Eine Transkription unterscheidet Stimmen, kann aber nicht wissen, welche davon der Agent ist. Speichern Sie jeden Agenten einmal anhand eines seiner eigenen Anrufe, und jeder weitere Anruf kommt mit benanntem Agenten, einer Zusammenfassung obenauf und einer Tabelle für die Qualitätssicherung zurück.
Ein QA-Leiter, der Supportanrufe durch Anhören prüft, schafft am Tag eine Handvoll, und ein siebenminütiges Gespräch dauert sieben Minuten, so schnell man auch klickt. Als Text gelesen sind dieselben Anrufe etwa tausend Wörter, eine Seite, und eine Seite lässt sich überfliegen, durchsuchen und in ein Ticket kopieren. Die Transkription von Kundenservice-Anrufen macht aus den Aufnahmen, die Ihre Telefonanlage ohnehin speichert, solche Seiten. Drei Dinge entscheiden, ob die Seiten etwas nützen: ob jede Zeile sagt, wer gesprochen hat, Agent oder Kunde; ob der Anruf mit einer kurzen Zusammenfassung kommt, worum gebeten und was vereinbart wurde; und ob das Ergebnis dort ankommt, wo das Team arbeitet, in einer CRM-Notiz oder einer QA-Tabelle.
Dieser Artikel geht diesen Ablauf mit VocalStack durch: aufgezeichnete Anrufe über die API senden, den Agenten am Namen erkennen, für jeden Anruf eine Zusammenfassung schreiben lassen und als JSON und Excel exportieren. Er sagt auch klar, was VocalStack für ein Support-Team nicht leistet, denn manches davon zählt schon vor dem ersten hochgeladenen Anruf.
Die meisten Telefon- und Contact-Center-Systeme können Anrufaufnahmen als Audiodateien exportieren oder zu jeder einen Download-Link liefern. Beides funktioniert. POST /v1/transcriptions nimmt eine Datei als Multipart-Upload entgegen oder einen JSON-Body mit einer url, die der Server selbst abruft. Das Datei-Tutorial behandelt den Aufruf im Detail; für Anrufe sind diese Einstellungen wichtig, alle innerhalb von settings:
speakerLabels: Setzen Sie es auf on, damit jede Zeile eines Gesprächs zu zweit einen Sprecher trägt. Der Standard When Needed (auto) kennzeichnet Zeilen erst, wenn ein zweiter Sprecher zu hören ist, was besser zu einem Vortrag passt als zu einem Anruf.summary und title: Beide sind aus, solange Sie sie nicht anfordern. Sind sie an, werden nach der Transkription ein Titel und eine kurze Zusammenfassung des Anrufs geschrieben.spokenLanguage: Nennen Sie sie, wenn Sie sie kennen, etwa bei einer Warteschleife, die nur Anrufe in einer Sprache annimmt. Lassen Sie sie weg, wird die Sprache aus 100 erkannt.Der Upload antwortet sofort mit einer Transkriptions-ID; die Wörter folgen etwas später. Senden Sie mit jedem Upload einen Idempotency-Key: Eine Wiederholung mit demselben Schlüssel und Body innerhalb von 24 Stunden liefert die erste Transkription zurück, statt eine zweite zu erzeugen und abzurechnen. Die eigene ID des Anrufs aus Ihrer Telefonanlage ist ein naheliegender Schlüssel.
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 ?? ''}`);
Die Aufnahmen einer Nacht lassen sich in einer Schleife hochladen. Jeder Plan legt fest, wie viele Transkriptionen gleichzeitig laufen, und eine Datei darüber wird nicht abgelehnt: Sie wird angelegt, wartet im Zustand queued und startet von selbst, sobald eine frühere endet. Die Grenze, an die Sie stoßen können, ist die Zahl der Transkriptionen, die ein Konto pro Stunde über die API starten darf; die Werte für jeden Plan stehen auf der Preisseite. Webhooks gibt es nicht, Ihr Skript fragt also jeden Job ab, bis er fertig ist, was waitForJob für Sie übernimmt.
Sprecherlabels stammen aus der Diarisierung: Die Aufnahme wird in Redebeiträge zerlegt, und die Beiträge werden nach Stimme gruppiert. Zurück kommen „Speaker 1“ und „Speaker 2“. Das System kann zwei Stimmen unterscheiden, aber nichts im Audio sagt, welche bei Ihnen angestellt ist. Sprecherdiarisierung und Spracherkennung erklärt die Mechanik; für Supportanrufe lautet die praktische Antwort: Speichern Sie jeden Agenten einmal.
