Přepis rozliší hlasy, ale nemůže vědět, který z nich patří operátorovi. Uložte každého operátora jednou, z jednoho jeho hovoru, a každý další hovor se vrátí s pojmenovaným operátorem, shrnutím nahoře a tabulkou připravenou pro kontrolu kvality.
Vedoucí kontroly kvality, který hovory podpory poslouchá, jich za den zvládne jen pár a sedmiminutový hovor trvá sedm minut, ať klikáte jakkoli rychle. Přečtený jako text má stejný hovor asi tisíc slov, jednu stránku, a stránku lze prolétnout, prohledat a vložit do tiketu. Přepis hovorů zákaznické podpory promění nahrávky, které váš telefonní systém už ukládá, v takové stránky. O tom, zda budou k něčemu, rozhodují tři věci: zda každý řádek říká, kdo mluvil, operátor, nebo zákazník; zda hovor přichází s krátkým shrnutím toho, o co se žádalo a na čem se dohodlo; a zda výsledek skončí tam, kde tým pracuje, v poznámce v CRM nebo v tabulce pro kontrolu kvality.
Tento článek prochází uvedený postup s VocalStackem: nahrané hovory odeslané přes API, operátor rozpoznaný podle jména, shrnutí napsané ke každému hovoru a exporty do JSON a Excelu. Říká také otevřeně, co VocalStack pro tým podpory nedělá, protože na něčem z toho záleží ještě před nahráním prvního hovoru.
Většina telefonních systémů a kontaktních center umí exportovat nahrávky hovorů jako audio soubory nebo ke každé dát odkaz ke stažení. Funguje obojí. POST /v1/transcriptions přijme soubor jako multipart upload nebo tělo JSON s polem url, které si server stáhne sám. Návod pro soubory volání popisuje podrobně; pro hovory jsou důležitá tato nastavení, všechna uvnitř settings:
speakerLabels: nastavte na on, aby každý řádek hovoru dvou lidí nesl mluvčího. Výchozí When Needed (auto) označí řádky až ve chvíli, kdy je slyšet druhý mluvčí, což se hodí spíš k přednášce než k hovoru.summary a title: obojí je vypnuté, dokud o to nepožádáte. Když jsou zapnuté, po přepisu hovoru se napíše titulek a krátké shrnutí.spokenLanguage: zadejte ho, když ho znáte, třeba u fronty, která přijímá hovory jen v jednom jazyce. Když ho vynecháte, jazyk se rozpozná ze 100.Nahrání okamžitě odpoví id přepisu; slova přijdou o chvíli později. S každým nahráním pošlete Idempotency-Key: opakování se stejným klíčem a tělem do 24 hodin vrátí první přepis, místo aby vytvořilo a zaúčtovalo druhý. Přirozeným klíčem je id hovoru z vašeho telefonního systému.
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 ?? ''}`);
Nahrávky z celé noci lze odeslat jednou smyčkou. Každý tarif určuje, kolik přepisů běží najednou, a soubor nad tento počet není odmítnut: vytvoří se, čeká ve stavu queued a sám se spustí, jakmile skončí některý dřívější. Limit, na který můžete narazit, je počet přepisů, které smí účet spustit přes API za hodinu; čísla pro jednotlivé tarify jsou na stránce s cenami. Webhooky neexistují, takže váš skript dotazuje každou úlohu, dokud není hotová, což za vás dělá waitForJob.
Popisky mluvčích vznikají diarizací: nahrávka se rozdělí na repliky a repliky se seskupí podle hlasu. Vrátí se „Speaker 1“ a „Speaker 2“. Systém dokáže rozlišit dva hlasy, ale nic ve zvuku neříká, který z nich je váš zaměstnanec. Diarizace vs. rozpoznávání řeči vysvětluje mechaniku; pro hovory podpory je praktická odpověď uložit každého operátora jednou.
