Μια απομαγνητοφώνηση ξεχωρίζει τις φωνές αλλά δεν μπορεί να ξέρει ποια είναι του συνεργάτη της εξυπηρέτησης. Αποθηκεύστε κάθε συνεργάτη μία φορά, από μία δική του κλήση, και κάθε επόμενη κλήση επιστρέφει με το όνομά του, μια περίληψη στην κορυφή και ένα υπολογιστικό φύλλο έτοιμο για QA.
Ένας υπεύθυνος QA που ελέγχει κλήσεις υποστήριξης ακούγοντάς τες προλαβαίνει λίγες τη μέρα, και μια κλήση επτά λεπτών παίρνει επτά λεπτά όσο γρήγορα κι αν κάνετε κλικ. Διαβασμένη ως κείμενο, η ίδια κλήση είναι περίπου χίλιες λέξεις, μία σελίδα, και μια σελίδα μπορεί να διαβαστεί διαγώνια, να αναζητηθεί και να επικολληθεί σε ένα αίτημα. Η απομαγνητοφώνηση κλήσεων εξυπηρέτησης πελατών μετατρέπει τις ηχογραφήσεις που ήδη κρατά το τηλεφωνικό σας σύστημα σε τέτοιες σελίδες. Τρία πράγματα κρίνουν αν οι σελίδες είναι χρήσιμες: αν κάθε γραμμή λέει ποιος μίλησε, ο συνεργάτης ή ο πελάτης· αν η κλήση συνοδεύεται από μια σύντομη περίληψη του τι ζητήθηκε και τι συμφωνήθηκε· και αν το αποτέλεσμα καταλήγει εκεί όπου δουλεύει η ομάδα, σε μια σημείωση CRM ή σε ένα φύλλο QA.
Αυτό το άρθρο περνά από αυτή τη ροή εργασίας με το VocalStack: ηχογραφημένες κλήσεις που στέλνονται μέσω του API, ο συνεργάτης που αναγνωρίζεται με το όνομά του, μια περίληψη για κάθε κλήση και εξαγωγές σε JSON και Excel. Λέει επίσης καθαρά τι δεν κάνει το VocalStack για μια ομάδα υποστήριξης, επειδή μερικά από αυτά μετράνε πριν ανεβεί η πρώτη κλήση.
Τα περισσότερα τηλεφωνικά συστήματα και συστήματα τηλεφωνικών κέντρων μπορούν να εξάγουν τις ηχογραφήσεις κλήσεων ως αρχεία ήχου, ή να δίνουν έναν σύνδεσμο λήψης για καθεμία. Και τα δύο δουλεύουν. Το POST /v1/transcriptions δέχεται ένα αρχείο ως multipart μεταφόρτωση, ή ένα σώμα JSON με ένα url που ο διακομιστής κατεβάζει μόνος του. Το σεμινάριο αρχείων καλύπτει την κλήση αναλυτικά· για κλήσεις μετράνε αυτές οι ρυθμίσεις, όλες μέσα στο settings:
speakerLabels: ορίστε το σε on, ώστε κάθε γραμμή μιας κλήσης δύο ατόμων να φέρει ομιλητή. Η προεπιλογή, το When Needed (auto), βάζει ετικέτες στις γραμμές μόνο αφού ακουστεί δεύτερος ομιλητής, κάτι που ταιριάζει σε διάλεξη περισσότερο παρά σε κλήση.summary και title: και τα δύο είναι κλειστά αν δεν τα ζητήσετε. Όταν είναι ανοιχτά, γράφονται ένας τίτλος και μια σύντομη περίληψη για την κλήση μόλις απομαγνητοφωνηθεί.spokenLanguage: ορίστε το όταν το ξέρετε, όπως σε μια ουρά που δέχεται κλήσεις μόνο σε μία γλώσσα. Αν το παραλείψετε, η γλώσσα ανιχνεύεται, ανάμεσα σε 100.Η μεταφόρτωση απαντά αμέσως με ένα id απομαγνητοφώνησης· οι λέξεις έρχονται λίγο αργότερα. Στέλνετε ένα Idempotency-Key με κάθε μεταφόρτωση: μια επανάληψη με το ίδιο κλειδί και σώμα μέσα σε 24 ώρες επιστρέφει την πρώτη απομαγνητοφώνηση αντί να δημιουργήσει, και να χρεώσει, δεύτερη. Το id της ίδιας της κλήσης από το τηλεφωνικό σας σύστημα είναι φυσικό κλειδί.
