ट्रांसक्रिप्शन आवाज़ों को अलग पहचान लेता है, पर यह नहीं जान सकता कि उनमें एजेंट कौन है। हर एजेंट को उसकी अपनी किसी कॉल से एक बार सेव कर लीजिए, और उसके बाद की हर कॉल एजेंट के नाम, ऊपर सारांश और QA के लिए तैयार स्प्रेडशीट के साथ लौटती है।
जो QA लीड सपोर्ट कॉल सुनकर समीक्षा करता है, वह दिन में मुट्ठी भर कॉल निपटा पाता है, और सात मिनट की कॉल में सात मिनट लगते ही हैं, चाहे आप कितनी भी तेज़ी से क्लिक करें। टेक्स्ट के रूप में पढ़ें तो वही कॉल क़रीब एक हज़ार शब्दों, एक पन्ने की होती है, और पन्ने को सरसरी नज़र से देखा, खोजा और टिकट में चिपकाया जा सकता है। कस्टमर सर्विस कॉल ट्रांसक्रिप्शन उन रिकॉर्डिंग को, जो आपका फ़ोन सिस्टम पहले से सँभालता है, ऐसे पन्नों में बदल देता है। तीन बातें तय करती हैं कि ये पन्ने किसी काम के हैं या नहीं: क्या हर पंक्ति बताती है कि किसने कहा, एजेंट या ग्राहक; क्या कॉल के साथ एक छोटा सारांश आता है कि क्या माँगा गया और क्या तय हुआ; और क्या नतीजा वहाँ पहुँचता है जहाँ टीम काम करती है, CRM नोट या QA स्प्रेडशीट में।
यह लेख VocalStack के साथ उसी वर्कफ़्लो को क़दम-दर-क़दम दिखाता है: API से भेजी गई रिकॉर्ड की हुई कॉल, नाम से पहचाना गया एजेंट, हर कॉल के लिए लिखा गया सारांश, और JSON तथा Excel में एक्सपोर्ट। यह साफ़ शब्दों में यह भी बताता है कि VocalStack सपोर्ट टीम के लिए क्या नहीं करता, क्योंकि उनमें से कुछ बातें पहली कॉल अपलोड करने से पहले ही मायने रखती हैं।
ज़्यादातर फ़ोन और कॉन्टैक्ट-सेंटर सिस्टम कॉल रिकॉर्डिंग को ऑडियो फ़ाइल के रूप में एक्सपोर्ट कर सकते हैं, या हर एक के लिए डाउनलोड लिंक दे सकते हैं। दोनों चलते हैं। POST /v1/transcriptions फ़ाइल को मल्टीपार्ट अपलोड के रूप में लेता है, या url वाली JSON बॉडी लेता है जिसे सर्वर खुद खींचता है। फ़ाइल ट्यूटोरियल कॉल को विस्तार से समझाता है; कॉल के लिए ये सेटिंग मायने रखती हैं, सब settings के भीतर:
speakerLabels: इसे on रखिए, ताकि दो लोगों की कॉल की हर पंक्ति पर वक्ता हो। डिफ़ॉल्ट, When Needed (auto), पंक्तियों पर लेबल तभी लगाता है जब दूसरा वक्ता सुनाई दे, जो कॉल से ज़्यादा किसी व्याख्यान के लिए ठीक है।summary और title: दोनों तब तक बंद हैं जब तक आप न माँगें। चालू होने पर कॉल के ट्रांसक्राइब होने के बाद उसका शीर्षक और एक छोटा सारांश लिखा जाता है।spokenLanguage: जब आप भाषा जानते हों तो बता दीजिए, जैसे ऐसी कतार में जो सिर्फ़ एक भाषा की कॉल लेती है। न बताएँ तो भाषा 100 में से पहचानी जाती है।अपलोड तुरंत ट्रांसक्रिप्शन आईडी के साथ जवाब देता है; शब्द कुछ देर बाद आते हैं। हर अपलोड के साथ एक Idempotency-Key भेजिए: 24 घंटे के भीतर उसी कुंजी और बॉडी के साथ दोबारा कोशिश करने पर दूसरा ट्रांसक्रिप्शन बनाने और उसका बिल लगाने की जगह पहला ही लौटता है। आपके फ़ोन सिस्टम की कॉल की अपनी आईडी एक स्वाभाविक कुंजी है।
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 ?? ''}`);
