Transkriptsioon eristab hääli, aga ei saa teada, milline neist on agent. Salvesta iga agent üks kord, ühest tema enda kõnest, ja iga järgmine kõne tuleb agendi nimega, kokkuvõttega üleval ja QA jaoks valmis tabeliga.
QA juht, kes vaatab tugikõnesid neid kuulates, jõuab päevas läbi paar tükki ja seitsmeminutiline kõne võtab seitse minutit, ükskõik kui kiiresti klõpsad. Tekstina loetuna on sama kõne umbes tuhat sõna, üks lehekülg, ja lehekülge saab silmitseda, otsida ja pileti sisse kleepida. Klienditeeninduse kõnede transkribeerimine muudab salvestused, mida sinu telefonisüsteem juba hoiab, selliseks lehekülgedeks. Kolm asja otsustavad, kas lehekülgedest on kasu: kas iga rida ütleb, kes rääkis, agent või klient; kas kõnega kaasneb lühike kokkuvõte, mida küsiti ja milles lepiti kokku; ja kas tulemus jõuab sinna, kus meeskond töötab, CRM-i märkusesse või QA tabelisse.
See artikkel käib selle töövoo läbi VocalStackiga: salvestatud kõned saadetakse API kaudu, agent tuntakse ära nime järgi, iga kõne kohta kirjutatakse kokkuvõte ning eksport tehakse JSON-i ja Excelisse. Samuti ütleb see otse välja, mida VocalStack tugimeeskonna jaoks ei tee, sest osa sellest on oluline enne esimese kõne üleslaadimist.
Enamik telefoni- ja kontaktikeskuse süsteeme saab kõnesalvestusi eksportida helifailidena või anda igaühele allalaadimislingi. Kumbki sobib. POST /v1/transcriptions võtab faili multipart-üleslaadimisena või JSON-i keha koos url-iga, mille server ise alla laeb. Failiõpetus käsitleb päringut üksikasjalikult; kõnede puhul on olulised need seaded, kõik settings sees:
speakerLabels: sea väärtuseks on, et kahe inimese kõne iga rida kannaks kõnelejat. Vaikeväärtus When Needed (auto) märgistab read alles siis, kui kuuldakse teist kõnelejat, mis sobib loengule paremini kui kõnele.summary ja title: mõlemad on välja lülitatud, kui sa neid ei küsi. Sisselülitatuna kirjutatakse pärast kõne transkribeerimist pealkiri ja lühike kokkuvõte.spokenLanguage: nimeta see, kui tead, näiteks järjekorras, mis võtab kõnesid vastu ainult ühes keeles. Kui jätad ära, tuvastatakse keel 100 hulgast.Üleslaadimine vastab kohe transkriptsiooni id-ga; sõnad tulevad veidi hiljem. Saada iga üleslaadimisega Idempotency-Key: sama võtme ja kehaga kordusüritus 24 tunni jooksul tagastab esimese transkriptsiooni, selle asemel et luua ja arveldada teine. Kõne enda id sinu telefonisüsteemist on loomulik võti.
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 ?? ''}`);
Ööpäeva salvestused saab üles laadida ühes tsüklis. Iga pakett määrab, kui mitu transkriptsiooni korraga töötab, ja sellest arvust suuremat faili ei keelduta: see luuakse, ootab olekus queued ja algab ise, kui varasem lõpeb. Piir, mille võid kätte saada, on transkriptsioonide arv, mille konto võib API kaudu tunnis alustada; iga paketi arvud on hinnalehel. Veebihaake (webhooks) pole, nii et sinu skript pärib iga tööd, kuni see on valmis, mida waitForJob sinu eest teeb.
Kõnelejasildid tulevad diarisatsioonist: salvestus jagatakse repliikideks ja repliigid rühmitatakse hääle järgi. Tagasi tuleb „Speaker 1” ja „Speaker 2”. Süsteem suudab kaht häält eristada, aga heli ise ei ütle, kumb neist on sinu töötaja. Diarisatsioon vs kõnetuvastus selgitab mehhanismi; tugikõnede jaoks on praktiline vastus salvestada iga agent üks kord.
