Mae trawsgrifiad yn gwahaniaethu lleisiau ond ni all wybod p'un yw'r asiant. Cadwch bob asiant unwaith, o un o'u galwadau eu hunain, a bydd pob galwad wedyn yn dod yn ôl â'r asiant wedi'i enwi, crynodeb ar y brig a thaenlen yn barod ar gyfer QA.
Gall arweinydd QA sy'n adolygu galwadau cymorth trwy wrando fynd drwy llond llaw y dydd, ac mae galwad saith munud yn cymryd saith munud pa mor gyflym bynnag y cliciwch. Wedi'i darllen fel testun, mae'r un alwad tua mil o eiriau, un dudalen, a gellir sganio, chwilio a gludo tudalen i mewn i docyn. Mae trawsgrifio galwadau gwasanaeth cwsmeriaid yn troi'r recordiadau y mae eich system ffôn eisoes yn eu cadw yn y tudalennau hynny. Mae tri pheth yn penderfynu a yw'r tudalennau'n ddefnyddiol: a yw pob llinell yn dweud pwy siaradodd, asiant neu gwsmer; a yw'r alwad yn dod â chrynodeb byr o'r hyn a ofynnwyd a'r hyn a gytunwyd; ac a yw'r canlyniad yn glanio lle mae'r tîm yn gweithio, nodyn CRM neu daenlen QA.
Mae'r erthygl hon yn cerdded drwy'r llif gwaith hwnnw gyda VocalStack: galwadau wedi'u recordio a anfonir drwy'r API, yr asiant yn cael ei adnabod wrth ei enw, crynodeb wedi'i ysgrifennu ar gyfer pob galwad, ac allforion mewn JSON ac Excel. Mae hefyd yn dweud yn blaen beth nad yw VocalStack yn ei wneud i dîm cymorth, oherwydd bod rhywfaint ohono'n bwysig cyn uwchlwytho'r alwad gyntaf.
Gall y rhan fwyaf o systemau ffôn a chanolfannau cyswllt allforio recordiadau galwadau fel ffeiliau sain, neu roi dolen lawrlwytho i bob un. Mae'r naill neu'r llall yn gweithio. Mae POST /v1/transcriptions yn cymryd ffeil fel uwchlwythiad aml-ran, neu gorff JSON gyda url y mae'r gweinydd yn ei nôl ei hun. Mae'r tiwtorial ffeil yn trafod yr alwad yn fanwl; ar gyfer galwadau, mae'r gosodiadau hyn yn bwysig, i gyd y tu mewn i settings:
speakerLabels: gosodwch ef i on, fel bod pob llinell o alwad dau berson yn cario siaradwr. Mae'r rhagosodiad, When Needed (auto), yn labelu llinellau dim ond unwaith y clywir ail siaradwr, sy'n siwtio darlith yn well na galwad.summary a title: mae'r ddau i ffwrdd oni ofynnwch amdanynt. Gyda nhw ymlaen, ysgrifennir teitl a chrynodeb byr ar gyfer yr alwad unwaith y caiff ei thrawsgrifio.spokenLanguage: enwch hi pan fyddwch yn ei hadnabod, fel mewn ciw sy'n derbyn galwadau mewn un iaith yn unig. Gadewch hi allan a chaiff yr iaith ei chanfod, o 100.Mae'r uwchlwythiad yn ateb ar unwaith gyda id trawsgrifiad; daw'r geiriau ychydig yn ddiweddarach. Anfonwch Idempotency-Key gyda phob uwchlwythiad: mae ailgynnig â'r un allwedd a chorff o fewn 24 awr yn dychwelyd y trawsgrifiad cyntaf yn lle gwneud ail un, a'i filio. Mae id yr alwad ei hun o'ch system ffôn yn allwedd naturiol.