एक रात की रिकॉर्डिंग एक लूप में अपलोड हो सकती हैं। हर प्लान तय करता है कि एक साथ कितने ट्रांसक्रिप्शन चलें, और उस संख्या से ऊपर की फ़ाइल अस्वीकार नहीं होती: वह बन जाती है, queued रहकर इंतज़ार करती है, और पहले वाले के खत्म होते ही अपने-आप शुरू हो जाती है। जिस सीमा से आपका वास्ता पड़ सकता है वह है एक खाता API से प्रति घंटे कितने ट्रांसक्रिप्शन शुरू कर सकता है; हर प्लान के आँकड़े कीमत पृष्ठ पर हैं। कोई वेबहुक नहीं हैं, इसलिए आपकी स्क्रिप्ट हर जॉब को तब तक पोल करती है जब तक वह पूरा न हो जाए, जो waitForJob आपके लिए करता है।
स्पीकर लेबल डायराइज़ेशन से आते हैं: रिकॉर्डिंग को बोलने की बारियों में बाँटा जाता है, और बारियों को आवाज़ के आधार पर समूहों में रखा जाता है। जो लौटता है वह है "Speaker 1" और "Speaker 2"। सिस्टम दो आवाज़ों को अलग बता सकता है, पर ऑडियो में ऐसा कुछ नहीं है जो बताए कि उनमें से कौन आपका कर्मचारी है। स्पीकर डायराइज़ेशन बनाम स्पीच रिकग्निशन तंत्र को समझाता है; सपोर्ट कॉल के लिए व्यावहारिक जवाब है हर एजेंट को एक बार सेव कर लेना।
सहेजा गया स्पीकर (saved speaker) नाम वाला एक आवाज़ का फ़िंगरप्रिंट है। एक बार वह बन जाए, तो खाते का हर नया ट्रांसक्रिप्शन जो आवाज़ें सुनता है उन्हें आपके सहेजे गए स्पीकरों से मिलाता है, और मेल मिलने पर नाम ट्रांसक्रिप्ट में आ जाता है। फ़ाइलें अपने-आप मिलाई जाती हैं, इसलिए एजेंट की पंक्तियाँ "Speaker 1" की जगह "Dana" के रूप में आती हैं। ग्राहक तब तक क्रमांकित रहता है जब तक आप उसे नाम न दें।
फ़िंगरप्रिंट एजेंट की अपनी किसी कॉल से लीजिए, डेस्क पर बनी रिकॉर्डिंग से नहीं। शांत कमरे में हेडसेट पर आवाज़ और फ़ोन लाइन पर वही आवाज़ मशीन को, एक ही तरह से रिकॉर्ड हुए दो अलग लोगों से भी कम मिलती-जुलती लग सकती है, और फ़िंगरप्रिंट उसी जैसे ऑडियो से सबसे अच्छा मेल खाता है जिससे वह बना था। POST /v1/speakers/from-appearance ट्रांसक्रिप्शन से सीधे स्पीकर सेव करता है, उस स्पीकर के अपने हिस्सों को नमूने के रूप में लेकर। appearance वह speaker इंडेक्स है जो उनकी पंक्तियों पर रहता है।
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
इस तरह स्पीकर सेव करने पर सिर्फ़ उसका फ़िंगरप्रिंट रखा जाता है, उसकी कम से कम 5 सेकंड की बोली से; जिस कॉल में एजेंट एक मिनट या ज़्यादा बोलता है उससे ज़्यादा स्थिर फ़िंगरप्रिंट मिलता है। वॉइस क्लोनिंग एक अलग कदम है जिसके लिए व्यक्ति की सहमति चाहिए, और सपोर्ट वर्कफ़्लो को उसकी कोई ज़रूरत नहीं।
उसके बाद, पूरी हो चुकी कॉल का ट्रांसक्रिप्ट बताता है कि किसे पहचाना गया। GET /v1/transcriptions/{id}/transcript speakers की सूची देता है, और सहेजे गए स्पीकर से मिले स्पीकर में identified: true और सहेजा गया नाम होता है। बाकियों को एक-एक कॉल से नाम दिया जा सकता है, PUT /v1/transcriptions/{id}/appearances/{number}, जहाँ number स्पीकर का प्रदर्शन क्रमांक है। नाम ट्रांसक्रिप्शन पर सहेजा जाता है, इसलिए उसके बाद हर एक्सपोर्ट में क्रमांक की जगह "Customer" पढ़ा जाता है।
