Transkripsi dapat membedakan suara, tetapi tidak tahu mana yang agen. Simpan setiap agen sekali, dari salah satu panggilannya sendiri, dan setiap panggilan berikutnya datang dengan agen yang sudah bernama, ringkasan di bagian atas, dan spreadsheet yang siap untuk QA.
Pemimpin QA yang meninjau panggilan dukungan dengan mendengarkan hanya sanggup menyelesaikan beberapa panggilan sehari, dan panggilan tujuh menit memakan tujuh menit secepat apa pun Anda mengeklik. Dibaca sebagai teks, panggilan yang sama kira-kira seribu kata, satu halaman, dan satu halaman bisa dibaca sekilas, dicari, dan ditempel ke tiket. Transkripsi panggilan layanan pelanggan mengubah rekaman yang sudah disimpan sistem telepon Anda menjadi halaman-halaman itu. Tiga hal menentukan apakah halaman itu berguna: apakah setiap baris menyebutkan siapa yang berbicara, agen atau pelanggan; apakah panggilan datang dengan ringkasan singkat tentang apa yang diminta dan apa yang disepakati; dan apakah hasilnya mendarat di tempat tim bekerja, catatan CRM atau spreadsheet QA.
Artikel ini menelusuri alur kerja itu dengan VocalStack: panggilan terekam yang dikirim lewat API, agen yang dikenali dari namanya, ringkasan yang ditulis untuk setiap panggilan, dan ekspor dalam JSON serta Excel. Artikel ini juga mengatakan dengan jelas apa yang tidak dilakukan VocalStack untuk tim dukungan, karena sebagian di antaranya penting diketahui sebelum panggilan pertama diunggah.
Kebanyakan sistem telepon dan pusat kontak dapat mengekspor rekaman panggilan sebagai file audio, atau memberi tiap rekaman tautan unduhan. Keduanya bisa dipakai. POST /v1/transcriptions menerima file sebagai unggahan multipart, atau isi JSON dengan url yang diambil server sendiri. Tutorial file membahas pemanggilannya secara rinci; untuk panggilan telepon, pengaturan berikut penting, semuanya di dalam settings:
speakerLabels: setel ke on, agar setiap baris panggilan dua orang membawa seorang pembicara. Bawaannya, When Needed (auto), melabeli baris hanya setelah pembicara kedua terdengar, yang lebih cocok untuk kuliah daripada panggilan.summary dan title: keduanya mati kecuali Anda memintanya. Bila dinyalakan, judul dan ringkasan singkat ditulis untuk panggilan setelah ditranskripsi.spokenLanguage: sebutkan bila Anda tahu, seperti pada antrean yang hanya menerima panggilan dalam satu bahasa. Jika dihilangkan, bahasa dideteksi, dari 100.Unggahan langsung menjawab dengan id transkripsi; kata-katanya menyusul sebentar kemudian. Kirim Idempotency-Key bersama setiap unggahan: percobaan ulang dengan kunci dan isi yang sama dalam 24 jam mengembalikan transkripsi pertama alih-alih membuat, dan menagih, yang kedua. Id panggilan itu sendiri dari sistem telepon Anda adalah kunci yang wajar.
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 ?? ''}`);
Rekaman semalam bisa diunggah dalam satu perulangan. Setiap paket menetapkan berapa banyak transkripsi yang berjalan sekaligus, dan file di atas jumlah itu tidak ditolak: ia dibuat, menunggu dalam status queued, dan mulai sendiri ketika yang lebih awal selesai. Batas yang bisa Anda capai adalah jumlah transkripsi yang boleh dimulai akun lewat API dalam satu jam; angka untuk tiap paket ada di halaman harga. Tidak ada webhook, jadi skrip Anda melakukan polling pada setiap job sampai selesai, yang dikerjakan waitForJob untuk Anda.
Label pembicara berasal dari diarisasi: rekaman dibagi menjadi giliran bicara, dan giliran itu dikelompokkan menurut suara. Yang kembali adalah "Speaker 1" dan "Speaker 2". Sistem dapat membedakan dua suara, tetapi tidak ada dalam audio yang mengatakan mana yang dipekerjakan oleh Anda. Diarisasi pembicara vs pengenalan ucapan menjelaskan mekanismenya; untuk panggilan dukungan, jawaban praktisnya adalah menyimpan setiap agen satu kali.
