رونویسی صداها را از هم جدا میکند اما نمیتواند بداند کدام یک کارشناس است. هر کارشناس را یک بار، از یکی از تماسهای خودش، ذخیره کنید و هر تماس بعدی با نام کارشناس، یک خلاصه در بالا و جدولی آمادهٔ کنترل کیفیت برمیگردد.
مسئول کنترل کیفیتی که تماسهای پشتیبانی را با گوشدادن بررسی میکند، در روز فقط از عهدهٔ چند تماس برمیآید و یک تماس هفتدقیقهای هرچقدر هم سریع کلیک کنید هفت دقیقه طول میکشد. همین تماس وقتی بهصورت متن خوانده شود حدود هزار کلمه است، یک صفحه، و یک صفحه را میشود سرسری مرور کرد، در آن جستوجو کرد و در یک تیکت چسباند. رونویسی تماسهای خدمات مشتریان، ضبطهایی را که سامانهٔ تلفن شما از قبل نگه میدارد به این صفحهها تبدیل میکند. سه چیز تعیین میکند این صفحهها به کار میآیند یا نه: اینکه هر سطر بگوید چه کسی صحبت کرده، کارشناس یا مشتری؛ اینکه تماس با یک خلاصهٔ کوتاه از آنچه خواسته شد و آنچه توافق شد همراه باشد؛ و اینکه نتیجه به جایی برسد که تیم در آن کار میکند، یک یادداشت CRM یا یک جدول کنترل کیفیت.
این مقاله آن گردش کار را با VocalStack مرور میکند: تماسهای ضبطشده که از طریق API فرستاده میشوند، کارشناسی که با نام شناسایی میشود، خلاصهای که برای هر تماس نوشته میشود، و خروجی در JSON و Excel. همچنین صریح میگوید VocalStack چه کارهایی را برای یک تیم پشتیبانی انجام نمیدهد، چون بعضی از آنها پیش از بارگذاری اولین تماس اهمیت دارند.
بیشتر سامانههای تلفن و مرکز تماس میتوانند ضبط تماسها را بهصورت فایل صوتی خروجی بدهند یا برای هرکدام یک پیوند دانلود بدهند. هر دو کار میکنند. POST /v1/transcriptions یک فایل را بهصورت بارگذاری multipart میپذیرد، یا یک بدنهٔ JSON با url که خود سرور آن را دریافت میکند. آموزش فایل فراخوانی را با جزئیات میپوشاند؛ برای تماسها این تنظیمات مهماند، همه داخل settings:
speakerLabels: آن را روی on بگذارید تا هر سطر تماس دو نفره یک گوینده داشته باشد. پیشفرض، When Needed (auto)، سطرها را فقط وقتی گویندهی دوم شنیده شد برچسب میزند، که برای یک سخنرانی مناسبتر از یک تماس است.summary و title: هر دو خاموشاند مگر اینکه بخواهید. وقتی روشن باشند، پس از رونویسی تماس یک عنوان و یک خلاصهٔ کوتاه برایش نوشته میشود.spokenLanguage: وقتی میدانید مشخصش کنید، مثلاً در صفی که فقط تماسهای یک زبان را میپذیرد. اگر حذفش کنید، زبان از میان 100 زبان تشخیص داده میشود.بارگذاری بلافاصله با یک شناسهٔ رونویسی پاسخ میدهد؛ کلمات کمی بعد میرسند. با هر بارگذاری یک Idempotency-Key بفرستید: تلاش مجدد با همان کلید و بدنه در عرض 24 ساعت، بهجای ساختن و صورتحسابکردن رونویسی دوم، رونویسی اول را برمیگرداند. شناسهٔ خود تماس در سامانهٔ تلفن شما کلیدی طبیعی است.