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');
}
"जो पहचाना न गया वही ग्राहक है" को अंगूठे का नियम मानिए और अपनी कॉल पर जाँच लीजिए। ट्रांसफ़र से दूसरा एजेंट आ जाता है, रिकॉर्ड किया हुआ मेन्यू प्रॉम्प्ट अपनी अलग आवाज़ के रूप में सुना जा सकता है, और जिस एजेंट को अभी सेव नहीं किया गया वह ठीक ग्राहक जैसा दिखता है। यह भी ध्यान दीजिए कि तुलना की सीमा क्या है: हर ट्रांसक्रिप्शन की तुलना खाते के सबसे हाल में अपडेट हुए 64 सहेजे गए स्पीकरों से होती है, इसलिए उससे बड़ी टीम को यह मानकर नहीं चलना चाहिए कि हर कॉल में हर एजेंट पहचाना जाएगा।
फ़ोन ऑडियो की दो बातें लेबल को परखने से पहले जान लेना अच्छा है। दो-चैनल रिकॉर्डिंग, जिसमें एजेंट बाएँ और ग्राहक दाएँ हो, ट्रांसक्राइब होते समय एक चैनल में मिला दी जाती है, इसलिए स्पीकर चैनल से नहीं, अपनी आवाज़ से अलग किए जाते हैं। और संकरी बैंड वाली फ़ोन लाइन लगभग 3.4 kHz से ऊपर कुछ नहीं ले जाती, जो उस चीज़ का एक हिस्सा हटा देती है जो दो आवाज़ों को अलग बनाती है; छोटी, आपस में मिलती बारियाँ ("yes", "mm-hm", "sorry, go on") वे जगहें हैं जहाँ लेबल सबसे ज़्यादा गलत होते हैं।
summary और title चालू होने पर, ट्रांसक्रिप्ट अंतिम होते ही हर कॉल को एक शीर्षक और कुछ वाक्य मिलते हैं कि वह किस बारे में थी। टिकट में यही जाता है, ताकि अगला एजेंट कुछ खोले बिना इतिहास जान ले। सारांश ट्रांसक्रिप्ट के बाद लिखा जाता है, इसलिए उसे GET /v1/transcriptions/{id}/summary से पढ़िए और जब तक उसका state pending है, इंतज़ार कीजिए:
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);
}
जब state ready हो, तो title और summary में टेक्स्ट होता है। एक मिनट से छोटी रिकॉर्डिंग को कभी सारांश नहीं मिलता (not_requested), जो वॉइसमेल के लिए मायने रखता है: ज़्यादातर वॉइसमेल इतने छोटे होते हैं कि ट्रांसक्रिप्ट खुद ही उनका सारांश है। जो कॉल summary के बिना की गई थी, उसे बाद में POST /v1/transcriptions/{id}/summarize से सारांश दिया जा सकता है। सारांश हर प्लान में बिना अतिरिक्त शुल्क के शामिल हैं।
GET /v1/transcriptions/{id}/export सात फ़ॉर्मैट में से किसी एक में फ़ाइल लौटाता है: json, xlsx, pdf, srt, vtt, txt या md। हर एक्सपोर्ट में सुधार और वे स्पीकर नाम शामिल होते हैं जो आपने दिए। सपोर्ट टीम के लिए उनमें से दो सबसे ज़्यादा काम करते हैं।
आपके अपने कोड के लिए JSON। JSON एक्सपोर्ट में कॉल का name, language, durationS और, summary=true के साथ, उसका summary होता है, फिर segments: हर पंक्ति के लिए एक प्रविष्टि, जिसमें सेकंड में start और end, speaker, speakerName, text, एक confidence, पंक्ति corrected थी या नहीं, और अपने समय के साथ words होते हैं। यह किसी स्क्रिप्ट के लिए CRM नोट बनाने (शीर्षक, सारांश, एजेंट का नाम, कॉल की अवधि) या ग्राहक की कही हर पंक्ति खींच लेने के लिए काफ़ी है।
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.
