תמלול יודע להבדיל בין קולות אבל לא יודע איזה מהם הנציג. שמרו כל נציג פעם אחת, מאחת השיחות שלו, וכל שיחה אחר כך תחזור עם שם הנציג, סיכום בראשה וגיליון מוכן לבקרת איכות.
ראש בקרת איכות שבודק שיחות תמיכה בהאזנה מספיק לעבור על קומץ ביום, ושיחה של שבע דקות לוקחת שבע דקות, ויהיה קליק מהיר ככל שיהיה. כטקסט, אותה שיחה היא כאלף מילים, עמוד אחד, ועמוד אפשר לסרוק, לחפש בו ולהדביק אותו בפנייה. תמלול שיחות שירות לקוחות הופך את ההקלטות שמערכת הטלפוניה שלכם כבר שומרת לעמודים כאלה. שלושה דברים קובעים אם העמודים שימושיים: האם כל שורה אומרת מי דיבר, נציג או לקוח; האם השיחה מגיעה עם סיכום קצר של מה שנשאל ומה שסוכם; והאם התוצאה נוחתת במקום שבו הצוות עובד, בהערה ב-CRM או בגיליון בקרת איכות.
המאמר הזה עובר על תהליך העבודה עם VocalStack: שיחות מוקלטות שנשלחות דרך ה-API, הנציג שמזוהה בשמו, סיכום שנכתב לכל שיחה, וייצואים ב-JSON וב-Excel. הוא גם אומר בגלוי מה VocalStack לא עושה עבור צוות תמיכה, כי חלק מזה חשוב עוד לפני שמעלים את השיחה הראשונה.
רוב מערכות הטלפוניה ומוקדי הקשר יכולות לייצא הקלטות שיחה כקבצי אודיו, או לתת לכל הקלטה קישור להורדה. שתי הדרכים עובדות. POST /v1/transcriptions מקבל קובץ כהעלאת multipart, או גוף JSON עם url שהשרת מביא בעצמו. המדריך לקבצים מכסה את הקריאה בפירוט; לשיחות, ההגדרות האלה חשובות, כולן בתוך settings:
speakerLabels: קבעו אותה ל-on, כך שכל שורה בשיחה בין שני אנשים נושאת דובר. ברירת המחדל, When Needed (auto), מתייגת שורות רק כשנשמע דובר שני, מה שמתאים להרצאה יותר משהוא מתאים לשיחה.summary ו-title: שתיהן כבויות אלא אם מבקשים. כשהן דולקות, נכתבים כותרת וסיכום קצר לשיחה אחרי שהיא מתומללת.spokenLanguage: ציינו אותה כשאתם יודעים, כמו בתור שמקבל שיחות בשפה אחת בלבד. אם משמיטים אותה, השפה מזוהה מתוך 100.ההעלאה עונה מיד עם מזהה תמלול; המילים מגיעות קצת אחר כך. שלחו Idempotency-Key עם כל העלאה: ניסיון חוזר עם אותו מפתח ואותו גוף בתוך 24 שעות מחזיר את התמלול הראשון במקום ליצור ולחייב שני. המזהה של השיחה ממערכת הטלפוניה שלכם הוא מפתח טבעי.
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 ?? ''}`);
הקלטות של לילה שלם אפשר להעלות בלולאה אחת. כל מסלול קובע כמה תמלולים רצים בו זמנית, וקובץ מעבר למספר הזה אינו נדחה: הוא נוצר, ממתין במצב queued ומתחיל מעצמו כשתמלול קודם מסתיים. המגבלה שאפשר להיתקל בה היא מספר התמלולים שחשבון רשאי להתחיל דרך ה-API בשעה; המספרים לכל מסלול נמצאים בדף המחירים. אין webhooks, ולכן הסקריפט שלכם בודק כל משימה עד שהיא מסתיימת, וזה מה ש-waitForJob עושה בשבילכם.
תוויות הדוברים מגיעות מהפרדת דוברים: ההקלטה מחולקת לתורות דיבור, והתורות מקובצות לפי קול. מה שחוזר הוא „Speaker 1” ו„Speaker 2”. המערכת יכולה להבדיל בין שני קולות, אבל שום דבר באודיו לא אומר מי מהם מועסק אצלכם. הפרדת דוברים מול זיהוי דיבור מסביר את המנגנון; לשיחות תמיכה, התשובה המעשית היא לשמור כל נציג פעם אחת.