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 ?? ''}`);
ضبطهای یک شب را میتوان در یک حلقه بارگذاری کرد. هر طرح تعیین میکند چند رونویسی همزمان اجرا شوند و فایلی که از این عدد بیشتر باشد رد نمیشود: ساخته میشود، در وضعیت queued منتظر میماند و وقتی رونویسی قبلی تمام شد خودش شروع میشود. حدی که ممکن است به آن برسید تعداد رونویسیهایی است که یک حساب میتواند در یک ساعت از طریق API شروع کند؛ ارقام هر طرح در صفحهٔ قیمتها است. وبهوک وجود ندارد، پس اسکریپت شما هر کار را تا پایان یافتن پیگیری میکند، که waitForJob برایتان انجام میدهد.
برچسبهای گوینده از تشخیص گوینده (diarization) میآیند: ضبط به نوبتهای گفتار تقسیم میشود و نوبتها بر اساس صدا گروهبندی میشوند. آنچه برمیگردد «Speaker 1» و «Speaker 2» است. سامانه میتواند دو صدا را از هم تشخیص دهد، اما هیچ چیز در صدا نمیگوید کدام یک برای شما کار میکند. تشخیص گوینده در برابر تشخیص گفتار سازوکار را توضیح میدهد؛ برای تماسهای پشتیبانی، پاسخ عملی این است که هر کارشناس را یک بار ذخیره کنید.
یک گویندهی ذخیرهشده اثر انگشت صدایی با یک نام است. وقتی وجود داشته باشد، هر رونویسی جدید در حساب، صداهایی را که میشنود با گویندههای ذخیرهشدهٔ شما مقایسه میکند و یک تطابق نام را به رونوشت میبرد. فایلها بهطور خودکار تطبیق داده میشوند، پس سطرهای کارشناس بهجای «Speaker 1» با نام «Dana» میرسند. مشتری تا وقتی نامش را نگذارید شمارهدار میماند.
اثر انگشت را از یکی از تماسهای خود کارشناس بگیرید، نه از ضبطی که پشت میز انجام شده. یک صدا روی هدست در اتاقی ساکت و همان صدا روی خط تلفن ممکن است برای ماشین کمتر از دو نفر متفاوتی که به یک شکل ضبط شدهاند شبیه باشد، و اثر انگشت بهتر از همه با صوتی تطبیق میکند که شبیه صوتی باشد که از آن گرفته شده است. POST /v1/speakers/from-appearance یک گوینده را مستقیم از یک رونویسی ذخیره میکند و بخشهای خود آن گوینده از تماس را بهعنوان نمونه به کار میبرد. appearance همان اندیس speaker است که سطرهای او دارند.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
ذخیرهٔ گوینده به این شکل فقط اثر انگشت او را نگه میدارد، از دستکم 5 ثانیه از گفتارش؛ تماسی که کارشناس یک دقیقه یا بیشتر در آن صحبت میکند اثر انگشت پایدارتری میدهد. شبیهسازی صدا مرحلهای جداست که به رضایت فرد نیاز دارد و گردش کار پشتیبانی هیچ استفادهای از آن ندارد.
از آن پس، رونوشت یک تماس تمامشده میگوید چه کسی شناسایی شده است. GET /v1/transcriptions/{id}/transcript فهرست speakers را میدهد و گویندهای که با یک گویندهی ذخیرهشده تطبیق یافته identified: true و نام ذخیرهشده را دارد. بقیه را میتوان با یک فراخوانی برای هرکدام نامگذاری کرد، PUT /v1/transcriptions/{id}/appearances/{number}، که number شمارهٔ نمایشی گوینده است. نامگذاری روی رونویسی ذخیره میشود، پس هر خروجی بعد از آن بهجای شماره «Customer» میخواند.
