Litteraatti erottaa äänet toisistaan, mutta ei voi tietää, mikä niistä on agentin. Tallenna jokainen agentti kerran yhdestä hänen omasta puhelustaan, niin jokainen sen jälkeinen puhelu palaa agentti nimettynä, yhteenveto ylhäällä ja laadunvarmistukseen valmis taulukko mukana.
Laadunvarmistuksesta vastaava, joka käy läpi asiakastukipuheluita kuuntelemalla, ehtii päivässä käsitellä kourallisen, ja seitsemän minuutin puhelu kestää seitsemän minuuttia kuinka nopeasti tahansa klikkaat. Tekstinä luettuna sama puhelu on noin tuhat sanaa, yksi sivu, ja sivun voi silmäillä, hakea ja liittää tikettiin. Asiakaspalvelupuheluiden litterointi muuttaa tallenteet, joita puhelinjärjestelmäsi jo säilyttää, tällaisiksi sivuiksi. Kolme asiaa ratkaisee, ovatko sivut hyödyllisiä: kertooko jokainen rivi, kuka puhui, agentti vai asiakas; tuleeko puhelun mukana lyhyt yhteenveto siitä, mitä pyydettiin ja mitä sovittiin; ja päätyykö tulos sinne, missä tiimi työskentelee, CRM-merkintään tai laadunvarmistuksen taulukkoon.
Tämä artikkeli käy läpi tämän työnkulun VocalStackilla: API:n kautta lähetetyt tallennetut puhelut, agentti tunnistettuna nimellä, jokaiselle puhelulle kirjoitettu yhteenveto sekä viennit JSON- ja Excel-muotoon. Siinä myös kerrotaan suoraan, mitä VocalStack ei tee tukitiimille, koska osalla siitä on merkitystä jo ennen ensimmäisen puhelun lataamista.
Useimmat puhelin- ja yhteydenottokeskusjärjestelmät voivat viedä puhelutallenteet äänitiedostoina tai antaa jokaiselle latauslinkin. Kumpikin käy. POST /v1/transcriptions ottaa tiedoston multipart-latauksena tai JSON-rungon, jossa on url, jonka palvelin noutaa itse. Tiedosto-opas käsittelee kutsun tarkemmin; puheluissa nämä asetukset ovat tärkeitä, kaikki settings-kentän sisällä:
speakerLabels: aseta arvoksi on, jotta kahden hengen puhelun jokaisella rivillä on puhuja. Oletus, When Needed (auto), merkitsee rivit vasta kun toinen puhuja on kuultu, mikä sopii luentoon paremmin kuin puheluun.summary ja title: molemmat ovat pois päältä, ellet pyydä niitä. Kun ne ovat päällä, puhelulle kirjoitetaan otsikko ja lyhyt yhteenveto sen jälkeen, kun se on litteroitu.spokenLanguage: nimeä se, kun tiedät sen, esimerkiksi jonossa, joka ottaa vastaan vain yhdellä kielellä käytäviä puheluita. Jätä pois, niin kieli tunnistetaan 100 kielen joukosta.Lataus vastaa heti litterointitunnisteella; sanat tulevat hieman myöhemmin. Lähetä jokaisen latauksen mukana Idempotency-Key: uusinta samalla avaimella ja samalla rungolla 24 tunnin sisällä palauttaa ensimmäisen litteroinnin sen sijaan, että tekisi ja laskuttaisi toisen. Puhelun oma tunniste puhelinjärjestelmästäsi on luonteva avain.
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 ?? ''}`);
Yön tallenteet voi ladata yhdessä silmukassa. Jokainen paketti määrää, montako litterointia on käynnissä yhtä aikaa, eikä tämän määrän ylittävää tiedostoa hylätä: se luodaan, odottaa tilassa queued ja käynnistyy itsestään, kun aiempi päättyy. Raja, johon voit törmätä, on litterointien määrä, jonka tili saa käynnistää API:n kautta tunnissa; kunkin paketin luvut ovat hinnoittelusivulla. Webhookeja ei ole, joten skriptisi kyselee jokaista tehtävää, kunnes se on valmis, minkä waitForJob tekee puolestasi.
Puhujatunnisteet tulevat puhujantunnistuksesta (diarisaatiosta): tallenne jaetaan vuoroihin, ja vuorot ryhmitellään äänen mukaan. Tuloksena on "Speaker 1" ja "Speaker 2". Järjestelmä osaa erottaa kaksi ääntä toisistaan, mutta äänessä ei ole mitään, mikä kertoisi, kumpi on sinun palkkaamasi. Puhujantunnistus vs puheentunnistus selittää mekaniikan; tukipuheluissa käytännön vastaus on tallentaa jokainen agentti kerran.
