Transkripcija razlikuje glasove, ali ne može znati koji je od njih agent. Spremite svakog agenta jednom, iz jednog njegova poziva, i svaki sljedeći poziv vraća se s imenom agenta, sažetkom na vrhu i tablicom spremnom za QA.
QA voditelj koji provjerava pozive podrške slušanjem stigne obraditi nekoliko dnevno, a poziv od sedam minuta traje sedam minuta koliko god brzo klikali. Pročitan kao tekst, isti je poziv otprilike tisuću riječi, jedna stranica, a stranicu je moguće preletjeti, pretražiti i zalijepiti u tiket. Transkripcija poziva korisničke podrške pretvara snimke koje vaš telefonski sustav već čuva u takve stranice. Hoće li stranice biti korisne, odlučuju tri stvari: govori li svaki redak tko je govorio, agent ili klijent; dolazi li poziv s kratkim sažetkom onoga što se tražilo i dogovorilo; i završava li rezultat tamo gdje tim radi, u bilješci CRM-a ili u QA tablici.
Ovaj članak prolazi taj tijek rada s VocalStackom: snimljeni pozivi poslani putem API-ja, agent prepoznat po imenu, sažetak napisan za svaki poziv te izvozi u JSON i Excel. Također jasno kaže što VocalStack ne radi za tim podrške, jer neke od tih stvari vrijede znati prije nego što se učita prvi poziv.
Većina telefonskih sustava i sustava pozivnih centara može izvesti snimke poziva kao audio datoteke ili dati poveznicu za preuzimanje svake. Oboje radi. POST /v1/transcriptions prima datoteku kao multipart učitavanje ili JSON tijelo s url-om koji poslužitelj sam preuzima. Vodič za datoteke opisuje poziv detaljno; za pozive su važne ove postavke, sve unutar settings:
speakerLabels: postavite na on da svaki redak poziva između dvije osobe nosi govornika. Zadano, When Needed (auto), označava retke tek kad se čuje drugi govornik, što bolje odgovara predavanju nego pozivu.summary i title: oba su isključena dok ih ne zatražite. Kad su uključena, za poziv se nakon transkripcije pišu naslov i kratak sažetak.spokenLanguage: navedite ga kad ga znate, kao u redu koji prima pozive samo na jednom jeziku. Ako ga izostavite, jezik se prepoznaje, od njih 100.Učitavanje odmah odgovara id-jem transkripcije; riječi stižu malo kasnije. Uz svako učitavanje pošaljite Idempotency-Key: ponovni pokušaj s istim ključem i tijelom unutar 24 sata vraća prvu transkripciju umjesto da napravi, i naplati, drugu. Id samog poziva iz vašeg telefonskog sustava prirodan je ključ.
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 ?? ''}`);
Snimke jedne noći mogu se učitati u jednoj petlji. Svaki paket određuje koliko transkripcija radi istodobno, a datoteka preko tog broja nije odbijena: stvara se, čeka u stanju queued i sama kreće kad završi neka prethodna. Ograničenje na koje možete naići jest broj transkripcija koje račun smije pokrenuti putem API-ja u jednom satu; brojke za svaki paket nalaze se na stranici s cijenama. Webhookova nema, pa vaša skripta ispituje svaki posao dok ne završi, što waitForJob radi umjesto vas.
Oznake govornika dolaze iz dijarizacije: snimka se dijeli na izmjene, a izmjene se grupiraju po glasu. Dobije se „Speaker 1” i „Speaker 2”. Sustav može razlikovati dva glasa, ali ništa u zvuku ne govori koji od njih radi za vas. Dijarizacija govornika i prepoznavanje govora objašnjava mehaniku; za pozive podrške praktičan je odgovor spremiti svakog agenta jednom.