Salvestatud kõneleja on nimega häälejälg. Kui see on olemas, võrdleb iga uus transkriptsioon kontos kuuldud hääli sinu salvestatud kõnelejatega ja vaste viib nime transkripti. Failid sobitatakse automaatselt, nii et agendi read saabuvad kui „Dana”, mitte „Speaker 1”. Klient jääb numbriga, kuni sa ta nimetad.
Võta häälejälg agendi enda kõnest, mitte laua taga tehtud salvestusest. Hääl peakomplektis vaikses ruumis ja sama hääl telefoniliinil võivad masinale kõlada vähem sarnaselt kui kaks erinevat inimest, keda on salvestatud ühtemoodi, ja häälejälg sobib kõige paremini heliga, mis sarnaneb sellele, millest see võeti. POST /v1/speakers/from-appearance salvestab kõneleja otse transkriptsioonist, kasutades näidisena selle kõneleja enda lõike kõnest. appearance on speaker indeks, mida tema read kannavad.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Kõneleja nii salvestamine hoiab ainult tema häälejälge, vähemalt 5 sekundist tema kõnet; kõne, kus agent räägib minuti või kauem, annab stabiilsema. Hääle kloonimine on eraldi samm, mis vajab inimese nõusolekut, ja tugitöövoos pole sellele vajadust.
Sellest hetkest ütleb valminud kõne transkript, kes tuvastati. GET /v1/transcriptions/{id}/transcript loetleb speakers ja salvestatud kõnelejaga sobitunud kõnelejal on identified: true ja salvestatud nimi. Ülejäänud saab nimetada ühe päringuga igaühe kohta, PUT /v1/transcriptions/{id}/appearances/{number}, kus number on kõneleja kuvatav number. Nimetus salvestatakse transkriptsiooni, nii et iga hilisem eksport loeb numbri asemel „Customer”.
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');
}
Käsitle „kõik tuvastamata on klient” rusikareeglina ja kontrolli seda oma kõnedel. Ümbersuunamine toob teise agendi, salvestatud menüüteade võib kõlada eraldi häälena ja agent, keda pole veel salvestatud, näeb välja täpselt nagu klient. Pane tähele ka seda, kuidas võrdlus on piiratud: iga transkriptsiooni võrreldakse 64 kõige hiljutisemalt uuendatud salvestatud kõnelejaga kontos, nii et suurem meeskond ei tohiks loota, et iga agent tuvastatakse igas kõnes.
Kaks telefoniheli omadust tasub teada, enne kui siltide üle otsustad. Kahekanaliline salvestus, kus agent on vasakul ja klient paremal, segatakse transkribeerimisel üheks kanaliks, nii et kõnelejad eristatakse häälte, mitte kanali järgi. Ja kitsaribaline telefoniliin ei kanna midagi üle umbes 3,4 kHz, mis eemaldab osa sellest, mis teeb kaks häält eristatavaks; lühikesed kattuvad repliigid („jah”, „mm-hmm”, „vabandust, jätka”) on koht, kus sildid kõige sagedamini eksivad.
Kui summary ja title on sees, saab iga kõne pealkirja ja mõne lause selle kohta, millest see oli, kui transkript on lõplik. See läheb piletisse, et järgmine agent teaks ajalugu midagi avamata. Kokkuvõte kirjutatakse pärast transkripti, nii et loe seda päringuga GET /v1/transcriptions/{id}/summary ja oota, kuni state on 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);
}
Kui state on ready, sisaldavad title ja summary teksti. Minutist lühem salvestus ei saa kunagi kokkuvõtet (not_requested), mis on oluline kõnepostis: enamik kõnepostisõnumeid on piisavalt lühikesed, et transkript on iseenda kokkuvõte. Kõnele, mis tehti ilma summary-ta, saab selle hiljem anda päringuga POST /v1/transcriptions/{id}/summarize. Kokkuvõtted on igas paketis lisatasuta.
GET /v1/transcriptions/{id}/export tagastab faili ühes seitsmest vormingust: json, xlsx, pdf, srt, vtt, txt või md. Iga eksport sisaldab parandusi ja sinu antud kõnelejanimesid. Tugimeeskonnale teevad põhitöö kaks neist.
