregui totes les línies que ha dit el client.
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 per al revisor. L'exportació XLSX té un full Transcript amb una fila per línia i les columnes #, Start, End, Start (s), End (s), Speaker, Text, Confidence i Corrected. Amb summary=true, el full About porta el resum al costat del nom, l'idioma i la durada de la trucada. Un responsable de QA pot filtrar les files de l'agent, afegir una columna per a puntuacions o comentaris i guardar un llibre per revisió.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
El suport en més d'un idioma funciona igual. Afegeix lang=en a una exportació i el fitxer es llegeix en anglès, una línia per frase, traduït quan la trucada era en castellà o en polonès; un revisor que llegeix un sol idioma pot puntuar trucades ateses en diversos. L'exportació PDF va bé per a qui vol llegir una trucada sencera en paper, amb parlants i marques de temps.
Una transcripció es queda al compte després d'exportar-la, de manera que les trucades formen una biblioteca. Les etiquetes (tags) les agrupen: crea'n una per cua o per equip amb POST /v1/tags, i després posa-la a les transcripcions amb 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 cerca després el que s'ha dit a totes les trucades, acotat per etiqueta i data: totes les trucades de la cua de facturació d'aquest mes en què algú va dir «cancel», cada resultat amb la seva trucada i el segon en què es va dir.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Tot l'anterior també funciona sense codi. Un fitxer pujat a Transcriptions → New s'etiqueta, es resumeix i s'exporta des de la seva pàgina, els parlants es desen a Speakers, i les etiquetes i la cerca són a la llista de Transcriptions.
Convé conèixer algunes mancances abans de configurar res.
La retenció depèn del pla; la pàgina de preus mostra quant de temps es guarden l'àudio i les transcripcions a cadascun. Una transcripció es pot arxivar, i una d'arxivada es pot purgar amb POST /v1/transcriptions/{id}/purge, que l'elimina juntament amb tot el que conté de manera definitiva.
Amb els preus de llançament, les trucades enregistrades costen $0.20 per hora d'àudio, facturades per segon ($0.0033 el minut), amb un mínim de 5 minuts per transcripció a Pagament per ús (cap a Premium ni a Enterprise). Les tarifes actuals són a la pàgina de preus. Les etiquetes de parlant, el nom dels parlants, els resums, les traduccions i les exportacions mai no afegeixen res a la factura.
Les trucades de suport sovint són curtes, de manera que el mínim decideix més de la factura d'un equip de suport que la tarifa. A Pagament per ús:
A Premium i Enterprise no hi ha mínim, de manera que cada trucada es factura pels seus propis segons: el missatge de veu de 40 segons costa aproximadament una cinquena part d'un cèntim, i les 1,000 trucades de tres minuts uns $10. Un equip que atén sobretot trucades curtes hauria de comparar els dos amb les durades de les seves pròpies trucades.
Amb els preus de llançament, un equip que enregistra 2,000 trucades al mes amb una mitjana de 8 minuts envia 16,000 minuts d'àudio: uns $53 de crèdit al mes a Premium, resums i fulls de càlcul inclosos. A Pagament per ús, cada trucada de menys de 5 minuts s'hi suma.
La transcripció en directe costa més ($0.60 l'hora als preus de llançament), perquè va al ritme de la trucada; si ningú necessita les paraules durant la trucada, transcriu l'enregistrament després. Un compte nou comença amb un crèdit de registre únic i no cal targeta, de manera que els passos anteriors es poden provar amb un lot de les vostres pròpies trucades abans de comprar res.