Pembicara tersimpan adalah sidik suara dengan sebuah nama. Setelah ada, setiap transkripsi baru di akun membandingkan suara yang didengarnya dengan pembicara tersimpan Anda, dan kecocokan membawa nama itu ke transkrip. File dicocokkan secara otomatis, jadi baris agen datang sebagai "Dana" alih-alih "Speaker 1". Pelanggan tetap bernomor sampai Anda memberinya nama.
Ambil sidik suara dari salah satu panggilan agen sendiri, bukan dari rekaman yang dibuat di meja kerja. Suara pada headset di ruangan tenang dan suara yang sama di saluran telepon bisa terdengar kurang mirip bagi mesin dibanding dua orang berbeda yang direkam dengan cara yang sama, dan sidik suara paling cocok dengan audio yang menyerupai audio asalnya. POST /v1/speakers/from-appearance menyimpan pembicara langsung dari sebuah transkripsi, memakai bagian panggilan milik pembicara itu sendiri sebagai sampel. appearance adalah indeks speaker yang dibawa baris-barisnya.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Menyimpan pembicara dengan cara ini hanya menyimpan sidik suaranya, dari paling sedikit 5 detik ucapannya; panggilan yang agennya berbicara satu menit atau lebih memberi sidik suara yang lebih stabil. Kloning suara adalah langkah terpisah yang membutuhkan persetujuan orang tersebut, dan alur kerja dukungan tidak punya kegunaan untuknya.
Sejak itu, transkrip panggilan yang sudah selesai memberi tahu siapa yang dikenali. GET /v1/transcriptions/{id}/transcript mencantumkan speakers, dan pembicara yang cocok dengan yang tersimpan memiliki identified: true dan nama yang tersimpan. Sisanya dapat diberi nama dengan satu panggilan masing-masing, PUT /v1/transcriptions/{id}/appearances/{number}, dengan number adalah nomor tampilan pembicara. Penamaan disimpan pada transkripsi, jadi setiap ekspor sesudahnya menulis "Customer" alih-alih nomor.
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');
}
Perlakukan "semua yang tidak dikenali adalah pelanggan" sebagai kaidah kasar dan periksa pada panggilan Anda sendiri. Pengalihan panggilan membawa agen kedua, prompt menu yang direkam bisa terdengar sebagai suara tersendiri, dan agen yang belum disimpan terlihat persis seperti pelanggan. Perhatikan juga bagaimana perbandingan dibatasi: setiap transkripsi dibandingkan dengan 64 pembicara tersimpan yang paling baru diperbarui di akun, jadi tim yang lebih besar dari itu tidak boleh mengandalkan setiap agen dikenali pada setiap panggilan.
Dua sifat audio telepon perlu diketahui sebelum Anda menilai labelnya. Rekaman dua kanal, dengan agen di kiri dan pelanggan di kanan, dicampur menjadi satu kanal saat ditranskripsi, jadi pembicara dipisahkan menurut suaranya, bukan menurut kanalnya. Dan saluran telepon pita sempit tidak membawa apa pun di atas sekitar 3.4 kHz, yang menghilangkan sebagian dari apa yang membuat dua suara berbeda; giliran pendek yang tumpang tindih ("yes", "mm-hm", "sorry, go on") adalah tempat label paling sering keliru.
Dengan summary dan title menyala, setiap panggilan mendapat judul dan beberapa kalimat tentang isinya begitu transkrip final. Itulah yang masuk ke tiket, agar agen berikutnya tahu riwayatnya tanpa membuka apa pun. Ringkasan ditulis setelah transkrip, jadi bacalah dengan GET /v1/transcriptions/{id}/summary dan tunggu selama state-nya 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);
}
Ketika state adalah ready, title dan summary berisi teksnya. Rekaman yang lebih pendek dari satu menit tidak pernah mendapat ringkasan (not_requested), yang penting untuk pesan suara: kebanyakan pesan suara cukup pendek sehingga transkripnya adalah ringkasannya sendiri. Panggilan yang dibuat tanpa summary dapat diberi ringkasan kemudian dengan POST /v1/transcriptions/{id}/summarize. Ringkasan termasuk di setiap paket tanpa biaya tambahan.
GET /v1/transcriptions/{id}/export mengembalikan file dalam salah satu dari tujuh format: json, xlsx, pdf, srt, vtt, txt, atau md. Setiap ekspor menyertakan koreksi dan nama pembicara yang Anda berikan. Bagi tim dukungan, dua di antaranya mengerjakan sebagian besar pekerjaan.