Ein gespeicherter Sprecher (saved speaker) ist ein Stimmabdruck mit einem Namen. Sobald er existiert, vergleicht jede neue Transkription im Konto die gehörten Stimmen mit Ihren gespeicherten Sprechern, und ein Treffer überträgt den Namen ins Transkript. Dateien werden automatisch abgeglichen, die Zeilen des Agenten kommen also als „Dana“ statt „Speaker 1“. Der Kunde bleibt nummeriert, bis Sie ihn benennen.
Nehmen Sie den Stimmabdruck von einem der eigenen Anrufe des Agenten und nicht von einer Aufnahme am Schreibtisch. Eine Stimme am Headset in einem ruhigen Raum und dieselbe Stimme an einer Telefonleitung können für eine Maschine weniger ähnlich klingen als zwei verschiedene Personen, die auf gleiche Weise aufgenommen wurden, und der Stimmabdruck passt am besten zu Audio, das dem ähnelt, aus dem er stammt. POST /v1/speakers/from-appearance speichert einen Sprecher direkt aus einer Transkription, wobei die eigenen Abschnitte dieses Sprechers im Anruf als Probe dienen. appearance ist der speaker-Index, den seine Zeilen tragen.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Auf diese Weise gespeichert, behält ein Sprecher nur seinen Stimmabdruck, aus mindestens 5 Sekunden seiner Sprache; ein Anruf, in dem der Agent eine Minute oder länger spricht, ergibt einen stabileren. Das Klonen der Stimme ist ein eigener Schritt, der die Einwilligung der Person braucht, und ein Support-Ablauf hat dafür keine Verwendung.
Von da an sagt Ihnen das Transkript eines fertigen Anrufs, wer erkannt wurde. GET /v1/transcriptions/{id}/transcript listet speakers, und ein Sprecher, der einem gespeicherten zugeordnet wurde, hat identified: true und den gespeicherten Namen. Die übrigen lassen sich mit je einem Aufruf benennen, PUT /v1/transcriptions/{id}/appearances/{number}, wobei number die Anzeigenummer des Sprechers ist. Die Benennung wird an der Transkription gespeichert, sodass jeder Export danach „Customer“ statt einer Nummer zeigt.
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');
}
Behandeln Sie „jeder Nicht-Erkannte ist der Kunde“ als Faustregel und prüfen Sie sie an Ihren eigenen Anrufen. Eine Weiterleitung bringt einen zweiten Agenten, eine aufgezeichnete Menüansage kann als eigene Stimme gehört werden, und ein Agent, der noch nicht gespeichert wurde, sieht genau aus wie ein Kunde. Beachten Sie auch, wie der Vergleich begrenzt ist: Jede Transkription wird mit den 64 zuletzt aktualisierten gespeicherten Sprechern des Kontos verglichen, ein größeres Team sollte sich also nicht darauf verlassen, dass jeder Agent in jedem Anruf erkannt wird.
Zwei Eigenschaften von Telefonaudio sollten Sie kennen, bevor Sie die Labels beurteilen. Eine Zweikanalaufnahme mit dem Agenten links und dem Kunden rechts wird bei der Transkription auf einen Kanal heruntergemischt, die Sprecher werden also an ihren Stimmen getrennt, nicht an ihrem Kanal. Und eine schmalbandige Telefonleitung überträgt nichts über etwa 3.4 kHz, was einen Teil dessen entfernt, was zwei Stimmen unterscheidbar macht; kurze, überlappende Beiträge („yes“, „mm-hm“, „sorry, go on“) sind die Stellen, an denen Labels am häufigsten danebenliegen.
Mit summary und title bekommt jeder Anruf einen Titel und ein paar Sätze dazu, worum es ging, sobald das Transkript final ist. Das kommt ins Ticket, damit der nächste Agent die Vorgeschichte kennt, ohne etwas zu öffnen. Die Zusammenfassung wird nach dem Transkript geschrieben, lesen Sie sie also mit GET /v1/transcriptions/{id}/summary und warten Sie, solange ihr state pending ist:
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);
}
Ist state ready, enthalten title und summary den Text. Eine Aufnahme unter einer Minute bekommt nie eine Zusammenfassung (not_requested), was bei Mailbox-Nachrichten zählt: Die meisten sind so kurz, dass das Transkript selbst die Zusammenfassung ist. Ein Anruf, der ohne summary gemacht wurde, kann später mit POST /v1/transcriptions/{id}/summarize eine bekommen. Zusammenfassungen sind in jedem Plan ohne Aufpreis enthalten.
GET /v1/transcriptions/{id}/export liefert eine Datei in einem von sieben Formaten: json, xlsx, pdf, srt, vtt, txt oder md. Jeder Export enthält Korrekturen und die von Ihnen vergebenen Sprechernamen. Für ein Support-Team leisten zwei davon die meiste Arbeit.