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 ?? ''}`);
Οι ηχογραφήσεις μιας νύχτας μπορούν να ανέβουν σε έναν βρόχο. Κάθε πρόγραμμα ορίζει πόσες απομαγνητοφωνήσεις τρέχουν ταυτόχρονα, και ένα αρχείο πάνω από αυτόν τον αριθμό δεν απορρίπτεται: δημιουργείται, περιμένει σε κατάσταση queued και ξεκινά μόνο του όταν τελειώσει μια προηγούμενη. Το όριο που μπορεί να πετύχετε είναι ο αριθμός των απομαγνητοφωνήσεων που μπορεί να ξεκινήσει ένας λογαριασμός μέσω του API σε μία ώρα· τα στοιχεία κάθε προγράμματος βρίσκονται στη σελίδα τιμών. Δεν υπάρχουν webhooks, οπότε το σενάριό σας ελέγχει κάθε εργασία μέχρι να ολοκληρωθεί, κάτι που κάνει το waitForJob για εσάς.
Οι ετικέτες ομιλητών προέρχονται από τον διαχωρισμό ομιλητών (diarization): η ηχογράφηση χωρίζεται σε σειρές ομιλίας και οι σειρές ομαδοποιούνται ανά φωνή. Αυτό που επιστρέφεται είναι «Speaker 1» και «Speaker 2». Το σύστημα μπορεί να ξεχωρίσει δύο φωνές, αλλά τίποτα στον ήχο δεν λέει ποια ανήκει σε υπάλληλό σας. Το Διαχωρισμός ομιλητών έναντι αναγνώρισης ομιλίας εξηγεί τη μηχανική· για τις κλήσεις υποστήριξης, η πρακτική απάντηση είναι να αποθηκεύσετε κάθε συνεργάτη μία φορά.
Ένας αποθηκευμένος ομιλητής είναι ένα αποτύπωμα φωνής με όνομα. Μόλις υπάρξει, κάθε νέα απομαγνητοφώνηση στον λογαριασμό συγκρίνει τις φωνές που ακούει με τους αποθηκευμένους ομιλητές σας, και μια αντιστοιχία μεταφέρει το όνομα στην απομαγνητοφώνηση. Τα αρχεία αντιστοιχίζονται αυτόματα, οπότε οι γραμμές του συνεργάτη φτάνουν ως «Dana» αντί για «Speaker 1». Ο πελάτης μένει αριθμημένος μέχρι να του δώσετε όνομα.
Πάρτε το αποτύπωμα από μία δική του κλήση του συνεργάτη και όχι από μια ηχογράφηση στο γραφείο. Μια φωνή σε ακουστικά σε ήσυχο δωμάτιο και η ίδια φωνή σε τηλεφωνική γραμμή μπορεί να ακούγονται σε μια μηχανή λιγότερο όμοιες από δύο διαφορετικούς ανθρώπους που ηχογραφήθηκαν με τον ίδιο τρόπο, και το αποτύπωμα ταιριάζει καλύτερα με ήχο που μοιάζει με τον ήχο από τον οποίο προήλθε. Το POST /v1/speakers/from-appearance αποθηκεύει έναν ομιλητή κατευθείαν από μια απομαγνητοφώνηση, χρησιμοποιώντας ως δείγμα τα δικά του τμήματα της κλήσης. Το appearance είναι ο δείκτης speaker που φέρουν οι γραμμές του.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Η αποθήκευση ενός ομιλητή με αυτόν τον τρόπο κρατά μόνο το αποτύπωμά του, από τουλάχιστον 5 δευτερόλεπτα ομιλίας του· μια κλήση όπου ο συνεργάτης μιλά για ένα λεπτό ή περισσότερο δίνει πιο σταθερό αποτέλεσμα. Η κλωνοποίηση φωνής είναι ξεχωριστό βήμα που απαιτεί τη συναίνεση του ατόμου, και μια ροή εργασίας υποστήριξης δεν τη χρειάζεται.
