Տառադարձությունը տարբերում է ձայները, բայց չի կարող իմանալ՝ դրանցից որն է գործակալը։ Պահեք յուրաքանչյուր գործակալին մեկ անգամ՝ նրա սեփական զանգերից մեկից, և դրանից հետո յուրաքանչյուր զանգ կգա անվանված գործակալով, վերևում ամփոփմամբ և QA-ի համար պատրաստ աղյուսակով։
QA ղեկավարը, որը աջակցության զանգերը ստուգում է դրանք լսելով, օրվա մեջ կարող է անցնել մի քանիսով, իսկ յոթ րոպեանոց զանգը տևում է յոթ րոպե, որքան էլ արագ սեղմեք։ Տեքստով կարդացած նույն զանգը մոտ հազար բառ է, մեկ էջ, և էջը կարելի է թերթել, որոնել և տեղադրել տիկետի մեջ։ Հաճախորդների սպասարկման զանգերի տառադարձությունը ձեր հեռախոսային համակարգի արդեն պահած ձայնագրությունները վերածում է այդպիսի էջերի։ Երեք բան է որոշում՝ արդյոք էջերը օգտակար են. արդյոք յուրաքանչյուր տող ասում է, թե ով է խոսել՝ գործակալը թե հաճախորդը. արդյոք զանգը գալիս է կարճ ամփոփմամբ՝ ինչ էր խնդրվել և ինչի շուրջ համաձայնություն էր ձեռք բերվել. և արդյոք արդյունքը հասնում է այնտեղ, որտեղ աշխատում է թիմը, CRM-ի նշում կամ QA աղյուսակ։
Այս հոդվածը քայլ առ քայլ անցնում է այդ աշխատանքային գործընթացով VocalStack-ով. API-ով ուղարկված ձայնագրված զանգեր, անունով ճանաչված գործակալ, յուրաքանչյուր զանգի համար գրված ամփոփում և արտահանումներ JSON և Excel ձևաչափերով։ Այն նաև պարզ ասում է, թե ինչ չի անում VocalStack-ը աջակցության թիմի համար, քանի որ դրանցից մի քանիսը կարևոր են առաջին զանգը վերբեռնելուց առաջ։
Հեռախոսային և կոնտակտ-կենտրոնի համակարգերի մեծ մասը կարող է զանգերի ձայնագրությունները արտահանել որպես աուդիո ֆայլեր կամ տալ յուրաքանչյուրի համար ներբեռնման հղում։ Երկուսն էլ աշխատում են։ POST /v1/transcriptions-ը ընդունում է ֆայլ որպես multipart վերբեռնում կամ JSON մարմին՝ url-ով, որը սերվերն ինքն է բեռնում։ Ֆայլի ձեռնարկը մանրամասն քննարկում է հարցումը. զանգերի համար կարևոր են այս կարգավորումները, բոլորը settings-ի ներսում.
speakerLabels. դրեք on, որպեսզի երկու մարդու զանգի յուրաքանչյուր տող կրի խոսնակ։ Լռելյայն When Needed (auto) տողերը պիտակավորում է միայն այն բանից հետո, երբ լսվում է երկրորդ խոսնակը, ինչը ավելի շատ հարմար է դասախոսության, քան զանգի։summary և title. երկուսն էլ անջատված են, եթե չխնդրեք։ Միացրած դեպքում զանգի տառադարձումից հետո գրվում են վերնագիր և կարճ ամփոփում։spokenLanguage. նշեք այն, երբ գիտեք, ինչպես հերթում, որն ընդունում է զանգեր միայն մեկ լեզվով։ Եթե բաց թողնեք, լեզուն հայտնաբերվում է 100-ից։Վերբեռնումը անմիջապես պատասխանում է տառադարձության իդենտիֆիկատորով. բառերը գալիս են մի փոքր ավելի ուշ։ Յուրաքանչյուր վերբեռնման հետ ուղարկեք Idempotency-Key. նույն բանալիով և մարմնով կրկնակի փորձը 24 ժամվա ընթացքում վերադարձնում է առաջին տառադարձությունը՝ երկրորդը ստեղծելու և հաշվարկելու փոխարեն։ Ձեր հեռախոսային համակարգից զանգի սեփական իդենտիֆիկատորը բնական բանալի է։
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 ?? ''}`);