Tallennettu puhuja on äänen sormenjälki nimellä. Kun se on olemassa, jokainen tilin uusi litterointi vertaa kuulemiaan ääniä tallennettuihin puhujiisi, ja osuma tuo nimen litteraattiin. Tiedostot täsmäytetään automaattisesti, joten agentin rivit tulevat nimellä "Dana" nimen "Speaker 1" sijaan. Asiakas pysyy numeroituna, kunnes nimeät hänet.
Ota sormenjälki agentin omasta puhelusta, älä pöydän ääressä tehdystä tallenteesta. Kuulokkeilla hiljaisessa huoneessa kuultu ääni ja sama ääni puhelinlinjalla voivat kuulostaa koneelle vähemmän samalta kuin kaksi eri ihmistä, jotka on tallennettu samalla tavalla, ja sormenjälki täsmää parhaiten ääneen, joka muistuttaa sitä, mistä se otettiin. POST /v1/speakers/from-appearance tallentaa puhujan suoraan litteroinnista käyttäen puhujan omia puhelun jaksoja näytteenä. appearance on speaker-indeksi, joka hänen riveillään on.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Puhujan tallentaminen näin säilyttää vain hänen sormenjälkensä vähintään 5 sekunnin puheesta; puhelu, jossa agentti puhuu minuutin tai kauemmin, antaa vakaamman. Äänen kloonaus on erillinen vaihe, joka vaatii henkilön suostumuksen, eikä tukityönkulku tarvitse sitä mihinkään.
Siitä lähtien valmiin puhelun litteraatti kertoo, ketkä tunnistettiin. GET /v1/transcriptions/{id}/transcript luettelee speakers-kentän, ja tallennettuun puhujaan täsmännyt puhuja saa arvon identified: true ja tallennetun nimen. Loput voi nimetä yhdellä kutsulla kukin, PUT /v1/transcriptions/{id}/appearances/{number}, jossa number on puhujan näyttönumero. Nimeäminen tallentuu litterointiin, joten jokainen sen jälkeinen vienti sanoo "Customer" numeron sijaan.
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');
}
Pidä sääntöä "jokainen tunnistamaton on asiakas" nyrkkisääntönä ja tarkista se omista puheluistasi. Siirto tuo mukaan toisen agentin, nauhoitettu valikkoääni voidaan kuulla omana äänenään, ja agentti, jota ei ole vielä tallennettu, näyttää täsmälleen asiakkaalta. Huomaa myös, miten vertailu on rajattu: jokaista litterointia verrataan 64:ään tilin viimeksi päivitettyyn tallennettuun puhujaan, joten sitä suuremman tiimin ei pidä luottaa siihen, että jokainen agentti tunnistetaan jokaisessa puhelussa.
Kaksi puhelinäänen ominaisuutta kannattaa tietää ennen kuin arvioit tunnisteita. Kaksikanavainen tallenne, jossa agentti on vasemmalla ja asiakas oikealla, sekoitetaan yhdelle kanavalle litteroitaessa, joten puhujat erotetaan äänestä, ei kanavasta. Ja kapeakaistainen puhelinlinja ei välitä mitään noin 3.4 kHz:n yläpuolelta, mikä poistaa osan siitä, mikä tekee kahdesta äänestä erilaisen; lyhyissä, päällekkäisissä vuoroissa ("yes", "mm-hm", "sorry, go on") tunnisteet menevät useimmin väärin.
Kun summary ja title ovat päällä, jokainen puhelu saa otsikon ja muutaman lauseen siitä, mistä oli kyse, kun litteraatti on lopullinen. Se menee tikettiin, jotta seuraava agentti tietää historian avaamatta mitään. Yhteenveto kirjoitetaan litteraatin jälkeen, joten lue se kutsulla GET /v1/transcriptions/{id}/summary ja odota, kunnes sen state ei ole enää 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);
}
Kun state on ready, title ja summary sisältävät tekstin. Alle minuutin mittainen tallenne ei koskaan saa yhteenvetoa (not_requested), millä on merkitystä vastaajaviesteille: useimmat niistä ovat niin lyhyitä, että litteraatti on oma yhteenvetonsa. Puhelulle, joka tehtiin ilman summary-asetusta, voi antaa sellaisen myöhemmin kutsulla POST /v1/transcriptions/{id}/summarize. Yhteenvedot sisältyvät kaikkiin paketteihin ilman lisämaksua.
GET /v1/transcriptions/{id}/export palauttaa tiedoston yhdessä seitsemästä muodosta: json, xlsx, pdf, srt, vtt, txt tai md. Jokainen vienti sisältää korjaukset ja antamasi puhujien nimet. Tukitiimille kaksi niistä tekee suurimman osan työstä.
