Egy átirat megkülönbözteti a hangokat, de nem tudhatja, melyik az ügyintéző. Mentsd el az egyes ügyintézőket egyszer, egy saját hívásukból, és minden további hívás névvel ellátott ügyintézővel, felül összefoglalóval és minőségellenőrzésre kész táblázattal érkezik.
Egy minőségellenőr, aki a támogatási hívásokat hallgatva nézi át, naponta maroknyit tud végigvinni, és egy hétperces hívás hét percig tart, akármilyen gyorsan kattintasz. Szövegként olvasva ugyanaz a hívás nagyjából ezer szó, egy oldal, és egy oldalt át lehet futni, keresni benne és be lehet illeszteni egy jegybe. Az ügyfélszolgálati hívások átírása a telefonrendszered által már őrzött felvételeket alakítja ilyen oldalakká. Három dolgon múlik, hogy az oldalak használhatók-e: hogy minden sor megmondja-e, ki beszélt, az ügyintéző vagy az ügyfél; hogy a hívás mellé jár-e rövid összefoglaló arról, mit kértek és miben egyeztek meg; és hogy az eredmény oda kerül-e, ahol a csapat dolgozik: egy CRM-jegyzetbe vagy egy minőségellenőrzési táblázatba.
Ez a cikk végigmegy ezen a munkafolyamaton a VocalStackkel: API-n át elküldött rögzített hívások, név szerint felismert ügyintéző, minden híváshoz írt összefoglaló, valamint JSON- és Excel-exportok. Azt is nyíltan megmondja, mit nem csinál a VocalStack egy támogatási csapatért, mert ezek közül néhány fontos már az első hívás feltöltése előtt.
A legtöbb telefon- és contact center rendszer képes a hívásfelvételeket hangfájlként exportálni, vagy mindegyikhez letöltési hivatkozást adni. Bármelyik megfelel. A POST /v1/transcriptions fájlt fogad multipart feltöltésként, vagy JSON-törzset egy url-lel, amelyet a szerver maga tölt le. A fájlos útmutató részletesen tárgyalja a hívást; hívásoknál ezek a beállítások számítanak, mind a settings alatt:
speakerLabels: állítsd on értékre, hogy egy kétszemélyes hívás minden sora beszélőt viseljen. Az alapértelmezés, a When Needed (auto) csak akkor címkéz, ha egy második beszélő is hallható, ami inkább előadásnak való, mint hívásnak.summary és title: mindkettő ki van kapcsolva, hacsak nem kéred. Bekapcsolva a hívás átírása után címet és rövid összefoglalót ír hozzá.spokenLanguage: add meg, ha tudod, például egy olyan sornál, amely csak egy nyelven fogad hívást. Ha kihagyod, a nyelvet felismeri a rendszer, 100 közül.A feltöltés azonnal válaszol egy átírásazonosítóval; a szavak kicsivel később érkeznek. Minden feltöltéshez küldj Idempotency-Key fejlécet: az ugyanazzal a kulccsal és törzzsel 24 órán belül megismételt kérés az első átírást adja vissza, ahelyett hogy egy másodikat hozna létre és számláznának. A telefonrendszered saját hívásazonosítója természetes kulcs.
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 ?? ''}`);
Egy éjszaka felvételei egyetlen ciklusban feltölthetők. Minden csomag meghatározza, hány átírás futhat egyszerre, és az e fölötti fájlt nem utasítja vissza: létrejön, queued állapotban vár, és magától elindul, amikor egy korábbi véget ér. Az a korlát, amelybe beleütközhetsz, hogy egy fiók óránként hány átírást indíthat az API-n át; az egyes csomagok számai az árak oldalán vannak. Webhookok nincsenek, ezért a szkripted lekérdezi az egyes feladatokat, amíg el nem készülnek, és ezt végzi el helyetted a waitForJob.
A beszélőcímkék a diarizációból jönnek: a felvételt szakaszokra bontja a rendszer, és a szakaszokat hang szerint csoportosítja. Ami visszajön, az „Speaker 1” és „Speaker 2”. A rendszer meg tud különböztetni két hangot, de a hangban semmi sem árulja el, melyikük a te alkalmazottad. A diarizáció és a beszédfelismerés elmagyarázza a mechanizmust; támogatási hívásoknál a gyakorlati válasz: minden ügyintézőt egyszer mentsünk el.