Մեկ գիշերվա ձայնագրությունները կարելի է վերբեռնել մեկ ցիկլով։ Յուրաքանչյուր պլան սահմանում է, թե քանի տառադարձություն է աշխատում միաժամանակ, և այդ թվից ավելի ֆայլը չի մերժվում. այն ստեղծվում է, սպասում է queued վիճակում և ինքնուրույն սկսվում է, երբ նախորդը ավարտվի։ Սահմանաչափը, որին կարող եք հասնել, այն տառադարձությունների քանակն է, որոնք հաշիվը կարող է մեկնարկել API-ով մեկ ժամում. յուրաքանչյուր պլանի թվերը գների էջում են։ Վեբհուկներ չկան, ուստի ձեր սկրիպտը հարցում է կատարում յուրաքանչյուր առաջադրանքի համար, մինչև այն ավարտվի, ինչը ձեր փոխարեն անում է waitForJob-ը։
Խոսնակների պիտակները գալիս են դիարիզացիայից. ձայնագրությունը բաժանվում է փոխանակությունների, իսկ դրանք խմբավորվում են ըստ ձայնի։ Վերադարձվում է «Speaker 1» և «Speaker 2»։ Համակարգը կարող է երկու ձայն տարբերել, բայց աուդիոյում ոչինչ չի ասում, թե դրանցից որն է ձեր աշխատակիցը։ Դիարիզացիա և խոսքի ճանաչում հոդվածը բացատրում է մեխանիզմը. աջակցության զանգերի համար գործնական պատասխանն է պահել յուրաքանչյուր գործակալին մեկ անգամ։
Պահված խոսնակը անունով ձայնային հետք է։ Երբ այն գոյություն ունի, հաշվի յուրաքանչյուր նոր տառադարձություն համեմատում է լսված ձայները ձեր պահված խոսնակների հետ, և համընկնումը անունը տեղափոխում է տառադարձության մեջ։ Ֆայլերը համադրվում են ավտոմատ կերպով, ուստի գործակալի տողերը գալիս են որպես «Dana»՝ «Speaker 1»-ի փոխարեն։ Հաճախորդը մնում է համարակալված, քանի դեռ չեք անվանել։
Հետքը վերցրեք գործակալի իր սեփական զանգից, ոչ թե սեղանի մոտ արված ձայնագրությունից։ Ականջակալով ձայնը հանգիստ սենյակում և նույն ձայնը հեռախոսագծով մեքենային կարող է ավելի քիչ նման թվալ, քան երկու տարբեր մարդ, որոնք նույն կերպ են ձայնագրված, և հետքը լավագույնս համընկնում է իր վերցված աուդիոյին նման աուդիոյի հետ։ POST /v1/speakers/from-appearance-ը պահում է խոսնակին ուղղակիորեն տառադարձությունից՝ որպես նմուշ օգտագործելով այդ խոսնակի սեփական հատվածները զանգից։ appearance-ը speaker ինդեքսն է, որը կրում են նրա տողերը։
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Խոսնակին այս կերպ պահելը պահում է միայն նրա հետքը, առնվազն 5 վայրկյան նրա խոսքից. զանգը, որտեղ գործակալը խոսում է մեկ րոպե կամ ավելի, ավելի կայուն հետք է տալիս։ Ձայնի կլոնավորումը առանձին քայլ է, որը պահանջում է մարդու համաձայնությունը, և աջակցության աշխատանքային գործընթացը դրա կարիքը չունի։
Այդ պահից ավարտված զանգի տառադարձությունը ձեզ ասում է, թե ով է ճանաչվել։ GET /v1/transcriptions/{id}/transcript-ը թվարկում է speakers, և պահվածի հետ համընկած խոսնակն ունի identified: true և պահված անունը։ Մնացածը կարելի է անվանել մեկական հարցումով, PUT /v1/transcriptions/{id}/appearances/{number}, որտեղ number-ը խոսնակի ցուցադրվող համարն է։ Անվանումը պահվում է տառադարձության վրա, ուստի դրանից հետո յուրաքանչյուր արտահանում համարի փոխարեն կարդում է «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');
}
«Բոլոր չճանաչվածները հաճախորդ են» կանոնը համարեք մատի կանոն և ստուգեք ձեր սեփական զանգերի վրա։ Փոխանցումը բերում է երկրորդ գործակալի, ձայնագրված մենյուի հուշումը կարող է լսվել որպես առանձին ձայն, իսկ դեռ չպահված գործակալը ճիշտ հաճախորդի պես է երևում։ Նկատեք նաև, թե ինչպես է սահմանափակված համեմատությունը. յուրաքանչյուր տառադարձություն համեմատվում է հաշվում ամենավերջերս թարմացված 64 պահված խոսնակի հետ, ուստի ավելի մեծ թիմը չպետք է հույս դնի, որ յուրաքանչյուր գործակալ կճանաչվի յուրաքանչյուր զանգում։