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');
}
«هر کس شناسایی نشد مشتری است» را یک قاعدهٔ سرانگشتی بدانید و روی تماسهای خودتان بررسیاش کنید. یک انتقال تماس کارشناس دوم میآورد، یک پیام ضبطشدهٔ منو ممکن است صدای جداگانهای شنیده شود، و کارشناسی که هنوز ذخیره نشده دقیقاً مثل مشتری به نظر میرسد. به این هم توجه کنید که مقایسه چگونه محدود شده است: هر رونویسی با 64 گویندهی ذخیرهشدهای مقایسه میشود که اخیراً از همه در حساب بهروزرسانی شدهاند، پس تیمی بزرگتر از این نباید روی شناسایی هر کارشناس در هر تماس حساب کند.
دو ویژگی صدای تلفنی را پیش از قضاوت دربارهٔ برچسبها باید دانست. ضبط دو کاناله، با کارشناس در چپ و مشتری در راست، هنگام رونویسی به یک کانال تبدیل میشود، پس گویندهها بر اساس صدایشان جدا میشوند، نه کانال. و خط تلفن باند باریک چیزی بالاتر از حدود 3.4 kHz نمیرساند، که بخشی از آنچه دو صدا را از هم متمایز میکند حذف میکند؛ نوبتهای کوتاه همپوشان («yes»، «mm-hm»، «sorry, go on») جاهاییاند که برچسبها بیشتر از همه اشتباه میکنند.
وقتی summary و title روشن باشند، هر تماس بهمحض نهاییشدن رونوشت یک عنوان و چند جمله دربارهٔ موضوعش میگیرد. این همان چیزی است که در تیکت میرود، تا کارشناس بعدی بدون باز کردن چیز دیگری تاریخچه را بداند. خلاصه بعد از رونوشت نوشته میشود، پس آن را با GET /v1/transcriptions/{id}/summary بخوانید و تا وقتی state آن pending است صبر کنید:
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);
}
وقتی state برابر ready شد، title و summary متن را دارند. ضبطی کوتاهتر از یک دقیقه هرگز خلاصه نمیگیرد (not_requested)، که برای پیامهای صوتی مهم است: بیشتر پیامهای صوتی آنقدر کوتاهاند که رونوشت خودش خلاصهاش است. تماسی که بدون summary انجام شده را میتوان بعداً با POST /v1/transcriptions/{id}/summarize خلاصهدار کرد. خلاصهها در هر طرح بدون هزینهٔ اضافه گنجانده شدهاند.
GET /v1/transcriptions/{id}/export فایلی را در یکی از هفت قالب برمیگرداند: json، xlsx، pdf، srt، vtt، txt یا md. هر خروجی اصلاحها و نامهایی را که به گویندهها دادهاید شامل میشود. برای یک تیم پشتیبانی، دو تای آنها بیشتر کار را انجام میدهند.
JSON برای کد خودتان. خروجی JSON شامل name، language و durationS تماس و، با summary=true، summary آن است، سپس segments: یک ورودی برای هر سطر، با start و end بر حسب ثانیه، speaker، speakerName، text، یک confidence، اینکه آیا سطر corrected بوده و words با زمانبندی خودشان. این برای اینکه یک اسکریپت یادداشت CRM بسازد (عنوان، خلاصه، نام کارشناس، طول تماس) یا همهٔ سطرهایی را که مشتری گفته بیرون بکشد کافی است.
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 برای بازبین. خروجی XLSX یک برگهٔ Transcript دارد با یک ردیف برای هر سطر و ستونهای #، Start، End، Start (s)، End (s)، Speaker، Text، Confidence و Corrected. با summary=true، برگهٔ About خلاصه را کنار نام، زبان و طول تماس دارد. مسئول کنترل کیفیت میتواند ردیفهای کارشناس را فیلتر کند، ستونی برای امتیاز یا نظر اضافه کند و برای هر بازبینی یک کتاب کار نگه دارد.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
پشتیبانی به بیش از یک زبان هم به همین شکل کار میکند. lang=en را به یک خروجی اضافه کنید و فایل به انگلیسی خوانده میشود، یک سطر برای هر جمله، با ترجمه جایی که تماس به اسپانیایی یا لهستانی بوده؛ بازبینی که یک زبان میخواند میتواند تماسهایی را که به چند زبان انجام شده امتیاز دهد. خروجی PDF برای کسی مناسب است که میخواهد کل یک تماس را روی کاغذ بخواند، با گویندهها و زمانها.