JSON sinu enda koodile. JSON-eksport sisaldab kõne name, language, durationS ja summary=true korral selle summary, seejärel segments: üks kirje rea kohta, koos start ja end sekundites, speaker, speakerName, text, confidence, kas rida oli corrected, ja words oma ajavahemikega. See on piisav, et skript koostaks CRM-i märkuse (pealkiri, kokkuvõte, agendi nimi, kõne pikkus) või tõmbaks välja iga rea, mille klient ütles.
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 hindajale. XLSX-eksport sisaldab lehte Transcript, kus on üks rida iga rea kohta ja veerud #, Start, End, Start (s), End (s), Speaker, Text, Confidence ja Corrected. summary=true korral kannab leht About kokkuvõtet kõne nime, keele ja pikkuse kõrval. QA juht saab filtreerida agendi ridadele, lisada veeru hinnete või kommentaaride jaoks ja hoida ühe töövihiku iga ülevaatuse kohta.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Tugi mitmes keeles töötab samamoodi. Lisa ekspordile lang=en ja fail loeb inglise keeles, üks rida lause kohta, tõlgituna seal, kus kõne oli hispaania või poola keeles; hindaja, kes loeb ühte keelt, saab hinnata mitmes keeles vastu võetud kõnesid. PDF-eksport sobib sellele, kes tahab kogu kõnet paberilt lugeda, koos kõnelejate ja ajatemplitega.
Transkriptsioon jääb pärast eksporti kontole, nii et kõned koonduvad raamatukoguks. Sildid rühmitavad neid: loo üks iga järjekorra või meeskonna jaoks päringuga POST /v1/tags, seejärel pane see transkriptsioonidele päringuga 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 otsib siis seda, mida öeldi kõigis kõnedes, kitsendatuna sildi ja kuupäeva järgi: iga arvelduse järjekorra kõne sel kuul, kus keegi ütles „cancel”, iga tabamus oma kõne ja sekundiga, mil see öeldi.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Kõik ülaltoodu töötab ka ilma koodita. Fail, mis on üles laaditud kohas Transcriptions → New, sildistatakse, võetakse kokku ja eksporditakse oma lehelt, kõnelejad salvestatakse jaotises Speakers ning sildid ja otsing asuvad Transcriptions loendis.
Mõned lüngad tasub enne seadistamist teada.
Säilitamine sõltub paketist; hinnaleht näitab, kui kaua heli ja transkriptsioone igas säilitatakse. Transkriptsiooni saab arhiveerida ja arhiveeritu lõplikult kustutada päringuga POST /v1/transcriptions/{id}/purge, mis kustutab selle ja kõik selles lõplikult.
Käivitamishindadega maksavad salvestatud kõned $0.20 heli tunni eest, arveldatuna sekundi täpsusega ($0.0033 minutis), koos 5-minutilise miinimumiga transkriptsiooni kohta paketis Pay as you go (Premiumis ega Enterprise'is mitte). Praegused hinnad on hinnalehel. Kõnelejasildid, kõnelejate nimetamine, kokkuvõtted, tõlked ja ekspordid ei suurenda kunagi arvet.
Tugikõned on sageli lühikesed, nii et miinimum otsustab tugimeeskonna arvest rohkem kui hind. Paketis Pay as you go:
Premiumis ja Enterprise'is miinimumi pole, nii et iga kõne arveldatakse oma sekundite järgi: 40-sekundiline kõnepostisõnum maksab umbes viiendiku sendi ja 1000 kolmeminutilist kõnet umbes $10. Meeskond, kes võtab vastu peamiselt lühikesi kõnesid, peaks neid kahte võrdlema oma kõnepikkuste põhjal.
Käivitamishindadega saadab meeskond, kes salvestab 2000 kõnet kuus keskmiselt 8 minutit, 16 000 minutit heli: umbes $53 krediiti kuus Premiumis, kokkuvõtted ja tabelid kaasa arvatud. Paketis Pay as you go lisab sellele iga alla 5-minutiline kõne.
Otseülekande transkribeerimine maksab rohkem ($0.60 tunnis käivitamishindadega), sest see peab kõnega sammu; kui keegi ei vaja sõnu kõne ajal, transkribeeri salvestus pärast. Uus konto algab ühekordse registreerimiskrediidiga ja kaarti pole vaja, nii et ülaltoodud samme saab proovida omaenda kõnede partiil enne, kui midagi ostetakse.