Uložený mluvčí je hlasový otisk se jménem. Jakmile existuje, každý nový přepis v účtu porovná hlasy, které slyší, s vašimi uloženými mluvčími a shoda přenese jméno do přepisu. Soubory se porovnávají automaticky, takže řádky operátora přijdou jako „Dana“ místo „Speaker 1“. Zákazník zůstane číslovaný, dokud ho nepojmenujete.
Otisk vezměte z jednoho z vlastních hovorů operátora, ne z nahrávky pořízené u stolu. Hlas se sluchátky v tichém pokoji a stejný hlas na telefonní lince mohou pro stroj znít méně podobně než dva různí lidé nahraní stejným způsobem a otisk se nejlépe shoduje se zvukem, který se podobá tomu, z něhož vznikl. POST /v1/speakers/from-appearance uloží mluvčího přímo z přepisu, přičemž jako vzorek použije jeho vlastní úseky hovoru. appearance je index speaker, který nesou jeho řádky.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Takto uložený mluvčí si ponechá jen svůj otisk, z nejméně 5 sekund jeho řeči; hovor, v němž operátor mluví minutu nebo víc, dá stabilnější otisk. Klonování hlasu je samostatný krok, který vyžaduje souhlas dotyčného, a tým podpory pro něj nemá využití.
Odtud vám přepis hotového hovoru řekne, kdo byl rozpoznán. GET /v1/transcriptions/{id}/transcript vypíše speakers a mluvčí, který se shodoval s uloženým, má identified: true a uložené jméno. Ostatní lze pojmenovat jedním voláním na každého, PUT /v1/transcriptions/{id}/appearances/{number}, kde number je zobrazené číslo mluvčího. Pojmenování se ukládá u přepisu, takže každý další export říká „Customer“ místo čísla.
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');
}
Pravidlo „každý nerozpoznaný je zákazník“ berte jako orientační a ověřte ho na vlastních hovorech. Při přepojení přibude druhý operátor, nahraný hlas z menu může být slyšet jako samostatný hlas a operátor, který ještě nebyl uložen, vypadá přesně jako zákazník. Všimněte si také, jak je porovnávání omezené: každý přepis se porovnává s 64 uloženými mluvčími, kteří byli v účtu aktualizováni naposledy, takže tým větší než tento počet by neměl počítat s tím, že bude v každém hovoru rozpoznán každý operátor.
Dvě vlastnosti telefonního zvuku stojí za to znát dřív, než popisky posoudíte. Dvoukanálová nahrávka s operátorem vlevo a zákazníkem vpravo se při přepisu smíchá do jednoho kanálu, takže mluvčí se oddělují podle hlasů, ne podle kanálu. A úzkopásmová telefonní linka nepřenáší nic nad zhruba 3,4 kHz, což odebere část toho, čím se dva hlasy liší; krátké, překrývající se repliky („yes“, „mm-hm“, „sorry, go on“) jsou místem, kde se popisky mýlí nejčastěji.
Se zapnutým summary a title dostane každý hovor po finalizaci přepisu titulek a několik vět o tom, o čem byl. To se vkládá do tiketu, aby další operátor znal historii, aniž by cokoli otevíral. Shrnutí se píše po přepisu, takže ho načtěte přes GET /v1/transcriptions/{id}/summary a čekejte, dokud je jeho state rovno 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);
}
Když je state rovno ready, title a summary obsahují text. Nahrávka kratší než jedna minuta shrnutí nikdy nedostane (not_requested), což se týká hlasových zpráv: většina je tak krátká, že přepis je sám svým shrnutím. Hovor vytvořený bez summary lze shrnutím opatřit později přes POST /v1/transcriptions/{id}/summarize. Shrnutí jsou ve všech tarifech bez příplatku.
GET /v1/transcriptions/{id}/export vrátí soubor v jednom ze sedmi formátů: json, xlsx, pdf, srt, vtt, txt nebo md. Každý export obsahuje opravy a jména mluvčích, která jste zadali. Týmu podpory odvedou většinu práce dva z nich.
