Une transcription distingue les voix mais ne peut pas savoir laquelle est celle de l’agent. Enregistrez chaque agent une fois, à partir d’un de ses appels, et chaque appel suivant revient avec l’agent nommé, un résumé en tête et un tableur prêt pour le contrôle qualité.
Un responsable qualité qui contrôle les appels du support en les écoutant en traite une poignée par jour, et un appel de sept minutes dure sept minutes, quelle que soit la vitesse de vos clics. Lu comme du texte, le même appel fait environ mille mots, une page, et une page se survole, se fouille et se colle dans un ticket. La transcription des appels du service client transforme en pages de ce genre les enregistrements que votre système téléphonique conserve déjà. Trois choses décident de leur utilité : que chaque ligne dise qui parle, l’agent ou le client ; que l’appel arrive avec un court résumé de ce qui a été demandé et de ce qui a été convenu ; et que le résultat atterrisse là où l’équipe travaille, dans une note du CRM ou dans un tableur de contrôle qualité.
Cet article déroule ce flux de travail avec VocalStack : des appels enregistrés envoyés par l’API, l’agent reconnu par son nom, un résumé rédigé pour chaque appel, et des exports en JSON et en Excel. Il dit aussi sans détour ce que VocalStack ne fait pas pour une équipe de support, car certains points comptent avant même le premier appel envoyé.
La plupart des systèmes téléphoniques et des centres de contact peuvent exporter les enregistrements d’appels sous forme de fichiers audio, ou donner un lien de téléchargement pour chacun. Les deux marchent. POST /v1/transcriptions accepte un fichier en envoi multipart, ou un corps JSON avec une url que le serveur récupère lui-même. Le tutoriel sur les fichiers détaille l’appel ; pour les appels téléphoniques, ces réglages comptent, tous dans settings :
speakerLabels : mettez-le sur on, pour que chaque ligne d’un appel à deux porte un locuteur. Le réglage par défaut, When Needed (auto), n’étiquette les lignes qu’à partir du moment où un second locuteur est entendu, ce qui convient mieux à une conférence qu’à un appel.summary et title : les deux sont désactivés sauf demande. Activés, un titre et un court résumé sont rédigés pour l’appel une fois transcrit.spokenLanguage : indiquez-la quand vous la connaissez, comme dans une file qui ne reçoit que des appels dans une langue. Si vous l’omettez, la langue est détectée parmi 100.L’envoi répond aussitôt avec un identifiant de transcription ; les mots arrivent un peu plus tard. Joignez un Idempotency-Key à chaque envoi : une nouvelle tentative avec la même clé et le même corps dans les 24 heures renvoie la première transcription au lieu d’en créer, et d’en facturer, une seconde. L’identifiant de l’appel dans votre système téléphonique fait une clé toute trouvée.
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 ?? ''}`);
Les enregistrements d’une nuit peuvent partir dans une seule boucle. Chaque formule fixe le nombre de transcriptions qui tournent en même temps, et un fichier au-delà de ce nombre n’est pas refusé : il est créé, attend à l’état queued et démarre tout seul quand une précédente se termine. La limite que vous pouvez atteindre est le nombre de transcriptions qu’un compte peut lancer par l’API en une heure ; les chiffres de chaque formule figurent sur la page tarifs. Il n’y a pas de webhooks : votre script interroge donc chaque tâche jusqu’à son terme, ce que fait waitForJob à votre place.
Les étiquettes de locuteurs viennent de la diarisation : l’enregistrement est découpé en tours de parole, et les tours sont regroupés par voix. On obtient « Speaker 1 » et « Speaker 2 ». Le système sait distinguer deux voix, mais rien dans le son ne dit laquelle appartient à votre personnel. Diarisation et reconnaissance vocale explique le mécanisme ; pour des appels de support, la réponse pratique est d’enregistrer chaque agent une fois.