A mentett beszélő egy névvel ellátott hangujjlenyomat. Ha létezik, a fiók minden új átírása összeveti a hallott hangokat a mentett beszélőiddel, és egy egyezés átviszi a nevet az átiratba. A fájlokat automatikusan illeszti, így az ügyintéző sorai „Dana” néven érkeznek „Speaker 1” helyett. Az ügyfél addig számozott marad, amíg el nem nevezed.
Az ujjlenyomatot az ügyintéző egy saját hívásából vedd, ne egy asztalnál készült felvételből. Egy csendes szobában fejhallgatóval felvett hang és ugyanaz a hang egy telefonvonalon a gép számára kevésbé hasonlíthat, mint két különböző, azonos módon rögzített ember, és az ujjlenyomat a legjobban azokhoz a hangokhoz illeszkedik, amelyekből készült. A POST /v1/speakers/from-appearance közvetlenül egy átírásból ment beszélőt, mintaként a hívás azon szakaszait használva, amelyeket az illető beszél. Az appearance az a speaker index, amelyet a sorai viselnek.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Ha így mentesz beszélőt, csak az ujjlenyomatát őrzi meg, legalább 5 másodpercnyi beszédből; az a hívás, amelyben az ügyintéző egy percig vagy tovább beszél, stabilabbat ad. A hangklónozás külön lépés, amelyhez az érintett hozzájárulása kell, és egy támogatási munkafolyamatnak nincs rá szüksége.
Ettől kezdve egy kész hívás átirata megmondja, kit ismert fel. A GET /v1/transcriptions/{id}/transcript felsorolja a speakers elemeit, és az a beszélő, amely egyezik egy mentettel, identified: true értéket és a mentett nevet kapja. A többi egy-egy hívással elnevezhető: PUT /v1/transcriptions/{id}/appearances/{number}, ahol a number a beszélő megjelenített száma. Az elnevezés az átíráson tárolódik, így minden azutáni export „Customer” szöveget ír szám helyett.
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');
}
A „mindenki, akit nem ismert fel, az ügyfél” szabályt tekintsd ökölszabálynak, és ellenőrizd a saját hívásaidon. Egy átirányítás második ügyintézőt hoz, egy felvett menühang külön hangként hallható, és egy még el nem mentett ügyintéző pontosan úgy néz ki, mint egy ügyfél. Vedd figyelembe azt is, hogyan korlátozott az összevetés: minden átírást a fiók 64 legutóbb frissített mentett beszélőjével vet össze, ezért az ennél nagyobb csapat ne számítson arra, hogy minden ügyintézőt minden hívásban felismer.
A telefonos hang két tulajdonságát érdemes ismerni, mielőtt a címkéket megítéled. Egy kétcsatornás felvételt, amelyen az ügyintéző balra, az ügyfél jobbra szól, átíráskor egy csatornára keveri a rendszer, ezért a beszélőket a hangjuk választja szét, nem a csatornájuk. A keskenysávú telefonvonal pedig nagyjából 3,4 kHz fölött semmit sem visz át, ami eltávolítja annak egy részét, ami két hangot megkülönböztethetővé tesz; a rövid, átfedő közbeszólások („igen”, „aha”, „bocsánat, folytassa”) azok, ahol a címkék leggyakrabban tévednek.
A summary és a title bekapcsolva minden hívás kap egy címet és néhány mondatot arról, miről szólt, miután az átirat végleges. Ez kerül a jegybe, hogy a következő ügyintéző az előzményeket megnyitás nélkül ismerje. Az összefoglaló az átirat után készül, ezért a GET /v1/transcriptions/{id}/summary hívással olvasd, és várj, amíg a state értéke 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);
}
Ha a state ready, a title és a summary tartalmazza a szöveget. Az egy percnél rövidebb felvétel soha nem kap összefoglalót (not_requested), ami a hangpostánál számít: a legtöbb hangüzenet elég rövid ahhoz, hogy az átirat maga legyen az összefoglalója. A summary nélkül készült hívás később kaphat egyet a POST /v1/transcriptions/{id}/summarize hívással. Az összefoglalók minden csomagban benne vannak, külön költség nélkül.
A GET /v1/transcriptions/{id}/export hét formátum egyikében ad vissza fájlt: json, xlsx, pdf, srt, vtt, txt vagy md. Minden export tartalmazza a javításokat és az általad adott beszélőnevek. Egy támogatási csapatnál kettő végzi a munka zömét.