Spremljeni govornik jest glasovni otisak s imenom. Kad jednom postoji, svaka nova transkripcija na računu uspoređuje glasove koje čuje s vašim spremljenim govornicima, a podudaranje prenosi ime u transkript. Datoteke se podudaraju automatski, pa agentovi retci stižu kao „Dana” umjesto „Speaker 1”. Klijent ostaje numeriran dok mu ne date ime.
Otisak uzmite iz jednog agentova poziva, a ne iz snimke napravljene za stolom. Glas na slušalicama u tihoj sobi i isti glas na telefonskoj liniji strojem mogu zvučati manje slično nego dvije različite osobe snimljene na isti način, a otisak se najbolje podudara sa zvukom nalik onome iz kojeg je nastao. POST /v1/speakers/from-appearance sprema govornika izravno iz transkripcije, koristeći kao uzorak njegove vlastite dijelove poziva. appearance je indeks speaker koji nose njegovi retci.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Spremanje govornika na ovaj način čuva samo njegov otisak, iz najmanje 5 sekundi njegova govora; poziv u kojem agent govori minutu ili više daje stabilniji otisak. Kloniranje glasa zaseban je korak koji traži pristanak osobe, a tijeku rada podrške nije potrebno.
Od tada transkript završenog poziva govori tko je prepoznat. GET /v1/transcriptions/{id}/transcript navodi speakers, a govornik povezan sa spremljenim ima identified: true i spremljeno ime. Ostali se mogu imenovati jednim pozivom za svakog, PUT /v1/transcriptions/{id}/appearances/{number}, gdje je number prikazani broj govornika. Imenovanje se sprema u transkripciju, pa svaki izvoz nakon toga umjesto broja piše „Customer”.
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');
}
„Svatko neprepoznat jest klijent” shvatite kao pravilo palca i provjerite ga na vlastitim pozivima. Preusmjeravanje poziva dovodi drugog agenta, snimljen izbornik može se čuti kao zaseban glas, a agent koji još nije spremljen izgleda isto kao klijent. Obratite pozornost i na to kako je usporedba ograničena: svaka se transkripcija uspoređuje sa 64 najnedavnije ažurirana spremljena govornika na računu, pa tim veći od toga ne bi smio računati da će svaki agent biti prepoznat na svakom pozivu.
Dva svojstva telefonskog zvuka vrijedi znati prije nego što prosudite oznake. Dvokanalna snimka, s agentom lijevo i klijentom desno, pri transkripciji se miješa u jedan kanal, pa se govornici razdvajaju po glasovima, a ne po kanalu. A uskopojasna telefonska linija ne prenosi ništa iznad otprilike 3.4 kHz, što uklanja dio onoga što glasove čini različitima; kratke izmjene koje se preklapaju („yes”, „mm-hm”, „sorry, go on”) mjesta su na kojima se oznake najčešće pogrešno dodijele.
Uz uključene summary i title, svaki poziv dobiva naslov i nekoliko rečenica o tome o čemu je bio, nakon što je transkript konačan. To ide u tiket, pa sljedeći agent zna povijest bez otvaranja ičega. Sažetak se piše nakon transkripta, zato ga čitajte s GET /v1/transcriptions/{id}/summary i čekajte dok je njegov state 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);
}
Kad je state ready, title i summary sadrže tekst. Snimka kraća od jedne minute nikad ne dobije sažetak (not_requested), što je važno za govorne poruke: većina je dovoljno kratka da je transkript sam svoj sažetak. Pozivu napravljenom bez summary sažetak se može dodati kasnije s POST /v1/transcriptions/{id}/summarize. Sažeci su uključeni u svaki paket bez dodatne naknade.
GET /v1/transcriptions/{id}/export vraća datoteku u jednom od sedam formata: json, xlsx, pdf, srt, vtt, txt ili md. Svaki izvoz uključuje ispravke i imena govornika koja ste dali. Timu podrške većinu posla rade dva od njih.