Un locuteur enregistré est une empreinte vocale avec un nom. Une fois qu’il existe, chaque nouvelle transcription du compte compare les voix entendues à vos locuteurs enregistrés, et une correspondance reporte le nom dans la transcription. Les fichiers sont appariés automatiquement : les lignes de l’agent arrivent donc sous « Dana » au lieu de « Speaker 1 ». Le client reste numéroté tant que vous ne l’avez pas nommé.
Prenez l’empreinte sur un des appels de l’agent plutôt que sur un enregistrement fait à son bureau. Une voix au casque dans une pièce calme et la même voix sur une ligne téléphonique peuvent sonner moins semblables, pour une machine, que deux personnes différentes enregistrées de la même façon, et l’empreinte correspond le mieux à un son qui ressemble à celui d’où elle vient. POST /v1/speakers/from-appearance enregistre un locuteur directement à partir d’une transcription, en prenant comme échantillon ses propres passages de l’appel. appearance est l’indice speaker que portent ses lignes.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Enregistrer un locuteur de cette façon ne conserve que son empreinte, à partir d’au moins 5 secondes de sa parole ; un appel où l’agent parle une minute ou plus en donne une plus stable. Le clonage de voix est une étape distincte qui exige le consentement de la personne, et un flux de support n’en a aucun usage.
À partir de là, la transcription d’un appel terminé vous dit qui a été reconnu. GET /v1/transcriptions/{id}/transcript liste les speakers, et un locuteur apparié à un locuteur enregistré a identified: true et le nom enregistré. Les autres peuvent être nommés en un appel chacun, PUT /v1/transcriptions/{id}/appearances/{number}, où number est le numéro affiché du locuteur. Le nom est conservé sur la transcription : tous les exports suivants affichent donc « Customer » à la place d’un numéro.
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');
}
Prenez « tout locuteur non reconnu est le client » comme règle empirique, et vérifiez-la sur vos propres appels. Un transfert amène un second agent, un message d’accueil enregistré peut être entendu comme une voix à part, et un agent qui n’a pas encore été enregistré ressemble exactement à un client. Notez aussi comment la comparaison est bornée : chaque transcription est comparée aux 64 locuteurs enregistrés les plus récemment mis à jour du compte, si bien qu’une équipe plus grande ne doit pas compter sur la reconnaissance de chaque agent à chaque appel.
Deux propriétés de l’audio téléphonique valent d’être connues avant de juger les étiquettes. Un enregistrement à deux canaux, l’agent à gauche et le client à droite, est mélangé en un seul canal à la transcription : les locuteurs sont donc séparés par leur voix, non par leur canal. Et une ligne téléphonique à bande étroite ne transporte rien au-delà d’environ 3,4 kHz, ce qui retire une partie de ce qui distingue deux voix ; les tours courts qui se chevauchent (« yes », « mm-hm », « sorry, go on ») sont l’endroit où les étiquettes se trompent le plus souvent.
Avec summary et title activés, chaque appel reçoit un titre et quelques phrases sur son objet une fois la transcription définitive. C’est ce qui va dans le ticket, pour que l’agent suivant connaisse l’historique sans rien ouvrir. Le résumé est rédigé après la transcription : lisez-le avec GET /v1/transcriptions/{id}/summary et attendez tant que son state est 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);
}
Quand state vaut ready, title et summary contiennent le texte. Un enregistrement de moins d’une minute n’a jamais de résumé (not_requested), ce qui concerne les messages vocaux : la plupart sont assez courts pour que la transcription soit son propre résumé. Un appel traité sans summary peut en recevoir un plus tard avec POST /v1/transcriptions/{id}/summarize. Les résumés sont inclus dans toutes les formules sans supplément.
GET /v1/transcriptions/{id}/export renvoie un fichier dans l’un de sept formats : json, xlsx, pdf, srt, vtt, txt ou md. Chaque export inclut les corrections et les noms de locuteurs que vous avez donnés. Pour une équipe de support, deux d’entre eux font l’essentiel du travail.