Από εκεί και πέρα, η απομαγνητοφώνηση μιας ολοκληρωμένης κλήσης σας λέει ποιος αναγνωρίστηκε. Το GET /v1/transcriptions/{id}/transcript δίνει τη λίστα speakers, και ένας ομιλητής που αντιστοιχίστηκε σε αποθηκευμένο έχει identified: true και το αποθηκευμένο όνομα. Οι υπόλοιποι μπορούν να ονομαστούν με μία κλήση ο καθένας, PUT /v1/transcriptions/{id}/appearances/{number}, όπου το number είναι ο αριθμός που εμφανίζεται για τον ομιλητή. Η ονομασία αποθηκεύεται στην απομαγνητοφώνηση, οπότε κάθε εξαγωγή μετά διαβάζει «Customer» αντί για αριθμό.
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');
}
Αντιμετωπίστε το «όποιος δεν αναγνωρίστηκε είναι ο πελάτης» ως εμπειρικό κανόνα και ελέγξτε τον στις δικές σας κλήσεις. Μια μεταφορά κλήσης φέρνει δεύτερο συνεργάτη, ένα ηχογραφημένο μενού μπορεί να ακουστεί ως φωνή από μόνο του, και ένας συνεργάτης που δεν έχει αποθηκευτεί ακόμη μοιάζει ακριβώς με πελάτη. Προσέξτε και πώς οριοθετείται η σύγκριση: κάθε απομαγνητοφώνηση συγκρίνεται με τους 64 αποθηκευμένους ομιλητές που ενημερώθηκαν πιο πρόσφατα στον λογαριασμό, οπότε μια ομάδα μεγαλύτερη από αυτό δεν πρέπει να υπολογίζει ότι κάθε συνεργάτης αναγνωρίζεται σε κάθε κλήση.
Δύο ιδιότητες του τηλεφωνικού ήχου αξίζει να τις ξέρετε πριν κρίνετε τις ετικέτες. Μια ηχογράφηση δύο καναλιών, με τον συνεργάτη αριστερά και τον πελάτη δεξιά, γίνεται ένα κανάλι κατά την απομαγνητοφώνηση, οπότε οι ομιλητές ξεχωρίζουν από τις φωνές τους και όχι από το κανάλι. Και μια τηλεφωνική γραμμή στενής ζώνης δεν μεταφέρει τίποτα πάνω από περίπου 3.4 kHz, κάτι που αφαιρεί μέρος του τι κάνει δύο φωνές διακριτές· οι σύντομες, επικαλυπτόμενες παρεμβολές («yes», «mm-hm», «sorry, go on») είναι εκεί όπου οι ετικέτες κάνουν τα περισσότερα λάθη.