דובר שמור הוא טביעת קול עם שם. ברגע שהיא קיימת, כל תמלול חדש בחשבון משווה את הקולות ששמע לדוברים השמורים שלכם, והתאמה מעבירה את השם לתמליל. קבצים מותאמים אוטומטית, ולכן השורות של הנציג מגיעות כ„Dana” במקום „Speaker 1”. הלקוח נשאר ממוספר עד שתתנו לו שם.
קחו את טביעת הקול מאחת השיחות של הנציג עצמו, ולא מהקלטה שנעשתה ליד שולחן. קול באוזניות בחדר שקט ואותו קול בקו טלפון יכולים להישמע פחות דומים למכונה משני אנשים שונים שהוקלטו באותה דרך, וטביעת הקול מתאימה הכי טוב לאודיו שדומה לאודיו שממנו נלקחה. POST /v1/speakers/from-appearance שומר דובר ישירות מתמלול, תוך שימוש בקטעים של אותו דובר בשיחה כדגימה. appearance הוא האינדקס speaker שהשורות שלו נושאות.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
שמירת דובר בדרך הזאת שומרת רק את טביעת הקול שלו, מלפחות 5 שניות מהדיבור שלו; שיחה שבה הנציג מדבר דקה או יותר נותנת טביעה יציבה יותר. שיבוט קול הוא שלב נפרד שדורש את הסכמת האדם, ולתהליך עבודה של תמיכה אין בו שימוש.
מכאן והלאה, התמליל של שיחה שהסתיימה מספר מי זוהה. GET /v1/transcriptions/{id}/transcript מציג את speakers, ודובר שהותאם לדובר שמור מקבל identified: true ואת השם השמור. את השאר אפשר לקרוא בשם בקריאה אחת לכל דובר, PUT /v1/transcriptions/{id}/appearances/{number}, כאשר number הוא מספר התצוגה של הדובר. השם נשמר בתמלול, כך שכל ייצוא אחריו מציג „Customer” במקום מספר.
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');
}
התייחסו אל „כל מי שלא זוהה הוא הלקוח” ככלל אצבע ובדקו אותו על השיחות שלכם. העברת שיחה מביאה נציג שני, הודעת תפריט מוקלטת יכולה להישמע כקול בפני עצמו, ונציג שעוד לא נשמר נראה בדיוק כמו לקוח. שימו לב גם לגבול ההשוואה: כל תמלול מושווה ל-64 הדוברים השמורים שעודכנו לאחרונה בחשבון, ולכן צוות גדול מזה לא צריך לסמוך על כך שכל נציג יזוהה בכל שיחה.
שתי תכונות של אודיו טלפוני כדאי להכיר לפני שמעריכים את התוויות. הקלטה בשני ערוצים, הנציג בשמאל והלקוח בימין, מעורבבת לערוץ אחד בעת התמלול, ולכן הדוברים מופרדים לפי הקולות שלהם ולא לפי הערוץ. וקו טלפון צר-סרט אינו נושא דבר מעל כ-3.4 kHz, מה שמסיר חלק ממה שהופך שני קולות לשונים; תורות קצרות וחופפות („yes”, „mm-hm”, „sorry, go on”) הן המקום שבו התוויות טועות הכי הרבה.
כש-summary ו-title דולקות, כל שיחה מקבלת כותרת וכמה משפטים על מה שהיא עסקה בו כשהתמליל סופי. זה מה שנכנס לפנייה, כך שהנציג הבא מכיר את ההיסטוריה בלי לפתוח שום דבר. הסיכום נכתב אחרי התמליל, ולכן קראו אותו עם GET /v1/transcriptions/{id}/summary והמתינו כל עוד ה-state שלו הוא 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);
}
כש-state הוא ready, title ו-summary מכילים את הטקסט. הקלטה קצרה מדקה אינה מקבלת סיכום לעולם (not_requested), וזה חשוב להודעות קוליות: רוב ההודעות הקוליות קצרות מספיק כדי שהתמליל עצמו יהיה הסיכום. שיחה שנוצרה בלי summary יכולה לקבל סיכום מאוחר יותר עם POST /v1/transcriptions/{id}/summarize. סיכומים כלולים בכל מסלול בלי עלות נוספת.
GET /v1/transcriptions/{id}/export מחזיר קובץ באחד משבעה פורמטים: json, xlsx, pdf, srt, vtt, txt או md. כל ייצוא כולל תיקונים ואת שמות הדוברים שנתתם. לצוות תמיכה, שניים מהם עושים את רוב העבודה.