JSON omalle koodillesi. JSON-vienti sisältää puhelun name, language, durationS ja, kun summary=true, sen summary, sitten segments: yksi merkintä riviä kohden, start ja end sekunteina, speaker, speakerName, text, confidence, onko rivi corrected, sekä words omine ajoituksineen. Se riittää skriptille, joka rakentaa CRM-merkinnän (otsikko, yhteenveto, agentin nimi, puhelun pituus) tai poimii jokaisen rivin, jonka asiakas sanoi.
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 tarkastajalle. XLSX-viennissä on Transcript-välilehti, jossa on yksi rivi per puherivi ja sarakkeet #, Start, End, Start (s), End (s), Speaker, Text, Confidence ja Corrected. Kun summary=true, About-välilehdellä on yhteenveto puhelun nimen, kielen ja pituuden vieressä. Laadunvarmistuksesta vastaava voi suodattaa agentin rivit, lisätä sarakkeen pisteille tai kommenteille ja pitää yhtä työkirjaa per tarkastus.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Tuki useammalla kielellä toimii samoin. Lisää vientiin lang=en, niin tiedosto luetaan englanniksi, yksi rivi per lause, käännettynä siellä, missä puhelu oli espanjaksi tai puolaksi; yhtä kieltä lukeva tarkastaja voi pisteyttää useilla kielillä hoidettuja puheluita. PDF-vienti sopii sille, joka haluaa lukea koko puhelun paperilta puhujien ja aikaleimojen kanssa.
Litterointi pysyy tilillä viennin jälkeen, joten puheluista kertyy kirjasto. Tunnisteet (tags) ryhmittelevät ne: luo yksi per jono tai tiimi kutsulla POST /v1/tags ja lisää se litterointeihin kutsulla 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 hakee sitten sanottua kaikista puheluista, rajattuna tunnisteella ja päivämäärällä: jokainen tämän kuun laskutusjonon puhelu, jossa joku sanoi "cancel", kukin osuma mukanaan puhelu ja sekunti, jolloin se sanottiin.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Kaikki yllä oleva toimii myös ilman koodia. Kohdassa Transcriptions → New ladattu tiedosto nimetään, tiivistetään ja viedään sen omalta sivulta, puhujat tallennetaan kohdassa Puhujat, ja tunnisteet ja haku ovat Transcriptions-luettelossa.
Joistakin aukoista kannattaa tietää ennen kuin mitään otetaan käyttöön.
Säilytysaika riippuu paketista; hinnoittelusivulla näkyy, kuinka kauan äänen ja litterointien säilytys kestää kussakin. Litteroinnin voi arkistoida, ja arkistoidun voi poistaa lopullisesti kutsulla POST /v1/transcriptions/{id}/purge, joka poistaa sen ja kaiken sen sisällön lopullisesti.
Julkaisuhinnoilla tallennetut puhelut maksavat $0.20 äänitunnilta, laskutettuna sekunnin tarkkuudella ($0.0033 minuutilta), ja Pay as you go -paketissa on 5 minuutin vähimmäismaksu litterointia kohden (Premiumissa tai Enterprisessa ei ole). Voimassa olevat hinnat ovat hinnoittelusivulla. Puhujatunnisteet, puhujien nimeäminen, yhteenvedot, käännökset ja viennit eivät koskaan lisää laskua.
Tukipuhelut ovat usein lyhyitä, joten vähimmäismaksu ratkaisee tukitiimin laskusta enemmän kuin hinta. Pay as you go -paketissa:
Premiumissa ja Enterprisessa vähimmäismaksua ei ole, joten jokainen puhelu laskutetaan omien sekuntiensa mukaan: 40 sekunnin vastaajaviesti maksaa noin viidesosan sentistä ja 1,000 kolmen minuutin puhelua noin $10. Tiimin, joka ottaa enimmäkseen lyhyitä puheluita, kannattaa verrata näitä kahta omilla puhelupituuksillaan.
Julkaisuhinnoilla tiimi, joka tallentaa 2,000 puhelua kuukaudessa keskipituudeltaan 8 minuuttia, lähettää 16,000 minuuttia ääntä: noin $53 krediittiä kuukaudessa Premiumissa, yhteenvedot ja taulukot mukaan lukien. Pay as you go -paketissa jokainen alle 5 minuutin puhelu lisää tähän.
Suora litterointi maksaa enemmän ($0.60 tunnilta julkaisuhinnoilla), koska se pysyy puhelun tahdissa; jos kukaan ei tarvitse sanoja puhelun aikana, litteroi tallenne jälkikäteen. Uusi tili saa kertaluonteisen rekisteröitymiskrediitin eikä korttia tarvita, joten yllä olevia vaiheita voi kokeilla omilla puhelueräsi ennen kuin mitään ostetaan.