Με το summary και το title ανοιχτά, κάθε κλήση παίρνει έναν τίτλο και λίγες προτάσεις για το θέμα της μόλις η απομαγνητοφώνηση οριστικοποιηθεί. Αυτό μπαίνει στο αίτημα, ώστε ο επόμενος συνεργάτης να ξέρει το ιστορικό χωρίς να ανοίξει τίποτα. Η περίληψη γράφεται μετά την απομαγνητοφώνηση, οπότε διαβάστε την με το GET /v1/transcriptions/{id}/summary και περιμένετε όσο το state της είναι 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);
}
Όταν το state είναι ready, τα title και summary περιέχουν το κείμενο. Μια ηχογράφηση μικρότερη από ένα λεπτό δεν παίρνει ποτέ περίληψη (not_requested), κάτι που μετράει για τα φωνητικά μηνύματα: τα περισσότερα είναι αρκετά σύντομα ώστε η απομαγνητοφώνηση να είναι η ίδια η περίληψή τους. Σε μια κλήση που έγινε χωρίς summary μπορεί να δοθεί περίληψη αργότερα με POST /v1/transcriptions/{id}/summarize. Οι περιλήψεις περιλαμβάνονται σε κάθε πρόγραμμα χωρίς επιπλέον κόστος.
Το GET /v1/transcriptions/{id}/export επιστρέφει ένα αρχείο σε μία από επτά μορφές: json, xlsx, pdf, srt, vtt, txt ή md. Κάθε εξαγωγή περιλαμβάνει τις διορθώσεις και τα ονόματα ομιλητών που δώσατε. Για μια ομάδα υποστήριξης, οι δύο από αυτές κάνουν το μεγαλύτερο μέρος της δουλειάς.
JSON για τον δικό σας κώδικα. Η εξαγωγή JSON έχει τα name, language, durationS της κλήσης και, με summary=true, το summary, και μετά τα segments: μία εγγραφή ανά γραμμή, με start και end σε δευτερόλεπτα, speaker, speakerName, text, ένα confidence, αν η γραμμή έχει corrected, και τα words με τους δικούς τους χρονισμούς. Αυτό αρκεί για να φτιάξει ένα σενάριο μια σημείωση CRM (τον τίτλο, την περίληψη, το όνομα του συνεργάτη, τη διάρκεια της κλήσης) ή να τραβήξει κάθε γραμμή που είπε ο πελάτης.
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 για τον ελεγκτή. Η εξαγωγή XLSX έχει ένα φύλλο Transcript με μία γραμμή ανά γραμμή ομιλίας και τις στήλες #, Start, End, Start (s), End (s), Speaker, Text, Confidence και Corrected. Με summary=true, το φύλλο About φέρει την περίληψη δίπλα στο όνομα, τη γλώσσα και τη διάρκεια της κλήσης. Ένας υπεύθυνος QA μπορεί να φιλτράρει τις γραμμές του συνεργάτη, να προσθέσει μια στήλη για βαθμούς ή σχόλια και να κρατά ένα βιβλίο εργασίας ανά έλεγχο.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Η υποστήριξη σε περισσότερες από μία γλώσσες λειτουργεί με τον ίδιο τρόπο. Προσθέστε lang=en σε μια εξαγωγή και το αρχείο διαβάζεται στα αγγλικά, μία γραμμή ανά πρόταση, μεταφρασμένο όπου η κλήση ήταν στα ισπανικά ή στα πολωνικά· ένας ελεγκτής που διαβάζει μία γλώσσα μπορεί να βαθμολογήσει κλήσεις που δέχτηκαν σε πολλές. Η εξαγωγή PDF ταιριάζει σε όποιον θέλει να διαβάσει μια ολόκληρη κλήση σε χαρτί, με ομιλητές και χρονοσημάνσεις.
Μια απομαγνητοφώνηση μένει στον λογαριασμό και μετά την εξαγωγή, οπότε οι κλήσεις χτίζουν μια βιβλιοθήκη. Οι ετικέτες (tags) τις ομαδοποιούν: δημιουργήστε μία ανά ουρά ή ομάδα με POST /v1/tags και μετά βάλτε την σε απομαγνητοφωνήσεις με POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
Το GET /v1/search αναζητά έπειτα όσα ειπώθηκαν σε όλες τις κλήσεις, περιορισμένα ανά ετικέτα και ημερομηνία: κάθε κλήση της ουράς Billing αυτόν τον μήνα όπου κάποιος είπε «cancel», με κάθε αποτέλεσμα να δείχνει την κλήση και το δευτερόλεπτο που ειπώθηκε.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Όλα τα παραπάνω δουλεύουν και χωρίς κώδικα. Ένα αρχείο που ανεβαίνει στο Transcriptions → New παίρνει ετικέτες, περίληψη και εξαγωγή από τη σελίδα του, οι ομιλητές αποθηκεύονται στο Speakers, και οι ετικέτες και η αναζήτηση βρίσκονται στη λίστα Transcriptions.