JSON a saját kódodnak. A JSON-export tartalmazza a hívás name, language, durationS mezőjét, és summary=true esetén a summary mezőt, majd a segments elemeket: soronként egy bejegyzést, start és end másodpercben, speaker, speakerName, text, egy confidence, azt, hogy a sor corrected volt-e, és a saját időzítésű words szavakat. Ez elég ahhoz, hogy egy szkript CRM-jegyzetet építsen (a cím, az összefoglaló, az ügyintéző neve, a hívás hossza), vagy kigyűjtse az ügyfél minden sorát.
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 az átnézőnek. Az XLSX-export tartalmaz egy Transcript lapot soronként egy sorral és a #, Start, End, Start (s), End (s), Speaker, Text, Confidence és Corrected oszlopokkal. summary=true esetén az About lap az összefoglalót a hívás neve, nyelve és hossza mellett hordozza. Egy minőségellenőr szűrhet az ügyintéző soraira, hozzáadhat egy oszlopot pontszámoknak vagy megjegyzéseknek, és átnézésenként egy munkafüzetet vezethet.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
A több nyelvű támogatás ugyanígy működik. Adj egy exporthoz lang=en paramétert, és a fájl angolul olvasható, mondatonként egy sorral, lefordítva, ahol a hívás spanyol vagy lengyel volt; egy egynyelvű átnéző több nyelven fogadott hívásokat is pontozhat. A PDF-export annak való, aki egy egész hívást papíron akar olvasni, beszélőkkel és időbélyegekkel.
Egy átírás az exportálás után is a fiókban marad, így a hívásokból könyvtár épül. A címkék csoportosítják őket: hozz létre egyet soronként vagy csapatonként a POST /v1/tags hívással, majd tedd fel az átírásokra a POST /v1/tags/{id}/transcriptions hívással.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
A GET /v1/search ezután az összes hívásban keres arra, ami elhangzott, címkével és dátummal szűkítve: a számlázási sor minden idei havi hívását, amelyben valaki azt mondta, „cancel”, minden találatot a hívásával és a másodperccel, amikor elhangzott.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Mindez kód nélkül is működik. Egy Transcriptions → New alatt feltöltött fájlt az oldaláról lehet címkézni, összefoglalni és exportálni, a beszélők a Speakers alatt mentődnek, a címkék és a keresés pedig a Transcriptions listában vannak.
Néhány hiányosságot érdemes tudni, mielőtt bármit beállítasz.
A megőrzés a csomagtól függ; az árak oldala megmutatja, mennyi ideig őrzi meg az egyes csomag a hangot és az átírásokat. Egy átírás archiválható, az archivált pedig a POST /v1/transcriptions/{id}/purge hívással törölhető, amely mindent, ami benne van, véglegesen töröl.
Az induló áraknál a rögzített hívások $0.20 óránként a hangért, másodpercre számlázva ($0.0033 percenként), átírásonként 5 perces minimummal a Pay as you go csomagban (a Premiumban és az Enterprise-ban nincs). A jelenlegi díjak az árak oldalán találhatók. A beszélőcímkék, a beszélők elnevezése, az összefoglalók, a fordítások és az exportok soha nem növelik a számlát.
A támogatási hívások gyakran rövidek, ezért a minimum többet dönt egy támogatási csapat számlájából, mint a díj. A Pay as you go csomagban:
A Premiumban és az Enterprise-ban nincs minimum, így minden hívást a saját másodpercei szerint számláznak: a 40 másodperces hangüzenet nagyjából egy cent ötödébe kerül, az 1 000 háromperces hívás pedig nagyjából $10-ba. Az a csapat, amely főleg rövid hívásokat fogad, hasonlítsa össze a kettőt a saját hívásainak hosszán.
Az induló áraknál az a csapat, amely havonta 2 000 hívást vesz fel átlagosan 8 percesen, 16 000 percnyi hangot küld: nagyjából $53 kreditet havonta a Premiumban, az összefoglalókkal és táblázatokkal együtt. A Pay as you go csomagban minden 5 percnél rövidebb hívás ehhez hozzáad.
Az élő átírás többe kerül ($0.60 óránként az induló áraknál), mert tartja a hívás ritmusát; ha senkinek sincs szüksége a szavakra a hívás alatt, utólag írd át a felvételt. Az új fiók egyszeri regisztrációs kredittel indul, és nem kell hozzá bankkártya, így a fenti lépések egy köteg saját hívásodon kipróbálhatók, mielőtt bármit megvennél.