JSON pro váš vlastní kód. Export JSON má name, language, durationS hovoru a s summary=true také jeho summary, pak segments: jeden záznam na řádek, se start a end v sekundách, speaker, speakerName, text, confidence, informací, zda byl řádek corrected, a words s vlastními časy. To stačí skriptu, aby sestavil poznámku do CRM (titulek, shrnutí, jméno operátora, délku hovoru) nebo vytáhl každý řádek, který řekl zákazník.
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 pro kontrolora. Export XLSX má list Transcript s jedním řádkem na řádek přepisu a sloupci #, Start, End, Start (s), End (s), Speaker, Text, Confidence a Corrected. Se summary=true list About nese shrnutí vedle jména, jazyka a délky hovoru. Vedoucí kontroly kvality může vyfiltrovat řádky operátora, přidat sloupec pro hodnocení nebo komentáře a vést jeden sešit na jedno hodnocení.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Podpora ve více jazycích funguje stejně. Přidejte k exportu lang=en a soubor se čte anglicky, jeden řádek na větu, přeložený tam, kde hovor probíhal španělsky nebo polsky; kontrolor, který čte jedním jazykem, může hodnotit hovory přijaté v několika. Export PDF vyhovuje tomu, kdo chce přečíst celý hovor na papíře, s mluvčími a časovými značkami.
Přepis zůstává v účtu i po exportu, takže se z hovorů stává knihovna. Seskupují je štítky: vytvořte jeden pro každou frontu nebo tým přes POST /v1/tags a pak ho přiřaďte přepisům přes 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 pak prohledává, co zaznělo ve všech hovorech, zúžené podle štítku a data: každý hovor fronty fakturace z tohoto měsíce, v němž někdo řekl „cancel“, každý nález s hovorem a sekundou, kdy to zaznělo.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Vše výše funguje i bez kódu. Soubor nahraný přes Transcriptions → New se označí, shrne a exportuje z jeho stránky, mluvčí se ukládají v části Speakers a štítky a vyhledávání jsou v seznamu Transcriptions.
Na některé mezery je dobré vědět dřív, než cokoli nastavíte.
Uchování závisí na tarifu; stránka s cenami ukazuje, jak dlouho se u každého uchovává zvuk a přepisy. Přepis lze archivovat a archivovaný lze trvale smazat přes POST /v1/transcriptions/{id}/purge, což ho i vše v něm navždy odstraní.
Při cenách ze spuštění stojí nahrané hovory $0.20 za hodinu zvuku, účtováno po sekundách ($0.0033 za minutu), s 5minutovým minimem na přepis u tarifu Pay as you go (u Premium a Enterprise žádné). Aktuální sazby jsou na stránce s cenami. Popisky mluvčích, pojmenování mluvčích, shrnutí, překlady a exporty účet nikdy nezvyšují.
Hovory podpory jsou často krátké, takže o účtu týmu rozhoduje minimum víc než sazba. U Pay as you go:
U Premium a Enterprise žádné minimum není, takže se každý hovor účtuje podle svých sekund: čtyřicetisekundová hlasová zpráva stojí asi pětinu centu a 1 000 tříminutových hovorů asi $10. Tým, který přijímá hlavně krátké hovory, by měl oba tarify porovnat na vlastních délkách hovorů.
Při cenách ze spuštění tým, který nahraje 2 000 hovorů měsíčně s průměrem 8 minut, pošle 16 000 minut zvuku: asi $53 kreditu měsíčně u Premium, včetně shrnutí a tabulek. U Pay as you go k tomu přispívá každý hovor kratší než 5 minut.
Živý přepis stojí víc ($0.60 za hodinu za cen při spuštění), protože drží krok s hovorem; pokud slova nikdo během hovoru nepotřebuje, přepište nahrávku až potom. Nový účet začíná s jednorázovým kreditem při registraci a není potřeba karta, takže výše uvedené kroky lze vyzkoušet na dávce vlastních hovorů dřív, než se cokoli koupí.