JSON za vlastiti kod. JSON izvoz ima name, language, durationS poziva i, uz summary=true, njegov summary, a zatim segments: jedan unos po retku, s start i end u sekundama, speaker, speakerName, text, confidence, je li redak corrected i words s vlastitim vremenima. To je dovoljno da skripta sastavi bilješku za CRM (naslov, sažetak, ime agenta, duljinu poziva) ili izvuče svaki redak koji je klijent rekao.
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 za recenzenta. XLSX izvoz ima list Transcript s jednim redom po retku i stupcima #, Start, End, Start (s), End (s), Speaker, Text, Confidence i Corrected. Uz summary=true list About nosi sažetak uz naziv, jezik i duljinu poziva. QA voditelj može filtrirati agentove retke, dodati stupac za ocjene ili komentare i čuvati jednu radnu knjigu po pregledu.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Podrška na više jezika radi na isti način. Dodajte lang=en izvozu i datoteka se čita na engleskom, jedan redak po rečenici, prevedena gdje je poziv bio na španjolskom ili poljskom; recenzent koji čita jedan jezik može ocjenjivati pozive primljene na više njih. PDF izvoz odgovara onome tko želi pročitati cijeli poziv na papiru, s govornicima i vremenskim oznakama.
Transkripcija ostaje na računu i nakon izvoza, pa pozivi grade knjižnicu. Oznake ih grupiraju: napravite po jednu za svaki red ili tim s POST /v1/tags, a zatim je stavite na transkripcije s 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 zatim pretražuje što je rečeno u svim pozivima, sužena po oznaci i datumu: svaki poziv reda Billing ovaj mjesec u kojem je netko rekao „cancel”, a svaki pogodak navodi poziv i sekundu u kojoj je rečeno.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Sve gore navedeno radi i bez koda. Datoteka učitana na Transcriptions → New označava se, sažima i izvozi sa svoje stranice, govornici se spremaju pod Speakers, a oznake i pretraživanje nalaze se na popisu Transcriptions.
Neke je praznine dobro znati prije nego što se išta postavi.
Čuvanje ovisi o paketu; stranica s cijenama pokazuje koliko se dugo čuvaju zvuk i transkripcije na svakom. Transkripcija se može arhivirati, a arhivirana trajno izbrisati s POST /v1/transcriptions/{id}/purge, što je briše sa svime što sadrži.
Po početnim cijenama snimljeni pozivi koštaju $0.20 po satu zvuka, naplaćuju se po sekundi ($0.0033 po minuti), s minimumom od 5 minuta po transkripciji na paketu Pay as you go (bez minimuma na Premiumu ili Enterpriseu). Aktualne cijene nalaze se na stranici s cijenama. Oznake govornika, imenovanje govornika, sažeci, prijevodi i izvozi nikad ne povećavaju račun.
Pozivi podrške često su kratki, pa minimum više od cijene određuje račun tima podrške. Na paketu Pay as you go:
Na Premiumu i Enterpriseu nema minimuma, pa se svaki poziv naplaćuje po vlastitim sekundama: govorna poruka od 40 sekundi košta oko petinu centa, a 1,000 poziva od tri minute oko $10. Tim koji uglavnom prima kratke pozive trebao bi usporediti to dvoje na vlastitim duljinama poziva.
Po početnim cijenama tim koji snimi 2,000 poziva mjesečno prosječne duljine 8 minuta šalje 16,000 minuta zvuka: oko $53 kredita mjesečno na Premiumu, sa sažecima i tablicama. Na paketu Pay as you go svaki poziv kraći od 5 minuta to povećava.
Transkripcija uživo košta više ($0.60 po satu po početnim cijenama) jer prati tempo poziva; ako nitko ne treba riječi tijekom poziva, transkribirajte snimku poslije. Novi račun počinje s jednokratnim kreditom pri registraciji i ne treba kartica, pa se gornji koraci mogu isprobati na seriji vlastitih poziva prije nego što se išta kupi.