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 ?? ''}`);
Gellir anfon recordiadau noson gyfan i fyny mewn un ddolen. Mae pob cynllun yn gosod faint o drawsgrifiadau sy'n rhedeg ar unwaith, ac nid yw ffeil dros y nifer hwnnw'n cael ei gwrthod: mae'n cael ei chreu, yn aros queued, ac yn dechrau ohoni ei hun pan fydd un cynharach yn gorffen. Y terfyn y gallwch ei daro yw nifer y trawsgrifiadau y caiff cyfrif eu cychwyn drwy'r API mewn awr; mae'r ffigurau ar gyfer pob cynllun ar y dudalen brisiau. Nid oes unrhyw webhooks, felly mae eich sgript yn pleidleisio pob swydd nes ei bod wedi'i gwneud, a waitForJob sy'n gwneud hynny drosoch.
Daw labeli siaradwyr o ddideoli: caiff y recordiad ei hollti'n droeon, a chaiff y troeon eu grwpio yn ôl llais. Yr hyn a ddaw yn ôl yw "Speaker 1" a "Speaker 2". Gall y system wahaniaethu dau lais, ond nid oes dim yn y sain yn dweud p'un sy'n cael ei gyflogi gennych chi. Mae Dideoli siaradwyr yn erbyn adnabod lleferydd yn esbonio'r mecanwaith; ar gyfer galwadau cymorth, yr ateb ymarferol yw cadw pob asiant unwaith.
Olion bys llais ag enw yw siaradwr wedi'i gadw. Unwaith y bydd yn bodoli, mae pob trawsgrifiad newydd yn y cyfrif yn cymharu'r lleisiau a glywir â'ch siaradwyr sydd wedi'u cadw, ac mae paru'n cario'r enw i'r trawsgrifiad. Caiff ffeiliau eu paru'n awtomatig, felly mae llinellau'r asiant yn cyrraedd fel "Dana" yn lle "Speaker 1". Mae'r cwsmer yn aros wedi'i rifo nes i chi ei enwi.
Cymerwch yr olion bys o un o alwadau'r asiant ei hun yn hytrach nag o recordiad a wnaed wrth ddesg. Gall llais ar glustffon mewn ystafell dawel a'r un llais ar linell ffôn swnio'n llai tebyg i beiriant na dau berson gwahanol a recordiwyd yn yr un ffordd, ac mae'r olion bys yn paru orau yn erbyn sain sy'n debyg i'r sain y daeth ohoni. Mae POST /v1/speakers/from-appearance yn cadw siaradwr yn syth o drawsgrifiad, gan ddefnyddio darnau'r siaradwr hwnnw o'r alwad fel y sampl. Yr appearance yw'r mynegai speaker y mae eu llinellau'n ei gario.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Mae cadw siaradwr fel hyn yn cadw'r olion bys yn unig, o o leiaf 5 eiliad o'u lleferydd; mae galwad lle mae'r asiant yn siarad am funud neu fwy yn rhoi un mwy cyson. Mae clonio llais yn gam ar wahân sydd angen caniatâd y person, ac nid oes gan lif gwaith cymorth unrhyw ddefnydd ohono.
O hynny ymlaen, mae trawsgrifiad galwad orffenedig yn dweud wrthych pwy a adnabuwyd. Mae GET /v1/transcriptions/{id}/transcript yn rhestru speakers, ac mae gan siaradwr a baru ag un sydd wedi'i gadw identified: true a'r enw a gadwyd. Gellir enwi'r gweddill mewn un alwad yr un, PUT /v1/transcriptions/{id}/appearances/{number}, lle mai number yw rhif arddangos y siaradwr. Mae enwi'n cael ei storio ar y trawsgrifiad, felly mae pob allforio wedi hynny'n darllen "Customer" yn lle rhif.