JSON לקוד שלכם. ייצוא ה-JSON כולל את ה-name, ה-language וה-durationS של השיחה, ועם summary=true גם את ה-summary שלה, ואחריהם segments: רשומה אחת לכל שורה, עם start ו-end בשניות, speaker, speakerName, text, confidence, האם השורה corrected, וה-words עם הזמנים שלהן. זה מספיק כדי שסקריפט יבנה הערה ל-CRM (הכותרת, הסיכום, שם הנציג, אורך השיחה), או ישלוף כל שורה שהלקוח אמר.
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 למעריך. ייצוא ה-XLSX כולל גיליון Transcript עם שורה לכל שורת תמליל והעמודות #, Start, End, Start (s), End (s), Speaker, Text, Confidence ו-Corrected. עם summary=true, הגיליון About נושא את הסיכום ליד השם, השפה והאורך של השיחה. ראש בקרת איכות יכול לסנן לשורות של הנציג, להוסיף עמודה לציונים או להערות, ולשמור חוברת אחת לכל הערכה.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
תמיכה ביותר משפה אחת עובדת באותו אופן. הוסיפו lang=en לייצוא והקובץ ייקרא באנגלית, שורה לכל משפט, מתורגם איפה שהשיחה הייתה בספרדית או בפולנית; מעריך שקורא שפה אחת יכול לתת ציון לשיחות שנוהלו בכמה שפות. ייצוא ה-PDF מתאים למי שרוצה לקרוא שיחה שלמה על נייר, עם דוברים וחותמות זמן.
תמלול נשאר בחשבון אחרי שהוא יוצא, ולכן השיחות בונות ספרייה. תגיות מקבצות אותן: צרו אחת לכל תור או צוות עם POST /v1/tags, ואז הצמידו אותה לתמלולים עם 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 מחפש אחר כך את מה שנאמר בכל השיחות, בצמצום לפי תגית ותאריך: כל שיחה בתור החיוב החודש שבה מישהו אמר „cancel”, כל תוצאה עם השיחה שלה והשנייה שבה נאמר הדבר.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
כל מה שלמעלה עובד גם בלי קוד. קובץ שהועלה ב-Transcriptions → New מתויג, מסוכם ומיוצא מהדף שלו, דוברים נשמרים תחת Speakers, ותגיות וחיפוש נמצאים ברשימת Transcriptions.
חלק מהפערים כדאי להכיר לפני שמגדירים משהו.
תקופת השמירה תלויה במסלול; דף המחירים מראה כמה זמן אודיו ותמלולים נשמרים בכל אחד. אפשר להעביר תמלול לארכיון, ואת התמלול שבארכיון אפשר למחוק לצמיתות עם POST /v1/transcriptions/{id}/purge, שמוחק אותו ואת כל מה שבתוכו לתמיד.
במחירי ההשקה, שיחות מוקלטות עולות $0.20 לשעה של אודיו, מחויב לפי שנייה ($0.0033 לדקה), עם מינימום של 5 דקות לכל תמלול במסלול תשלום לפי שימוש (אין מינימום ב-Premium או ב-Enterprise). התעריפים העדכניים נמצאים בדף המחירים. תוויות דוברים, מתן שמות לדוברים, סיכומים, תרגומים וייצואים אינם מוסיפים לחשבון לעולם.
שיחות תמיכה קצרות לעיתים קרובות, ולכן המינימום קובע יותר מהחשבון של צוות תמיכה מאשר התעריף. במסלול תשלום לפי שימוש:
ב-Premium וב-Enterprise אין מינימום, ולכן כל שיחה מחויבת לפי השניות שלה: ההודעה הקולית של 40 שניות עולה כחמישית סנט, ו-1,000 שיחות של שלוש דקות כ-$10. צוות שמקבל בעיקר שיחות קצרות צריך להשוות בין השניים לפי אורכי השיחות שלו.
במחירי ההשקה, צוות שמקליט 2,000 שיחות בחודש בממוצע של 8 דקות שולח 16,000 דקות אודיו: כ-$53 קרדיט בחודש ב-Premium, כולל סיכומים וגיליונות. במסלול תשלום לפי שימוש, כל שיחה מתחת ל-5 דקות מוסיפה על זה.
תמלול חי עולה יותר ($0.60 לשעה במחירי ההשקה), כי הוא עומד בקצב השיחה; אם איש אינו צריך את המילים במהלך השיחה, תמללו את ההקלטה אחר כך. חשבון חדש מתחיל עם קרדיט הרשמה חד-פעמי ובלי צורך בכרטיס, כך שאפשר לנסות את השלבים שלמעלה על קבוצת שיחות משלכם לפני שקונים משהו.