Հեռախոսային աուդիոյի երկու հատկություն արժե իմանալ՝ նախքան պիտակները գնահատելը։ Երկալիք ձայնագրությունը, ձախում՝ գործակալ, աջում՝ հաճախորդ, տառադարձելիս խառնվում է մեկ ալիքի, ուստի խոսնակները բաժանվում են իրենց ձայներով, ոչ թե ալիքով։ Իսկ նեղ գոտու հեռախոսագիծը չի փոխանցում ոչինչ մոտ 3,4 կՀց-ից վեր, ինչը հեռացնում է այն մասը, որն ապահովում է երկու ձայնի տարբերելիությունը. կարճ, համընկնող փոխանակությունները («այո», «մմ-հմ», «ներեցեք, շարունակեք») այն վայրն են, որտեղ պիտակները ամենից հաճախ սխալվում են։
summary-ի և title-ի միացրած դեպքում յուրաքանչյուր զանգ ստանում է վերնագիր և մի քանի նախադասություն այն մասին, թե ինչի մասին էր, երբ տառադարձությունը վերջնական է։ Դա գնում է տիկետի մեջ, որպեսզի հաջորդ գործակալն իմանա պատմությունը՝ ոչինչ չբացելով։ Ամփոփումը գրվում է տառադարձությունից հետո, ուստի կարդացեք այն GET /v1/transcriptions/{id}/summary-ով և սպասեք, քանի դեռ state-ը pending է.
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);
}
Երբ state-ը ready է, title-ը և summary-ն պարունակում են տեքստը։ Մեկ րոպեից կարճ ձայնագրությունը երբեք ամփոփում չի ստանում (not_requested), ինչը կարևոր է ձայնային փոստի համար. ձայնային հաղորդագրությունների մեծ մասը այնքան կարճ է, որ տառադարձությունն ինքն է իր ամփոփումը։ առանց summary-ի արված զանգին այն կարելի է տալ ավելի ուշ POST /v1/transcriptions/{id}/summarize-ով։ Ամփոփումները ներառված են յուրաքանչյուր պլանում՝ առանց լրացուցիչ գնի։
GET /v1/transcriptions/{id}/export-ը վերադարձնում է ֆայլ յոթ ձևաչափերից մեկով. json, xlsx, pdf, srt, vtt, txt կամ md։ Յուրաքանչյուր արտահանում ներառում է ուղղումները և ձեր տված խոսնակների անունները։ Աջակցության թիմի համար դրանցից երկուսը անում են աշխատանքի մեծ մասը։
JSON ձեր սեփական կոդի համար։ JSON արտահանումը պարունակում է զանգի name, language, durationS և, summary=true-ով, նրա summary-ն, հետո segments. մեկ գրառում յուրաքանչյուր տողի համար, start և end վայրկյաններով, speaker, speakerName, text, confidence, արդյոք տողը corrected է, և words իրենց ժամանակներով։ Սա բավական է, որպեսզի սկրիպտը կառուցի CRM-ի նշում (վերնագիր, ամփոփում, գործակալի անուն, զանգի տևողություն) կամ հանի յուրաքանչյուր տող, որ ասել է հաճախորդը։
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 վերանայողի համար։ XLSX արտահանումն ունի Transcript թերթ՝ յուրաքանչյուր տողի համար մեկ շարքով և #, Start, End, Start (s), End (s), Speaker, Text, Confidence և Corrected սյունակներով։ summary=true-ով About թերթը ամփոփումը տալիս է զանգի անվան, լեզվի և տևողության կողքին։ QA ղեկավարը կարող է զտել գործակալի շարքերը, ավելացնել սյունակ գնահատականների կամ մեկնաբանությունների համար և պահել մեկ աշխատանքային գիրք յուրաքանչյուր վերանայման համար։