JSON pour votre propre code. L’export JSON contient le name, la language, la durationS de l’appel et, avec summary=true, son summary, puis segments : une entrée par ligne, avec start et end en secondes, speaker, speakerName, text, une confidence, l’indication que la ligne a été corrected, et les words avec leurs propres horodatages. Cela suffit à un script pour construire une note de CRM (le titre, le résumé, le nom de l’agent, la durée de l’appel), ou pour extraire chaque ligne dite par le client.
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 pour le relecteur. L’export XLSX a une feuille Transcript avec une ligne par ligne de transcription et les colonnes #, Start, End, Start (s), End (s), Speaker, Text, Confidence et Corrected. Avec summary=true, la feuille About porte le résumé à côté du nom, de la langue et de la durée de l’appel. Un responsable qualité peut filtrer les lignes de l’agent, ajouter une colonne pour les notes ou les commentaires, et garder un classeur par contrôle.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Un support en plusieurs langues fonctionne de la même façon. Ajoutez lang=en à un export et le fichier se lit en anglais, une ligne par phrase, traduit là où l’appel était en espagnol ou en polonais ; un relecteur qui lit une seule langue peut noter des appels pris dans plusieurs. L’export PDF convient à qui veut lire un appel entier sur papier, avec les locuteurs et les horodatages.
Une transcription reste dans le compte après son export : les appels forment peu à peu une bibliothèque. Les tags les regroupent : créez-en un par file ou par équipe avec POST /v1/tags, puis posez-le sur des transcriptions avec 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 cherche alors ce qui a été dit dans tous les appels, restreint par tag et par date : chaque appel de la file facturation ce mois-ci où quelqu’un a dit « cancel », chaque résultat avec son appel et la seconde où cela a été dit.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Tout ce qui précède fonctionne aussi sans code. Un fichier envoyé depuis Transcriptions → New est étiqueté, résumé et exporté depuis sa page, les locuteurs sont enregistrés sous Speakers, et les tags et la recherche se trouvent dans la liste Transcriptions.
Mieux vaut connaître certaines lacunes avant toute mise en place.
La conservation dépend de la formule ; la page tarifs indique la durée de conservation de l’audio et des transcriptions pour chacune. Une transcription peut être archivée, et une transcription archivée supprimée avec POST /v1/transcriptions/{id}/purge, qui l’efface définitivement avec tout son contenu.
Aux tarifs de lancement, les appels enregistrés coûtent $0.20 par heure d’audio, facturée à la seconde ($0.0033 la minute), avec un minimum de 5 minutes par transcription avec Paiement à l’usage (aucun avec Premium ni Enterprise). Les tarifs en vigueur figurent sur la page tarifs. Les étiquettes de locuteurs, le nommage des locuteurs, les résumés, les traductions et les exports n’ajoutent jamais rien à la facture.
Les appels de support sont souvent courts : le minimum pèse donc plus que le tarif dans la facture d’une équipe de support. Avec Paiement à l’usage :
Avec Premium et Enterprise, il n’y a pas de minimum : chaque appel est donc facturé à ses propres secondes. Le message vocal de 40 secondes coûte environ un cinquième de cent, et les 1 000 appels de trois minutes environ $10. Une équipe qui reçoit surtout des appels courts devrait comparer les deux formules sur la durée réelle de ses appels.
Aux tarifs de lancement, une équipe qui enregistre 2 000 appels par mois d’une durée moyenne de 8 minutes envoie 16 000 minutes d’audio : environ $53 de crédit par mois avec Premium, résumés et tableurs compris. Avec Paiement à l’usage, chaque appel de moins de 5 minutes s’y ajoute.
La transcription en direct coûte plus cher ($0.60 par heure aux tarifs de lancement), parce qu’elle suit le rythme de l’appel ; si personne n’a besoin des mots pendant l’appel, transcrivez l’enregistrement après coup. Un nouveau compte démarre avec un crédit d’inscription unique et sans carte bancaire : les étapes ci-dessus peuvent donc être essayées sur un lot de vos propres appels avant d’acheter quoi que ce soit.