یک رونویسی پس از خروجیگرفتن هم در حساب میماند، پس تماسها به یک کتابخانه تبدیل میشوند. برچسبها آنها را گروهبندی میکنند: با POST /v1/tags برای هر صف یا تیم یکی بسازید، سپس با POST /v1/tags/{id}/transcriptions روی رونویسیها بگذارید.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search بعد آنچه را در همهٔ تماسها گفته شده جستوجو میکند، با محدودسازی بر اساس برچسب و تاریخ: هر تماس صف صورتحساب در این ماه که در آن کسی «cancel» گفته، هر نتیجه با تماس و ثانیهای که گفته شده.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
همهٔ آنچه بالا آمد بدون کد هم کار میکند. فایلی که در Transcriptions → New بارگذاری شود از صفحهٔ خودش برچسب میخورد، خلاصه میشود و خروجی میگیرد، گویندهها زیر Speakers ذخیره میشوند و برچسبها و جستوجو در فهرست Transcriptions هستند.
بعضی خلأها را باید پیش از هر راهاندازی دانست.
مدت نگهداری به طرح بستگی دارد؛ صفحهٔ قیمتها نشان میدهد صدا و رونویسیها در هر طرح چه مدت نگه داشته میشوند. یک رونویسی را میتوان بایگانی کرد و رونویسی بایگانیشده را با POST /v1/transcriptions/{id}/purge پاک کرد، که آن را با هر آنچه در آن است برای همیشه حذف میکند.
با قیمتهای زمان عرضه، تماسهای ضبطشده بهازای هر ساعت صدا $0.20 هزینه دارند، ثانیهای حساب میشوند ($0.0033 در دقیقه)، با حداقل 5 دقیقه برای هر رونویسی در طرح پرداخت بهازای مصرف (در Premium و Enterprise نیست). نرخهای فعلی در صفحهٔ قیمتها است. برچسب گوینده، نامگذاری گوینده، خلاصهها، ترجمهها و خروجیها هرگز به صورتحساب اضافه نمیکنند.
تماسهای پشتیبانی اغلب کوتاهاند، پس حداقل بیش از نرخ در صورتحساب یک تیم پشتیبانی نقش دارد. در پرداخت بهازای مصرف:
در Premium و Enterprise حداقلی وجود ندارد، پس هر تماس بر اساس ثانیههای خودش حساب میشود: پیام صوتی 40 ثانیهای حدود یکپنجم سنت و 1,000 تماس سهدقیقهای حدود $10 هزینه دارد. تیمی که بیشتر تماسهای کوتاه میگیرد باید این دو را روی طول تماسهای خودش مقایسه کند.
با قیمتهای زمان عرضه، تیمی که ماهانه 2,000 تماس با میانگین 8 دقیقه ضبط میکند 16,000 دقیقه صدا میفرستد: در Premium حدود $53 اعتبار در ماه، با خلاصهها و جدولها. در پرداخت بهازای مصرف، هر تماس کوتاهتر از 5 دقیقه چیزی به این مبلغ اضافه میکند.
رونویسی زنده گرانتر است ($0.60 در ساعت با قیمتهای زمان عرضه)، چون همگام با تماس پیش میرود؛ اگر کسی در حین تماس به کلمات نیاز ندارد، ضبط را بعداً رونویسی کنید. یک حساب جدید با اعتبار یکبارهٔ ثبتنام شروع میشود و کارت لازم نیست، پس میتوان مراحل بالا را پیش از خریدن هر چیزی روی مجموعهای از تماسهای خودتان آزمود.