Una transcripción distingue las voces, pero no puede saber cuál es el agente. Guarda a cada agente una vez, a partir de una de sus propias llamadas, y cada llamada posterior llega con el agente identificado por su nombre, un resumen arriba y una hoja de cálculo lista para el control de calidad.
Un responsable de calidad que revisa las llamadas de soporte escuchándolas puede despachar un puñado al día, y una llamada de siete minutos dura siete minutos por rápido que hagas clic. Leída como texto, la misma llamada son unas mil palabras, una página, y una página se puede hojear, buscar y pegar en un ticket. La transcripción de llamadas de atención al cliente convierte las grabaciones que tu sistema telefónico ya conserva en esas páginas. Tres cosas deciden si las páginas sirven de algo: si cada línea dice quién habló, agente o cliente; si la llamada viene con un breve resumen de lo que se pidió y de lo que se acordó; y si el resultado llega adonde trabaja el equipo, una nota del CRM o una hoja de cálculo de calidad.
Este artículo recorre ese flujo de trabajo con VocalStack: llamadas grabadas enviadas por la API, el agente reconocido por su nombre, un resumen escrito para cada llamada y exportaciones en JSON y Excel. También dice sin rodeos lo que VocalStack no hace por un equipo de soporte, porque algunas de esas cosas importan antes de subir la primera llamada.
La mayoría de los sistemas telefónicos y de centros de contacto pueden exportar las grabaciones como archivos de audio, o dar un enlace de descarga para cada una. Cualquiera de las dos vale. POST /v1/transcriptions recibe un archivo como subida multipart, o un cuerpo JSON con una url que el propio servidor descarga. El tutorial de archivos explica la llamada con detalle; para llamadas telefónicas importan estos ajustes, todos dentro de settings:
speakerLabels: ponlo en on, para que cada línea de una llamada entre dos personas lleve un hablante. El valor predeterminado, When Needed (auto), etiqueta las líneas solo cuando se oye a un segundo hablante, lo que va mejor para una conferencia que para una llamada.summary y title: ambos están desactivados salvo que los pidas. Con ellos activados, se escriben un título y un resumen breve de la llamada una vez transcrita.spokenLanguage: indícalo cuando lo sepas, como en una cola que solo atiende llamadas en un idioma. Si lo omites, el idioma se detecta, entre 100.La subida responde al instante con un id de transcripción; las palabras llegan un poco después. Envía una Idempotency-Key con cada subida: un reintento con la misma clave y el mismo cuerpo en un plazo de 24 horas devuelve la primera transcripción en lugar de crear, y facturar, una segunda. El id propio de la llamada en tu sistema telefónico es una clave natural.
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 ?? ''}`);
Las grabaciones de una noche pueden subirse en un solo bucle. Cada plan fija cuántas transcripciones se ejecutan a la vez, y un archivo que supere ese número no se rechaza: se crea, espera en queued y arranca solo cuando termina una anterior. El límite que sí puedes alcanzar es el número de transcripciones que una cuenta puede iniciar por la API en una hora; las cifras de cada plan están en la página de precios. No hay webhooks, así que tu script consulta cada trabajo hasta que termina, que es lo que hace waitForJob por ti.
Las etiquetas de hablante vienen de la diarización: la grabación se divide en turnos y los turnos se agrupan por voz. Lo que vuelve es «Speaker 1» y «Speaker 2». El sistema puede distinguir dos voces, pero nada en el audio dice cuál trabaja para ti. Diarización frente a reconocimiento del habla explica la mecánica; para las llamadas de soporte, la respuesta práctica es guardar a cada agente una vez.
Un hablante guardado es una huella de voz con nombre. Una vez que existe, cada transcripción nueva de la cuenta compara las voces que oye con tus hablantes guardados, y una coincidencia traslada el nombre a la transcripción. Los archivos se comparan automáticamente, así que las líneas del agente llegan como «Dana» en lugar de «Speaker 1». El cliente sigue numerado hasta que le pongas nombre.
Toma la huella de una de las llamadas del propio agente en lugar de una grabación hecha en una mesa. Una voz con auriculares en una sala silenciosa y la misma voz en una línea telefónica pueden sonar menos parecidas para una máquina que dos personas distintas grabadas de la misma manera, y la huella coincide mejor con un audio como el de donde salió. POST /v1/speakers/from-appearance guarda un hablante directamente desde una transcripción, usando como muestra los tramos de la llamada en que habla esa persona. appearance es el índice speaker que llevan sus líneas.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Guardar un hablante de esta forma conserva solo su huella, a partir de al menos 5 segundos de su voz; una llamada en la que el agente habla durante un minuto o más da una huella más estable. La clonación de voz es un paso aparte que necesita el consentimiento de la persona, y un flujo de soporte no tiene ninguna utilidad para ella.
A partir de ahí, la transcripción de una llamada terminada te dice a quién se reconoció. GET /v1/transcriptions/{id}/transcript lista los speakers, y un hablante que coincide con uno guardado tiene identified: true y el nombre guardado. Los demás se pueden nombrar con una llamada cada uno, PUT /v1/transcriptions/{id}/appearances/{number}, donde number es el número con el que se muestra al hablante. El nombre se guarda en la transcripción, así que todas las exportaciones posteriores dicen «Customer» en lugar de un número.
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');
}
Trata «todos los que no se reconocen son el cliente» como una regla práctica y compruébala con tus propias llamadas. Una transferencia trae a un segundo agente, un mensaje grabado de un menú puede oírse como una voz propia, y un agente que aún no se ha guardado se ve exactamente igual que un cliente. Ten en cuenta también cómo está acotada la comparación: cada transcripción se compara con los 64 hablantes guardados actualizados más recientemente en la cuenta, así que un equipo mayor que eso no debería contar con que se reconozca a todos los agentes en todas las llamadas.