JSON untuk kode Anda sendiri. Ekspor JSON memuat name, language, dan durationS panggilan serta, dengan summary=true, summary-nya, lalu segments: satu entri per baris, dengan start dan end dalam detik, speaker, speakerName, text, sebuah confidence, apakah baris itu corrected, dan words dengan penanda waktunya sendiri. Itu cukup bagi skrip untuk menyusun catatan CRM (judul, ringkasan, nama agen, durasi panggilan), atau mengambil setiap baris yang diucapkan pelanggan.
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 untuk peninjau. Ekspor XLSX memiliki lembar Transcript dengan satu baris per baris ucapan dan kolom #, Start, End, Start (s), End (s), Speaker, Text, Confidence, dan Corrected. Dengan summary=true, lembar About memuat ringkasan di samping nama, bahasa, dan durasi panggilan. Pemimpin QA dapat menyaring baris agen, menambah kolom untuk skor atau komentar, dan menyimpan satu buku kerja per peninjauan.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Dukungan dalam lebih dari satu bahasa bekerja dengan cara yang sama. Tambahkan lang=en ke ekspor dan file terbaca dalam bahasa Inggris, satu baris per kalimat, diterjemahkan di bagian panggilan dalam bahasa Spanyol atau Polandia; peninjau yang membaca satu bahasa dapat menilai panggilan yang diterima dalam beberapa bahasa. Ekspor PDF cocok untuk orang yang ingin membaca seluruh panggilan di atas kertas, lengkap dengan pembicara dan stempel waktu.
Transkripsi tetap berada di akun setelah diekspor, jadi panggilan menumpuk menjadi perpustakaan. Tag mengelompokkannya: buat satu per antrean atau tim dengan POST /v1/tags, lalu pasang pada transkripsi dengan 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 kemudian mencari apa yang diucapkan di semua panggilan, dipersempit menurut tag dan tanggal: setiap panggilan antrean penagihan bulan ini yang di dalamnya seseorang mengatakan "cancel", setiap hasil lengkap dengan panggilannya dan detik saat diucapkan.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Semua yang di atas juga berjalan tanpa kode. File yang diunggah di Transcriptions → New diberi label, diringkas, dan diekspor dari halamannya, pembicara disimpan di bawah Speakers, dan tag serta pencarian ada di daftar Transcriptions.
Beberapa celah perlu diketahui sebelum menyiapkan apa pun.
Retensi bergantung pada paket; halaman harga menunjukkan berapa lama audio dan transkripsi disimpan di setiap paket. Transkripsi dapat diarsipkan, dan yang diarsipkan dapat dihapus permanen dengan POST /v1/transcriptions/{id}/purge, yang menghapusnya beserta semua isinya untuk selamanya.
Pada harga peluncuran, panggilan terekam berharga $0.20 per jam audio, ditagih per detik ($0.0033 per menit), dengan minimum 5 menit per transkripsi pada Bayar Sesuai Pemakaian (tidak ada pada Premium maupun Enterprise). Tarif terkini ada di halaman harga. Label pembicara, penamaan pembicara, ringkasan, terjemahan, dan ekspor tidak pernah menambah tagihan.
Panggilan dukungan sering kali pendek, jadi minimum menentukan lebih banyak tagihan tim dukungan daripada tarifnya. Pada Bayar Sesuai Pemakaian:
Pada Premium dan Enterprise tidak ada minimum, jadi setiap panggilan ditagih menurut detiknya sendiri: pesan suara 40 detik berbiaya sekitar seperlima sen, dan 1.000 panggilan tiga menit sekitar $10. Tim yang sebagian besar menerima panggilan pendek sebaiknya membandingkan keduanya pada durasi panggilannya sendiri.
Pada harga peluncuran, tim yang merekam 2.000 panggilan sebulan dengan rata-rata 8 menit mengirim 16.000 menit audio: sekitar $53 kredit sebulan pada Premium, termasuk ringkasan dan spreadsheet. Pada Bayar Sesuai Pemakaian, setiap panggilan di bawah 5 menit menambah jumlah itu.
Transkripsi langsung berbiaya lebih tinggi ($0.60 per jam pada harga peluncuran), karena mengikuti laju panggilan; jika tidak ada yang membutuhkan kata-katanya selama panggilan, transkripsikan rekamannya sesudahnya. Akun baru dimulai dengan kredit pendaftaran satu kali dan tanpa kartu, jadi langkah-langkah di atas dapat dicoba pada sekumpulan panggilan Anda sendiri sebelum membeli apa pun.