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');
}
Triniwch "mae pawb na chaiff ei adnabod yn gwsmer" fel rheol gyffredinol a gwiriwch hi ar eich galwadau eich hun. Mae trosglwyddo'n dod ag ail asiant, gall anogwr dewislen wedi'i recordio gael ei glywed fel llais ei hun, ac mae asiant nad yw wedi'i gadw eto'n edrych yn union fel cwsmer. Sylwch hefyd fel y mae'r gymhariaeth wedi'i ffinio: caiff pob trawsgrifiad ei gymharu â'r 64 siaradwr a gadwyd a ddiweddarwyd fwyaf diweddar yn y cyfrif, felly ni ddylai tîm mwy na hynny ddibynnu ar adnabod pob asiant ar bob galwad.
Mae dwy briodwedd o sain ffôn yn werth eu gwybod cyn i chi farnu'r labeli. Caiff recordiad dwy sianel, gyda'r asiant ar y chwith a'r cwsmer ar y dde, ei gymysgu i lawr i un sianel pan gaiff ei drawsgrifio, felly gwahanir siaradwyr gan eu lleisiau, nid gan eu sianel. Ac nid yw llinell ffôn gul yn cario dim uwchlaw tua 3.4 kHz, sy'n tynnu rhan o'r hyn sy'n gwneud dau lais yn wahanol; troeon byr sy'n gorgyffwrdd ("yes", "mm-hm", "sorry, go on") yw'r mannau lle mae labeli'n mynd yn anghywir amlaf.
Gyda summary a title ymlaen, mae pob galwad yn cael teitl a rhai brawddegau ar yr hyn yr oedd yn ei gylch unwaith y bydd y trawsgrifiad yn derfynol. Dyna sy'n mynd i'r tocyn, fel bod yr asiant nesaf yn gwybod yr hanes heb agor dim. Ysgrifennir y crynodeb ar ôl y trawsgrifiad, felly darllenwch ef gyda GET /v1/transcriptions/{id}/summary ac arhoswch tra bo ei state yn 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);
}
Pan fo state yn ready, mae title a summary yn dal y testun. Nid yw recordiad byrrach nag un funud byth yn cael crynodeb (not_requested), sy'n bwysig ar gyfer neges llais: mae'r rhan fwyaf o negeseuon llais yn ddigon byr fel mai'r trawsgrifiad yw ei grynodeb ei hun. Gellir rhoi crynodeb yn nes ymlaen i alwad a wnaed heb summary gyda POST /v1/transcriptions/{id}/summarize. Mae crynodebau wedi'u cynnwys ym mhob cynllun heb gost ychwanegol.
Mae GET /v1/transcriptions/{id}/export yn dychwelyd ffeil mewn un o saith fformat: json, xlsx, pdf, srt, vtt, txt neu md. Mae pob allforio'n cynnwys cywiriadau ac enwau'r siaradwyr a roesoch. I dîm cymorth, mae dau ohonynt yn gwneud y rhan fwyaf o'r gwaith.
JSON ar gyfer eich cod eich hun. Mae gan yr allforio JSON name, language, durationS yr alwad a, gyda summary=true, ei summary, yna segments: un cofnod i bob llinell, gyda start a end mewn eiliadau, speaker, speakerName, text, confidence, a oedd y llinell wedi'i corrected, a'r words â'u hamseriadau eu hunain. Mae hynny'n ddigon i sgript adeiladu nodyn CRM (y teitl, y crynodeb, enw'r asiant, hyd yr alwad), neu dynnu pob llinell a ddywedodd y cwsmer.
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 ar gyfer yr adolygydd. Mae gan yr allforio XLSX ddalen Transcript gydag un rhes i bob llinell a'r colofnau #, Start, End, Start (s), End (s), Speaker, Text, Confidence a Corrected. Gyda summary=true, mae'r ddalen About yn cario'r crynodeb wrth ymyl enw, iaith a hyd yr alwad. Gall arweinydd QA hidlo i resi'r asiant, ychwanegu colofn ar gyfer sgoriau neu sylwadau, a chadw un llyfr gwaith i bob adolygiad.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Mae cymorth mewn mwy nag un iaith yn gweithio yn yr un ffordd. Ychwanegwch lang=en at allforio a bydd y ffeil yn darllen yn Saesneg, un llinell i bob brawddeg, wedi'i chyfieithu lle'r oedd yr alwad yn Sbaeneg neu Bwyleg; gall adolygydd sy'n darllen un iaith sgorio galwadau a gymerwyd mewn sawl un. Mae'r allforio PDF yn siwtio'r sawl sydd eisiau darllen galwad gyfan ar bapur, gyda siaradwyr ac amser-stampiau.
