En transskription kan skelne stemmer, men ved ikke, hvilken der er medarbejderen. Gem hver medarbejder én gang, fra et af deres egne opkald, så kommer hvert opkald derefter tilbage med medarbejderen navngivet, et resumé øverst og et regneark klar til QA.
En QA-leder, der gennemgår supportsamtaler ved at lytte, når en håndfuld om dagen, og et opkald på syv minutter tager syv minutter, hvor hurtigt man end klikker. Som tekst er det samme opkald omkring tusind ord, én side, og en side kan skimmes, søges i og indsættes i en sag. Transskription af kundeservicesamtaler gør de optagelser, dit telefonsystem allerede gemmer, til sådanne sider. Tre ting afgør, om siderne er til nogen nytte: om hver linje siger, hvem der talte, medarbejder eller kunde; om opkaldet kommer med et kort resumé af, hvad der blev spurgt om, og hvad der blev aftalt; og om resultatet havner, hvor teamet arbejder, i en CRM-note eller et QA-regneark.
Denne artikel gennemgår arbejdsgangen med VocalStack: optagede opkald sendt via API'et, medarbejderen genkendt ved navn, et resumé for hvert opkald og eksporter i JSON og Excel. Den siger også ligeud, hvad VocalStack ikke gør for et supportteam, fordi noget af det har betydning, før det første opkald uploades.
De fleste telefon- og kontaktcentersystemer kan eksportere opkaldsoptagelser som lydfiler eller give hver optagelse et downloadlink. Begge dele virker. POST /v1/transcriptions tager en fil som multipart-upload eller en JSON-body med en url, som serveren selv henter. Filvejledningen gennemgår kaldet i detaljer; til opkald er disse indstillinger vigtige, alle inde i settings:
speakerLabels: sæt den til on, så hver linje i et opkald mellem to personer har en taler. Standarden, When Needed (auto), mærker først linjer, når en anden taler høres, hvilket passer bedre til et foredrag end til et opkald.summary og title: begge er slået fra, medmindre du beder om dem. Når de er slået til, skrives en titel og et kort resumé for opkaldet, når det er transskriberet.spokenLanguage: angiv det, når du kender det, som i en kø, der kun tager imod opkald på ét sprog. Udelader du det, registreres sproget blandt 100.Uploaden svarer med det samme med et transskriptions-id; ordene kommer lidt senere. Send en Idempotency-Key med hver upload: et nyt forsøg med samme nøgle og body inden for 24 timer returnerer den første transskription i stedet for at lave og fakturere en anden. Opkaldets eget id fra dit telefonsystem er en naturlig nøgle.
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 ?? ''}`);
En nats optagelser kan sendes op i én løkke. Hvert abonnement fastsætter, hvor mange transskriptioner der kører samtidig, og en fil ud over det antal afvises ikke: den oprettes, venter som queued og starter af sig selv, når en tidligere slutter. Den grænse, du kan ramme, er antallet af transskriptioner, en konto må starte via API'et i timen; tallene for hvert abonnement står på prissiden. Der er ingen webhooks, så dit script poller hvert job, til det er færdigt, hvilket waitForJob gør for dig.
Talermærker kommer fra diarisering: optagelsen deles op i replikker, og replikkerne grupperes efter stemme. Det, der kommer tilbage, er »Speaker 1« og »Speaker 2«. Systemet kan skelne to stemmer, men intet i lyden siger, hvilken der er ansat hos dig. Diarisering versus talegenkendelse forklarer mekanikken; til supportopkald er det praktiske svar at gemme hver medarbejder én gang.
En gemt taler er et stemmeaftryk med et navn. Når den findes, sammenligner hver ny transskription på kontoen de stemmer, den hører, med dine gemte talere, og et match fører navnet med ind i transskriptionen. Filer matches automatisk, så medarbejderens linjer ankommer som »Dana« i stedet for »Speaker 1«. Kunden forbliver nummereret, til du navngiver vedkommende.
Tag aftrykket fra et af medarbejderens egne opkald frem for fra en optagelse ved et skrivebord. En stemme i et headset i et stille rum og den samme stemme på en telefonlinje kan lyde mindre ens for en maskine end to forskellige personer optaget på samme måde, og aftrykket matcher bedst mod lyd, der ligner den lyd, det kom fra. POST /v1/speakers/from-appearance gemmer en taler direkte fra en transskription og bruger talerens egne passager af opkaldet som prøve. appearance er det speaker-indeks, deres linjer bærer.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
At gemme en taler på den måde beholder kun aftrykket, fra mindst 5 sekunders tale; et opkald, hvor medarbejderen taler i et minut eller mere, giver et mere stabilt. Stemmekloning er et separat trin, der kræver personens samtykke, og en supportarbejdsgang har ingen brug for det.
Fra da af fortæller et færdigt opkalds transskription, hvem der blev genkendt. GET /v1/transcriptions/{id}/transcript lister speakers, og en taler, der matcher en gemt, har identified: true og det gemte navn. Resten kan navngives med ét kald hver, PUT /v1/transcriptions/{id}/appearances/{number}, hvor number er talerens visningsnummer. Navngivningen gemmes på transskriptionen, så hver eksport derefter viser »Customer« i stedet for et nummer.
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');
}
Behandl »alle, der ikke er genkendt, er kunden« som en tommelfingerregel, og kontroller den på dine egne opkald. En viderestilling bringer en anden medarbejder ind, en indspillet menustemme kan blive hørt som en stemme for sig, og en medarbejder, der endnu ikke er gemt, ligner en kunde på en prik. Bemærk også, hvordan sammenligningen er afgrænset: hver transskription sammenlignes med de 64 gemte talere, der senest er opdateret på kontoen, så et større team skal ikke regne med, at hver medarbejder genkendes i hvert opkald.
