Unha transcrición distingue as voces pero non pode saber cal é o axente. Garda cada axente unha vez, a partir dunha das súas propias chamadas, e todas as chamadas seguintes volverán co axente nomeado, un resumo enriba e unha folla de cálculo lista para QA.
Quen dirixe o QA e revisa chamadas de soporte escoitándoas chega a unhas poucas ao día, e unha chamada de sete minutos leva sete minutos por moito que se faga clic. Lida como texto, a mesma chamada ten unhas mil palabras, unha páxina, e unha páxina pódese ler en diagonal, buscar e pegar nun tícket. A transcrición de chamadas de atención ao cliente converte nesas páxinas as gravacións que o teu sistema telefónico xa garda. Tres cousas deciden se as páxinas serven de algo: se cada liña di quen falou, axente ou cliente; se a chamada vén cun resumo curto do que se pediu e do que se acordou; e se o resultado chega onde traballa o equipo, unha nota de CRM ou unha folla de cálculo de QA.
Este artigo percorre ese fluxo de traballo con VocalStack: chamadas gravadas enviadas pola API, o axente recoñecido polo nome, un resumo escrito para cada chamada e exportacións en JSON e Excel. Tamén di con claridade o que VocalStack non fai por un equipo de soporte, porque parte diso importa antes de subir a primeira chamada.
A maioría dos sistemas telefónicos e de centros de contacto poden exportar as gravacións como ficheiros de audio, ou dar unha ligazón de descarga para cada unha. Calquera das dúas vale. POST /v1/transcriptions acepta un ficheiro como subida multipart, ou un corpo JSON cun url que o servidor descarga por si mesmo. O titorial de ficheiros explica a chamada en detalle; para chamadas, estes axustes son os que importan, todos dentro de settings:
speakerLabels: ponlle on, para que cada liña dunha chamada entre dúas persoas leve un falante. O valor predeterminado, When Needed (auto), só etiqueta as liñas cando se oe un segundo falante, o que lle vai mellor a unha conferencia ca a unha chamada.summary e title: os dous están desactivados salvo que os pidas. Con eles activados, escríbese un título e un resumo curto da chamada unha vez transcrita.spokenLanguage: indícao cando o saibas, como nunha cola que só recibe chamadas nun idioma. Se o omites, o idioma detéctase, entre 100.A subida responde ao instante cun id de transcrición; as palabras chegan un pouco despois. Envía un Idempotency-Key con cada subida: un reintento coa mesma clave e o mesmo corpo en 24 horas devolve a primeira transcrición en vez de crear, e facturar, unha segunda. O id da propia chamada no teu sistema telefónico é unha 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 ?? ''}`);
As gravacións dunha noite enteira poden subirse nun só bucle. Cada plan fixa cantas transcricións corren á vez, e un ficheiro por riba dese número non se rexeita: créase, agarda en queued e arranca por si só cando remata unha anterior. O límite co que podes topar é o número de transcricións que unha conta pode iniciar pola API nunha hora; as cifras de cada plan están na páxina de prezos. Non hai webhooks, así que o teu script consulta cada tarefa ata que remata, o que fai waitForJob por ti.
As etiquetas de falante veñen da diarización: a gravación divídese en quendas, e as quendas agrúpanse por voz. O que volve é «Speaker 1» e «Speaker 2». O sistema pode distinguir dúas voces, pero nada no audio di cal das dúas traballa para ti. Diarización de falantes fronte ao recoñecemento da fala explica a mecánica; nas chamadas de soporte, a resposta práctica é gardar cada axente unha vez.
Un falante gardado é unha pegada de voz cun nome. Unha vez que existe, cada nova transcrición da conta compara as voces que oe cos teus falantes gardados, e unha coincidencia leva o nome á transcrición. Os ficheiros compáranse automaticamente, así que as liñas do axente chegan como «Dana» en vez de «Speaker 1». O cliente segue numerado ata que lle poñas nome.
Toma a pegada dunha das propias chamadas do axente en vez dunha gravación feita nunha mesa. Unha voz con auriculares nunha sala tranquila e a mesma voz nunha liña telefónica poden soar menos parecidas para unha máquina que dúas persoas distintas gravadas do mesmo xeito, e a pegada coincide mellor con audio parecido ao do que saíu. POST /v1/speakers/from-appearance garda un falante directamente desde unha transcrición, usando os tramos dese falante na chamada como mostra. appearance é o índice speaker que levan as súas liñas.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Gardar un falante así conserva só a súa pegada, a partir de polo menos 5 segundos da súa fala; unha chamada na que o axente fala un minuto ou máis dá unha máis estable. A clonación de voz é un paso aparte que necesita o consentimento da persoa, e un fluxo de soporte non ten ningún uso para ela.
A partir de entón, a transcrición dunha chamada rematada indica quen foi recoñecido. GET /v1/transcriptions/{id}/transcript lista speakers, e un falante coincidente cun gardado ten identified: true e o nome gardado. O resto pode nomearse cunha chamada cada un, PUT /v1/transcriptions/{id}/appearances/{number}, onde number é o número de visualización do falante. O nome gárdase na transcrición, así que todas as exportacións posteriores len «Customer» en vez dun 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');
}
Toma «todo o que non se recoñece é o cliente» como regra xeral e compróbao coas túas propias chamadas. Unha transferencia trae un segundo axente, unha mensaxe gravada de menú pode oírse como unha voz propia e un axente que aínda non se gardou ten exactamente o aspecto dun cliente. Ten en conta tamén como está limitada a comparación: cada transcrición compárase cos 64 falantes gardados actualizados máis recentemente na conta, así que un equipo máis grande ca iso non debería contar con que todos os axentes se recoñezan en todas as chamadas.