Dos propiedades del audio telefónico conviene conocerlas antes de juzgar las etiquetas. Una grabación de doble canal, con el agente a la izquierda y el cliente a la derecha, se mezcla en un solo canal al transcribirla, así que los hablantes se separan por su voz, no por su canal. Y una línea telefónica de banda estrecha no lleva nada por encima de unos 3,4 kHz, lo que elimina parte de lo que hace distintas a dos voces; los turnos cortos y superpuestos («sí», «ajá», «perdón, siga») son donde las etiquetas fallan con más frecuencia.
Con summary y title activados, cada llamada recibe un título y unas pocas frases sobre de qué trató una vez que la transcripción es definitiva. Eso es lo que va al ticket, para que el siguiente agente conozca el historial sin abrir nada. El resumen se escribe después de la transcripción, así que léelo con GET /v1/transcriptions/{id}/summary y espera mientras su state sea 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);
}
Cuando state es ready, title y summary contienen el texto. Una grabación de menos de un minuto nunca recibe un resumen (not_requested), lo que importa para los mensajes de voz: la mayoría son lo bastante cortos como para que la transcripción sea su propio resumen. A una llamada hecha sin summary se le puede dar uno más tarde con POST /v1/transcriptions/{id}/summarize. Los resúmenes están incluidos en todos los planes sin coste adicional.
GET /v1/transcriptions/{id}/export devuelve un archivo en uno de siete formatos: json, xlsx, pdf, srt, vtt, txt o md. Toda exportación incluye las correcciones y los nombres de hablante que hayas puesto. Para un equipo de soporte, dos de ellas hacen la mayor parte del trabajo.
JSON para tu propio código. La exportación JSON trae el name, el language, la durationS de la llamada y, con summary=true, su summary, y después segments: una entrada por línea, con start y end en segundos, speaker, speakerName, text, una confidence, si la línea fue corrected y las words con sus propios tiempos. Es suficiente para que un script construya una nota de CRM (el título, el resumen, el nombre del agente, la duración de la llamada) o extraiga todas las líneas que dijo el cliente.
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 para el revisor. La exportación XLSX tiene una hoja Transcript con una fila por línea y las columnas #, Start, End, Start (s), End (s), Speaker, Text, Confidence y Corrected. Con summary=true, la hoja About lleva el resumen junto al nombre, el idioma y la duración de la llamada. Un responsable de calidad puede filtrar las filas del agente, añadir una columna para puntuaciones o comentarios y guardar un libro por revisión.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
El soporte en más de un idioma funciona igual. Añade lang=en a una exportación y el archivo se lee en inglés, una línea por frase, traducida cuando la llamada era en español o polaco; un revisor que lee un solo idioma puede puntuar llamadas atendidas en varios. La exportación PDF va bien para quien quiere leer una llamada entera en papel, con hablantes y marcas de tiempo.
Una transcripción sigue en la cuenta después de exportarse, así que las llamadas forman una biblioteca. Las etiquetas las agrupan: crea una por cola o equipo con POST /v1/tags y ponla en las transcripciones con 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 busca después lo que se dijo en todas las llamadas, acotado por etiqueta y fecha: todas las llamadas de la cola de facturación de este mes en las que alguien dijo «cancel», cada coincidencia con su llamada y el segundo en que se dijo.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Todo lo anterior también funciona sin código. Un archivo subido en Transcriptions → New se etiqueta, se resume y se exporta desde su página, los hablantes se guardan en Speakers, y las etiquetas y la búsqueda están en la lista de Transcriptions.
Conviene conocer algunas carencias antes de configurar nada.
La retención depende del plan; la página de precios muestra cuánto tiempo se conservan el audio y las transcripciones en cada uno. Una transcripción se puede archivar, y una archivada se puede eliminar con POST /v1/transcriptions/{id}/purge, que la borra junto con todo su contenido de forma definitiva.
Con los precios de lanzamiento, las llamadas grabadas cuestan $0.20 por hora de audio, facturadas por segundo ($0.0033 el minuto), con un mínimo de 5 minutos por transcripción en Pay as you go (ninguno en Premium ni en Enterprise). Las tarifas actuales están en la página de precios. Las etiquetas de hablante, los nombres de hablante, los resúmenes, las traducciones y las exportaciones nunca suman a la factura.
Las llamadas de soporte suelen ser cortas, así que el mínimo decide más de la factura de un equipo de soporte que la tarifa. En Pay as you go:
En Premium y Enterprise no hay mínimo, así que cada llamada se factura por sus propios segundos: el mensaje de voz de 40 segundos cuesta una quinta parte de un centavo, y las 1,000 llamadas de tres minutos unos $10. Un equipo que atiende sobre todo llamadas cortas debería comparar los dos planes con la duración de sus propias llamadas.
Con los precios de lanzamiento, un equipo que graba 2,000 llamadas al mes con una media de 8 minutos envía 16,000 minutos de audio: unos $53 de crédito al mes en Premium, con resúmenes y hojas de cálculo incluidos. En Pay as you go, cada llamada de menos de 5 minutos suma a esa cifra.
La transcripción en directo cuesta más ($0.60 la hora con los precios de lanzamiento), porque sigue el ritmo de la llamada; si nadie necesita las palabras durante la llamada, transcribe la grabación después. Una cuenta nueva empieza con un crédito de registro único y no hace falta tarjeta, así que los pasos anteriores se pueden probar con un lote de tus propias llamadas antes de comprar nada.