समीक्षक के लिए Excel। XLSX एक्सपोर्ट में Transcript शीट होती है जिसमें हर पंक्ति के लिए एक रो और कॉलम #, Start, End, Start (s), End (s), Speaker, Text, Confidence और Corrected होते हैं। summary=true के साथ About शीट में कॉल के नाम, भाषा और अवधि के बगल में सारांश रहता है। QA लीड एजेंट की रो पर फ़िल्टर कर सकता है, स्कोर या टिप्पणियों के लिए कॉलम जोड़ सकता है, और हर समीक्षा के लिए एक वर्कबुक रख सकता है।
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
एक से ज़्यादा भाषाओं में सपोर्ट भी इसी तरह चलता है। एक्सपोर्ट में lang=en जोड़िए और फ़ाइल अंग्रेज़ी में पढ़ी जाती है, हर वाक्य की एक पंक्ति, जहाँ कॉल स्पेनिश या पोलिश में थी वहाँ अनुवाद के साथ; एक भाषा पढ़ने वाला समीक्षक कई भाषाओं में ली गई कॉल को स्कोर कर सकता है। PDF एक्सपोर्ट उस व्यक्ति के लिए ठीक है जो पूरी कॉल स्पीकर और टाइमस्टैम्प के साथ कागज़ पर पढ़ना चाहता है।
एक्सपोर्ट के बाद भी ट्रांसक्रिप्शन खाते में रहता है, इसलिए कॉल मिलकर एक पुस्तकालय बनती हैं। टैग उन्हें समूहों में रखते हैं: POST /v1/tags से हर कतार या टीम के लिए एक बनाइए, फिर POST /v1/tags/{id}/transcriptions से उसे ट्रांसक्रिप्शन पर लगाइए।
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search फिर हर कॉल में जो कहा गया उसे खोजता है, टैग और तारीख से सीमित करके: इस महीने की बिलिंग कतार की हर वह कॉल जिसमें किसी ने "cancel" कहा, हर परिणाम अपनी कॉल और उस सेकंड के साथ जब वह कहा गया।
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
ऊपर का सब कुछ बिना कोड के भी चलता है। Transcriptions → New पर अपलोड की गई फ़ाइल अपने पन्ने से लेबल, सारांशित और एक्सपोर्ट की जाती है, स्पीकर Speakers के अंतर्गत सेव होते हैं, और टैग तथा खोज Transcriptions सूची में हैं।
कुछ कमियाँ कुछ भी सेट करने से पहले जान लेने लायक हैं।
रिटेंशन प्लान पर निर्भर है; कीमत पृष्ठ दिखाता है कि हर प्लान में ऑडियो और ट्रांसक्रिप्शन कितने समय तक रखे जाते हैं। ट्रांसक्रिप्शन को आर्काइव किया जा सकता है, और आर्काइव किए हुए को POST /v1/transcriptions/{id}/purge से हमेशा के लिए मिटाया जा सकता है, जो उसे और उसके भीतर की हर चीज़ को स्थायी रूप से हटा देता है।
लॉन्च कीमतों पर रिकॉर्ड की हुई कॉल $0.20 प्रति घंटा ऑडियो है, प्रति सेकंड बिल होती है ($0.0033 प्रति मिनट), Pay as you go पर प्रति ट्रांसक्रिप्शन 5 मिनट के न्यूनतम के साथ (Premium या Enterprise पर कोई नहीं)। मौजूदा दरें कीमत पृष्ठ पर हैं। स्पीकर लेबल, स्पीकर नाम, सारांश, अनुवाद और एक्सपोर्ट बिल कभी नहीं बढ़ाते।
सपोर्ट कॉल अक्सर छोटी होती हैं, इसलिए सपोर्ट टीम के बिल को दर से ज़्यादा न्यूनतम तय करता है। Pay as you go पर:
Premium और Enterprise पर कोई न्यूनतम नहीं है, इसलिए हर कॉल अपने सेकंड के हिसाब से बिल होती है: 40 सेकंड के वॉइसमेल की कीमत एक सेंट का लगभग पाँचवाँ हिस्सा है, और तीन-तीन मिनट की 1,000 कॉल की लगभग $10। जिस टीम को ज़्यादातर छोटी कॉल मिलती हैं, उसे दोनों की तुलना अपनी कॉल की अवधि पर करनी चाहिए।
लॉन्च कीमतों पर, जो टीम औसतन 8 मिनट की महीने में 2,000 कॉल रिकॉर्ड करती है वह 16,000 मिनट ऑडियो भेजती है: Premium पर महीने में लगभग $53 का क्रेडिट, सारांश और स्प्रेडशीट सहित। Pay as you go पर 5 मिनट से छोटी हर कॉल इसमें जुड़ती जाती है।
लाइव ट्रांसक्रिप्शन ज़्यादा महँगा है (लॉन्च कीमतों पर $0.60 प्रति घंटा), क्योंकि वह कॉल की रफ़्तार से चलता है; अगर कॉल के दौरान किसी को शब्दों की ज़रूरत नहीं है, तो रिकॉर्डिंग को बाद में ट्रांसक्राइब कीजिए। नया खाता एक-बार के साइनअप क्रेडिट के साथ शुरू होता है और कार्ड नहीं माँगा जाता, इसलिए कुछ खरीदने से पहले ऊपर के कदम अपनी कॉल के एक बैच पर आज़माए जा सकते हैं।