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Աջակցությունը մի քանի լեզվով աշխատում է նույն կերպ։ Արտահանմանը ավելացրեք lang=en և ֆայլը կարդացվում է անգլերեն, մեկ տող՝ մեկ նախադասության համար, թարգմանված այնտեղ, որտեղ զանգը իսպաներեն կամ լեհերեն էր. մեկ լեզու կարդացող վերանայողը կարող է գնահատել մի քանի լեզվով ընդունված զանգեր։ PDF արտահանումը հարմար է նրան, ով ցանկանում է ամբողջ զանգը կարդալ թղթի վրա՝ խոսնակներով և ժամանակային դրոշմակնիքներով։
Տառադարձությունը արտահանումից հետո մնում է հաշվի մեջ, ուստի զանգերը կազմում են գրադարան։ Թեգերը խմբավորում են դրանք. ստեղծեք մեկը յուրաքանչյուր հերթի կամ թիմի համար POST /v1/tags-ով, հետո դրեք այն տառադարձությունների վրա POST /v1/tags/{id}/transcriptions-ով։
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search-ը հետո որոնում է ասվածը բոլոր զանգերում, նեղացված ըստ թեգի և ամսաթվի. վճարումների հերթի յուրաքանչյուր զանգ այս ամիս, որտեղ ինչ-որ մեկն ասել է «cancel», յուրաքանչյուր արդյունք՝ իր զանգով և այն վայրկյանով, երբ դա ասվել է։
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Վերը նշված ամեն ինչ աշխատում է նաև առանց կոդի։ Transcriptions → New-ում վերբեռնված ֆայլը պիտակավորվում, ամփոփվում և արտահանվում է իր էջից, խոսնակները պահվում են Speakers-ում, իսկ թեգերն ու որոնումը Transcriptions ցանկում են։
Որոշ բացեր արժե իմանալ ցանկացած կարգավորումից առաջ։
Պահպանումը կախված է պլանից. գների էջը ցույց է տալիս, թե որքան ժամանակ են պահվում աուդիոն և տառադարձությունները յուրաքանչյուրում։ Տառադարձությունը կարելի է արխիվացնել, իսկ արխիվացվածը՝ ջնջել POST /v1/transcriptions/{id}/purge-ով, որը այն և դրա ամբողջ պարունակությունը ընդմիշտ ջնջում է։
Մեկնարկային գներով ձայնագրված զանգերն արժեն $0.20 մեկ ժամ աուդիոյի համար, հաշվարկված վայրկյանով ($0.0033 րոպեում), Pay as you go-ում՝ 5 րոպե նվազագույնով մեկ տառադարձության համար (Premium-ում կամ Enterprise-ում՝ ոչ)։ Ընթացիկ սակագները գների էջում են։ Խոսնակների պիտակները, խոսնակների անվանումը, ամփոփումները, թարգմանությունները և արտահանումները երբեք չեն ավելացնում հաշիվը։
Աջակցության զանգերը հաճախ կարճ են, ուստի նվազագույնը աջակցության թիմի հաշվի մեծ մասն է որոշում, քան սակագինը։ Pay as you go-ում.
Premium-ում և Enterprise-ում նվազագույն չկա, ուստի յուրաքանչյուր զանգ հաշվարկվում է իր սեփական վայրկյաններով. 40 վայրկյանանոց ձայնային հաղորդագրությունն արժե մոտ ցենտի մեկ հինգերորդը, իսկ երեք րոպեանոց 1000 զանգը՝ մոտ $10։ Թիմը, որն հիմնականում ընդունում է կարճ զանգեր, պետք է համեմատի երկուսը իր սեփական զանգերի երկարությունների վրա։
Մեկնարկային գներով թիմը, որը ամսական ձայնագրում է 2000 զանգ՝ միջինը 8 րոպե, ուղարկում է 16 000 րոպե աուդիո. Premium-ում մոտ $53 կրեդիտ ամսական, ամփոփումներն ու աղյուսակները ներառված։ Pay as you go-ում 5 րոպեից կարճ յուրաքանչյուր զանգ ավելացնում է սրան։
Ուղիղ տառադարձումն ավելի թանկ է ($0.60 ժամում մեկնարկային գներով), քանի որ այն համընթաց է զանգի հետ. եթե ոչ ոք զանգի ժամանակ բառերի կարիք չունի, տառադարձեք ձայնագրությունը հետո։ Նոր հաշիվը սկսվում է մեկանգամյա գրանցման կրեդիտով, և քարտ չի պահանջվում, ուստի վերը նշված քայլերը կարելի է փորձել ձեր սեփական զանգերի խմբաքանակի վրա՝ նախքան որևէ բան գնելը։