Μερικά κενά αξίζει να τα ξέρετε πριν στηθεί οτιδήποτε.
Η διατήρηση εξαρτάται από το πρόγραμμα· η σελίδα τιμών δείχνει πόσο καιρό κρατιούνται ο ήχος και οι απομαγνητοφωνήσεις σε καθένα. Μια απομαγνητοφώνηση μπορεί να αρχειοθετηθεί, και μια αρχειοθετημένη να διαγραφεί οριστικά με POST /v1/transcriptions/{id}/purge, που τη σβήνει μαζί με ό,τι περιέχει για πάντα.
Με τις τιμές λανσαρίσματος, οι ηχογραφημένες κλήσεις κοστίζουν $0.20 ανά ώρα ήχου, χρεώνονται ανά δευτερόλεπτο ($0.0033 το λεπτό), με ελάχιστο 5 λεπτών ανά απομαγνητοφώνηση στο Pay as you go (χωρίς ελάχιστο στο Premium ή το Enterprise). Οι τρέχουσες τιμές βρίσκονται στη σελίδα τιμών. Οι ετικέτες ομιλητών, η ονομασία ομιλητών, οι περιλήψεις, οι μεταφράσεις και οι εξαγωγές δεν προσθέτουν ποτέ στον λογαριασμό.
Οι κλήσεις υποστήριξης είναι συχνά σύντομες, οπότε το ελάχιστο καθορίζει περισσότερο από τον ρυθμό τον λογαριασμό μιας ομάδας υποστήριξης. Στο Pay as you go:
Στο Premium και στο Enterprise δεν υπάρχει ελάχιστο, οπότε κάθε κλήση χρεώνεται με τα δικά της δευτερόλεπτα: το φωνητικό μήνυμα των 40 δευτερολέπτων κοστίζει περίπου το ένα πέμπτο του σεντ, και οι 1,000 κλήσεις των τριών λεπτών περίπου $10. Μια ομάδα που δέχεται κυρίως σύντομες κλήσεις πρέπει να συγκρίνει τα δύο με τις δικές της διάρκειες κλήσεων.
Με τις τιμές λανσαρίσματος, μια ομάδα που ηχογραφεί 2,000 κλήσεις τον μήνα με μέση διάρκεια 8 λεπτά στέλνει 16,000 λεπτά ήχου: περίπου $53 πίστωσης τον μήνα στο Premium, με περιλήψεις και υπολογιστικά φύλλα συμπεριλαμβανομένα. Στο Pay as you go, κάθε κλήση κάτω των 5 λεπτών προσθέτει σε αυτό.
Η ζωντανή απομαγνητοφώνηση κοστίζει περισσότερο ($0.60 την ώρα με τις τιμές λανσαρίσματος), επειδή ακολουθεί τον ρυθμό της κλήσης· αν κανείς δεν χρειάζεται τις λέξεις κατά τη διάρκεια της κλήσης, απομαγνητοφωνήστε την ηχογράφηση μετά. Ένας νέος λογαριασμός ξεκινά με εφάπαξ πίστωση εγγραφής και δεν χρειάζεται κάρτα, οπότε τα παραπάνω βήματα μπορούν να δοκιμαστούν σε μια παρτίδα δικών σας κλήσεων πριν αγοραστεί οτιδήποτε.