Mae trawsgrifiad yn aros yn y cyfrif ar ôl iddo gael ei allforio, felly mae'r galwadau'n ffurfio llyfrgell. Mae tagiau'n eu grwpio: crëwch un i bob ciw neu dîm gyda POST /v1/tags, yna rhowch ef ar drawsgrifiadau gyda POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
Mae GET /v1/search wedyn yn chwilio'r hyn a ddywedwyd ar draws pob galwad, wedi'i gyfyngu yn ôl tag a dyddiad: pob galwad ciw bilio y mis hwn lle dywedodd rhywun "cancel", pob canlyniad gyda'i alwad a'r eiliad y dywedwyd ef.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Mae popeth uchod yn gweithio hefyd heb god. Caiff ffeil a uwchlwythir yn Transcriptions → New ei labelu, ei chrynhoi a'i hallforio o'i thudalen, cedwir siaradwyr o dan Speakers, ac mae tagiau a chwilio yn rhestr Transcriptions.
Mae rhai bylchau'n werth eu gwybod cyn gosod dim.
Mae cadw'n dibynnu ar y cynllun; mae'r dudalen brisiau yn dangos am ba hyd y cedwir sain a thrawsgrifiadau ar bob un. Gellir archifo trawsgrifiad, a gellir carthu un wedi'i archifo gyda POST /v1/transcriptions/{id}/purge, sy'n ei ddileu a phopeth ynddo am byth.
Ar brisiau lansio, mae galwadau wedi'u recordio yn $0.20 yr awr o sain, wedi'u bilio fesul eiliad ($0.0033 y funud), gydag isafswm o 5 munud fesul trawsgrifiad ar Talu wrth fynd (dim ar Premium nac Enterprise). Mae'r cyfraddau cyfredol ar y dudalen brisiau. Nid yw labeli siaradwyr, enwi siaradwyr, crynodebau, cyfieithiadau nac allforion byth yn ychwanegu at y bil.
Mae galwadau cymorth yn aml yn fyr, felly mae'r isafswm yn penderfynu mwy o fil tîm cymorth na'r gyfradd. Ar Talu wrth fynd:
Ar Premium ac Enterprise nid oes isafswm, felly caiff pob galwad ei bilio yn ôl ei heiliadau ei hun: mae'r neges llais 40 eiliad yn costio tua phumed ran o geiniog, a'r 1,000 o alwadau tair munud tua $10. Dylai tîm sy'n cymryd galwadau byr gan mwyaf gymharu'r ddau ar eu hydoedd galwadau eu hunain.
Ar brisiau lansio, mae tîm sy'n recordio 2,000 o alwadau'r mis ar gyfartaledd o 8 munud yn anfon 16,000 munud o sain: tua $53 o gredyd y mis ar Premium, crynodebau a thaenlenni wedi'u cynnwys. Ar Talu wrth fynd, mae pob galwad o dan 5 munud yn ychwanegu at hynny.
Mae trawsgrifio byw yn costio mwy ($0.60 yr awr ar brisiau lansio), oherwydd ei fod yn cadw cyflymder â'r alwad; os nad oes angen y geiriau ar neb yn ystod yr alwad, trawsgrifiwch y recordiad wedyn. Mae cyfrif newydd yn dechrau gydag un credyd cofrestru unwaith ac am byth ac nid oes angen cerdyn, felly gellir rhoi cynnig ar y camau uchod ar swp o'ch galwadau eich hun cyn prynu dim.