JSON für Ihren eigenen Code. Der JSON-Export enthält name, language, durationS des Anrufs und, mit summary=true, seine summary, dann segments: ein Eintrag pro Zeile, mit start und end in Sekunden, speaker, speakerName, text, einer confidence, ob die Zeile corrected wurde, und den words mit eigenen Zeitangaben. Das genügt, damit ein Skript eine CRM-Notiz baut (Titel, Zusammenfassung, Name des Agenten, Länge des Anrufs) oder jede Zeile herauszieht, die der Kunde gesagt hat.
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 für den Prüfer. Der XLSX-Export hat ein Blatt Transcript mit einer Zeile pro Zeile und den Spalten #, Start, End, Start (s), End (s), Speaker, Text, Confidence und Corrected. Mit summary=true enthält das Blatt About die Zusammenfassung neben Name, Sprache und Länge des Anrufs. Ein QA-Leiter kann auf die Zeilen des Agenten filtern, eine Spalte für Bewertungen oder Kommentare ergänzen und pro Prüfung eine Arbeitsmappe führen.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Support in mehreren Sprachen funktioniert genauso. Hängen Sie lang=en an einen Export, und die Datei liest sich auf Englisch, eine Zeile pro Satz, übersetzt, wo der Anruf auf Spanisch oder Polnisch war; ein Prüfer, der eine Sprache liest, kann so Anrufe in mehreren Sprachen bewerten. Der PDF-Export eignet sich für alle, die einen ganzen Anruf mit Sprechern und Zeitstempeln auf Papier lesen wollen.
Eine Transkription bleibt nach dem Export im Konto, sodass die Anrufe zu einer Bibliothek werden. Tags gruppieren sie: Legen Sie pro Warteschlange oder Team eines mit POST /v1/tags an und setzen Sie es dann mit POST /v1/tags/{id}/transcriptions auf Transkriptionen.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search durchsucht dann, was in allen Anrufen gesagt wurde, eingegrenzt nach Tag und Datum: jeder Anruf der Billing-Warteschlange in diesem Monat, in dem jemand „cancel“ gesagt hat, jeder Treffer mit seinem Anruf und der Sekunde, in der es gesagt wurde.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Alles oben Genannte funktioniert auch ohne Code. Eine unter Transcriptions → New hochgeladene Datei wird auf ihrer Seite beschriftet, zusammengefasst und exportiert, Sprecher werden unter Speakers gespeichert, und Tags und Suche finden sich in der Transkriptionsliste.
Manche Lücken sollten Sie kennen, bevor Sie etwas einrichten.
Die Aufbewahrung hängt vom Plan ab; die Preisseite zeigt, wie lange Audio und Transkriptionen jeweils gespeichert werden. Eine Transkription lässt sich archivieren, und eine archivierte mit POST /v1/transcriptions/{id}/purge endgültig löschen, was sie samt allem darin dauerhaft entfernt.
Zu Einführungspreisen kosten aufgezeichnete Anrufe $0.20 pro Stunde Audio, abgerechnet pro Sekunde ($0.0033 pro Minute), mit einer Mindestdauer von 5 Minuten pro Transkription bei Pay as you go (keine bei Premium oder Enterprise). Die aktuellen Preise stehen auf der Preisseite. Sprecherlabels, Sprecherbenennung, Zusammenfassungen, Übersetzungen und Exporte erhöhen die Rechnung nie.
Supportanrufe sind oft kurz, daher entscheidet die Mindestdauer mehr über die Rechnung eines Support-Teams als der Preis. Bei Pay as you go:
Bei Premium und Enterprise gibt es keine Mindestdauer, jeder Anruf wird also nach seinen eigenen Sekunden abgerechnet: Die 40-sekündige Nachricht kostet etwa ein Fünftel Cent, die 1,000 Anrufe zu drei Minuten etwa $10. Ein Team, das meist kurze Anrufe annimmt, sollte die beiden an den eigenen Anruflängen vergleichen.
Zu Einführungspreisen sendet ein Team, das im Monat 2,000 Anrufe mit durchschnittlich 8 Minuten aufzeichnet, 16,000 Minuten Audio: etwa $53 Guthaben im Monat bei Premium, Zusammenfassungen und Tabellen inbegriffen. Bei Pay as you go erhöht jeder Anruf unter 5 Minuten diesen Betrag.
Live-Transkription kostet mehr ($0.60 pro Stunde zu Einführungspreisen), weil sie mit dem Anruf Schritt hält; braucht niemand die Wörter während des Anrufs, transkribieren Sie die Aufnahme danach. Ein neues Konto startet mit einmaligem Willkommensguthaben und ohne Karte, sodass sich die obigen Schritte an einem Stapel eigener Anrufe ausprobieren lassen, bevor etwas gekauft wird.