To egenskaber ved telefonlyd er værd at kende, før du bedømmer mærkerne. En optagelse med to kanaler, medarbejderen til venstre og kunden til højre, blandes ned til én kanal, når den transskriberes, så talere adskilles på deres stemmer, ikke på deres kanal. Og en smalbåndet telefonlinje bærer intet over omkring 3,4 kHz, hvilket fjerner en del af det, der gør to stemmer forskellige; korte, overlappende replikker (»ja«, »mm-hm«, »undskyld, fortsæt«) er der, hvor mærkerne oftest går galt.
Med summary og title slået til får hvert opkald en titel og et par sætninger om, hvad det handlede om, når transskriptionen er endelig. Det er det, der kommer ind i sagen, så den næste medarbejder kender historikken uden at åbne noget. Resuméet skrives efter transskriptionen, så læs det med GET /v1/transcriptions/{id}/summary og vent, mens dets state er 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);
}
Når state er ready, indeholder title og summary teksten. En optagelse på under ét minut får aldrig et resumé (not_requested), hvilket har betydning for telefonsvarerbeskeder: de fleste er korte nok til, at transskriptionen er sit eget resumé. Et opkald, der blev lavet uden summary, kan få et senere med POST /v1/transcriptions/{id}/summarize. Resuméer er med i hvert abonnement uden ekstra omkostning.
GET /v1/transcriptions/{id}/export returnerer en fil i et af syv formater: json, xlsx, pdf, srt, vtt, txt eller md. Hver eksport indeholder rettelser og de talernavne, du har givet. For et supportteam gør to af dem det meste af arbejdet.
JSON til din egen kode. JSON-eksporten har opkaldets name, language, durationS og, med summary=true, dets summary, derefter segments: én post pr. linje med start og end i sekunder, speaker, speakerName, text, en confidence, om linjen blev corrected, og words med deres egne tidspunkter. Det er nok til, at et script kan bygge en CRM-note (titlen, resuméet, medarbejderens navn, opkaldets længde) eller trække hver linje ud, kunden sagde.
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 til den, der gennemgår. XLSX-eksporten har et ark Transcript med én række pr. linje og kolonnerne #, Start, End, Start (s), End (s), Speaker, Text, Confidence og Corrected. Med summary=true har arket About resuméet ved siden af opkaldets navn, sprog og længde. En QA-leder kan filtrere til medarbejderens rækker, tilføje en kolonne til point eller kommentarer og beholde én projektmappe pr. gennemgang.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Support på mere end ét sprog fungerer på samme måde. Tilføj lang=en til en eksport, så læses filen på engelsk, én linje pr. sætning, oversat hvor opkaldet var på spansk eller polsk; en, der gennemgår, og som læser ét sprog, kan score opkald taget på flere. PDF-eksporten passer til den, der vil læse et helt opkald på papir, med talere og tidsstempler.
En transskription bliver på kontoen, efter den er eksporteret, så opkaldene vokser til et bibliotek. Tags grupperer dem: opret et pr. kø eller team med POST /v1/tags, og sæt det på transskriptioner med 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 søger derefter i det, der blev sagt, på tværs af alle opkald, afgrænset efter tag og dato: hvert opkald i faktureringskøen i denne måned, hvor nogen sagde »cancel«, hvert hit med sit opkald og det sekund, det blev sagt.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Alt ovenstående virker også uden kode. En fil uploadet på Transcriptions → New mærkes, opsummeres og eksporteres fra sin side, talere gemmes under Speakers, og tags og søgning findes i listen Transcriptions.
Nogle huller er værd at kende, før noget sættes op.
Opbevaringstiden afhænger af abonnementet; prissiden viser, hvor længe lyd og transskriptioner gemmes for hvert. En transskription kan arkiveres, og en arkiveret kan slettes endeligt med POST /v1/transcriptions/{id}/purge, som sletter den og alt i den for evigt.
Til lanceringspriserne koster optagede opkald $0,20 pr. time lyd, faktureret pr. sekund ($0,0033 i minuttet), med et minimum på 5 minutter pr. transskription på Pay as you go (intet på Premium eller Enterprise). De aktuelle priser står på prissiden. Talermærker, navngivning af talere, resuméer, oversættelser og eksporter lægger aldrig noget til regningen.
Supportopkald er ofte korte, så minimummet afgør mere af et supportteams regning end prisen. På Pay as you go:
På Premium og Enterprise er der intet minimum, så hvert opkald faktureres efter sine egne sekunder: telefonsvarerbeskeden på 40 sekunder koster omkring en femtedel cent, og de 1.000 opkald på tre minutter omkring $10. Et team, der mest tager korte opkald, bør sammenligne de to ud fra sine egne opkaldslængder.
Til lanceringspriserne sender et team, der optager 2.000 opkald om måneden med et gennemsnit på 8 minutter, 16.000 minutters lyd: omkring $53 i kredit om måneden på Premium, resuméer og regneark med. På Pay as you go lægger hvert opkald under 5 minutter noget oven i.
Live-transskription koster mere ($0,60 i timen til lanceringspriserne), fordi den holder trit med opkaldet; hvis ingen har brug for ordene under opkaldet, så transskribér optagelsen bagefter. En ny konto starter med engangskredit ved tilmelding, og der kræves intet kort, så trinene ovenfor kan prøves på en portion af dine egne opkald, før der købes noget.