Convén coñecer dúas propiedades do audio telefónico antes de xulgar as etiquetas. Unha gravación de dobre canle, co axente á esquerda e o cliente á dereita, mestúrase nunha soa canle ao transcribirse, así que os falantes sepáranse polas súas voces, non pola súa canle. E unha liña telefónica de banda estreita non leva nada por riba duns 3.4 kHz, o que elimina parte do que fai distintas dúas voces; as quendas curtas e solapadas («yes», «mm-hm», «sorry, go on») son onde máis fallan as etiquetas.
Con summary e title activados, cada chamada recibe un título e unhas frases sobre o seu asunto cando a transcrición é definitiva. Iso é o que vai ao tícket, para que o seguinte axente coñeza o historial sen abrir nada. O resumo escríbese despois da transcrición, así que léeo con GET /v1/transcriptions/{id}/summary e agarda mentres o seu state sexa 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);
}
Cando state é ready, title e summary conteñen o texto. Unha gravación de menos dun minuto nunca recibe resumo (not_requested), o que importa para o correo de voz: a maioría das mensaxes de voz son o bastante curtas como para que a transcrición sexa o seu propio resumo. Unha chamada feita sen summary pode recibir un despois con POST /v1/transcriptions/{id}/summarize. Os resumos están incluídos en todos os plans sen custo adicional.
GET /v1/transcriptions/{id}/export devolve un ficheiro nun de sete formatos: json, xlsx, pdf, srt, vtt, txt ou md. Todas as exportacións inclúen as correccións e os nomes de falante que puxeches. Para un equipo de soporte, dous deles fan a maior parte do traballo.
JSON para o teu propio código. A exportación JSON ten o name, o language e a durationS da chamada e, con summary=true, o seu summary, e despois segments: unha entrada por liña, con start e end en segundos, speaker, speakerName, text, unha confidence, se a liña foi corrected e as words cos seus propios tempos. Iso abonda para que un script constrúa unha nota de CRM (o título, o resumo, o nome do axente, a duración da chamada), ou para extraer todas as liñas que dixo o 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 quen revisa. A exportación XLSX ten unha folla Transcript cunha fila por liña e as columnas #, Start, End, Start (s), End (s), Speaker, Text, Confidence e Corrected. Con summary=true, a folla About leva o resumo xunto ao nome, o idioma e a duración da chamada. Quen dirixe o QA pode filtrar as filas do axente, engadir unha columna para puntuacións ou comentarios e manter un libro por revisión.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
O soporte en máis dun idioma funciona do mesmo xeito. Engade lang=en a unha exportación e o ficheiro lese en inglés, unha liña por frase, traducido onde a chamada era en español ou polaco; quen le un só idioma pode puntuar chamadas atendidas en varios. A exportación PDF vai ben para quen quere ler unha chamada enteira en papel, con falantes e marcas de tempo.
Unha transcrición queda na conta despois de exportarse, así que as chamadas forman unha biblioteca. As etiquetas agrúpanas: crea unha por cola ou equipo con POST /v1/tags e despois aplícaa ás transcricións 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 entón o que se dixo en todas as chamadas, acoutado por etiqueta e data: todas as chamadas da cola de facturación deste mes nas que alguén dixo «cancel», cada resultado coa súa chamada e o segundo en que se dixo.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Todo o anterior tamén funciona sen código. Un ficheiro subido en Transcriptions → New etiquétase, resúmese e expórtase desde a súa páxina, os falantes gárdanse en Speakers, e as etiquetas e a busca están na lista de Transcriptions.
Convén coñecer algunhas lagoas antes de configurar nada.
A retención depende do plan; a páxina de prezos mostra canto tempo se conservan o audio e as transcricións en cada un. Unha transcrición pode arquivarse, e unha arquivada pode purgarse con POST /v1/transcriptions/{id}/purge, que a borra, e todo o que contén, para sempre.
Aos prezos de lanzamento, as chamadas gravadas custan $0.20 por hora de audio, facturadas por segundo ($0.0033 por minuto), cun mínimo de 5 minutos por transcrición en Pagamento por uso (ningún en Premium nin Enterprise). As tarifas actuais están na páxina de prezos. As etiquetas de falante, o nomeamento de falantes, os resumos, as traducións e as exportacións nunca aumentan a factura.
As chamadas de soporte adoitan ser curtas, así que o mínimo decide máis da factura dun equipo de soporte ca a tarifa. En Pagamento por uso:
En Premium e Enterprise non hai mínimo, así que cada chamada se factura polos seus propios segundos: a mensaxe de voz de 40 segundos custa preto dun quinto de céntimo, e as 1,000 chamadas de tres minutos preto de $10. Un equipo que atende sobre todo chamadas curtas debería comparar os dous coas duracións das súas propias chamadas.
Aos prezos de lanzamento, un equipo que grava 2,000 chamadas ao mes cunha media de 8 minutos envía 16,000 minutos de audio: preto de $53 de crédito ao mes en Premium, con resumos e follas de cálculo incluídos. En Pagamento por uso, cada chamada de menos de 5 minutos engade a esa cifra.
A transcrición en directo custa máis ($0.60 por hora aos prezos de lanzamento), porque vai ao ritmo da chamada; se ninguén necesita as palabras durante a chamada, transcribe a gravación despois. Unha conta nova comeza cun crédito único de rexistro e non require tarxeta, así que os pasos anteriores poden probarse cun lote das túas propias chamadas antes de mercar nada.