Umritun greinir raddir að en getur ekki vitað hver þeirra er starfsmaðurinn. Vistaðu hvern starfsmann einu sinni, úr einu af hans eigin símtölum, og hvert símtal eftir það kemur með starfsmanninn nefndan, samantekt efst og töflu tilbúna fyrir gæðaeftirlit.
Gæðastjóri sem fer yfir símtöl í þjónustuveri með því að hlusta kemst yfir örfá á dag og sjö mínútna símtal tekur sjö mínútur, sama hversu hratt þú smellir. Lesið sem texti er sama símtalið um þúsund orð, ein síða, og síðu má renna yfir, leita í og líma inn í verkbeiðni. Umritun símtala í þjónustuveri breytir upptökunum sem símkerfið þitt geymir nú þegar í slíkar síður. Þrennt ræður því hvort síðurnar eru til gagns: hvort hver llína segir hver talaði, starfsmaður eða viðskiptavinur; hvort símtalinu fylgir stutt samantekt á því sem var beðið um og því sem var samþykkt; og hvort niðurstaðan lendir þar sem teymið vinnur, í CRM-minnispunkti eða gæðatöflu.
Þessi grein fer í gegnum þetta vinnuflæði með VocalStack: upptekin símtöl send gegnum API, starfsmaðurinn þekktur með nafni, samantekt skrifuð fyrir hvert símtal og útflutningur í JSON og Excel. Hún segir líka hreint út hvað VocalStack gerir ekki fyrir þjónustuteymi, því sumt af því skiptir máli áður en fyrsta símtalið er hlaðið upp.
Flest síma- og þjónustuverskerfi geta flutt upptökur út sem hljóðskrár eða gefið hverri niðurhalstengil. Hvort tveggja dugar. POST /v1/transcriptions tekur skrá sem multipart-upphleðslu, eða JSON-búk með url sem þjónninn sækir sjálfur. Skráarleiðbeiningarnar fara í kallið í smáatriðum; fyrir símtöl skipta þessar stillingar máli, allar innan settings:
speakerLabels: stilltu á on, svo hver lína í símtali tveggja manna beri mælanda. Sjálfgefið, When Needed (auto), merkir línur aðeins þegar annar mælandi heyrist, sem hentar fyrirlestri betur en símtali.summary og title: hvort tveggja er slökkt nema þú biðjir um það. Með þau á eru skrifuð titill og stutt samantekt fyrir símtalið þegar það hefur verið umritað.spokenLanguage: nefndu það þegar þú veist það, til dæmis í biðröð sem tekur aðeins við símtölum á einu tungumáli. Slepptu því og tungumálið er greint, úr 100.Upphleðslan svarar strax með auðkenni umritunar; orðin koma örlítið síðar. Sendu Idempotency-Key með hverri upphleðslu: endurtekning með sama lykli og sama búk innan 24 klukkustunda skilar fyrstu umrituninni í stað þess að búa til, og rukka fyrir, aðra. Eigið auðkenni símtalsins úr símkerfinu þínu er eðlilegur lykill.
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 ?? ''}`);
Upptökur heillar nætur má senda upp í einni lykkju. Hver áskriftarleið ákveður hversu margar umritanir keyra samtímis og skrá umfram þá tölu er ekki hafnað: hún er búin til, bíður í stöðunni queued og byrjar sjálf þegar fyrri lýkur. Takmörkin sem þú getur rekist á eru fjöldi umritana sem reikningur má hefja gegnum API á klukkustund; tölur hverrar áskriftarleiðar eru á verðsíðunni. Engir webhooks eru til, svo skriptan þín kannar hvert verk þar til því er lokið, sem waitForJob gerir fyrir þig.
Mælendamerki koma úr mælendagreiningu (diarization): upptakan er brotin í skipti og skiptunum er hópað eftir rödd. Það sem kemur til baka er „Speaker 1“ og „Speaker 2“. Kerfið getur greint tvær raddir að, en ekkert í hljóðinu segir hvor þeirra er á launaskrá hjá þér. Mælendagreining og talgreining útskýrir vélbúnaðinn; fyrir símtöl í þjónustuveri er hagnýta svarið að vista hvern starfsmann einu sinni.
Vistaður mælandi (saved speaker) er raddfingrafar með nafni. Þegar hann er til ber hver ný umritun á reikningnum raddirnar sem hún heyrir saman við vistuðu mælendurna þína og samsvörun flytur nafnið inn í uppskriftina. Skrár eru paraðar sjálfkrafa, svo línur starfsmannsins koma sem „Dana“ í stað „Speaker 1“. Viðskiptavinurinn helst númeraður þar til þú nefnir hann.
Taktu fingrafarið úr einu af eigin símtölum starfsmannsins frekar en upptöku sem gerð er við skrifborð. Rödd í heyrnartólum í hljóðlátu herbergi og sama röddin á símalínu geta hljómað minna lík í eyrum vélar en tvær ólíkar manneskjur teknar upp á sama hátt, og fingrafarið passar best við hljóð eins og það sem það kom úr. POST /v1/speakers/from-appearance vistar mælanda beint úr umritun og notar eigin kafla þess mælanda í símtalinu sem sýni. appearance er speaker-vísirinn sem línur hans bera.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Að vista mælanda með þessum hætti geymir aðeins fingrafar hans, úr að minnsta kosti 5 sekúndum af tali; símtal þar sem starfsmaðurinn talar í mínútu eða meira gefur stöðugra fingrafar. Raddklónun er sérstakt skref sem krefst samþykkis viðkomandi og vinnuflæði þjónustuvers hefur ekkert við hana að gera.
Eftir það segir uppskrift lokins símtals þér hverjir voru þekktir. GET /v1/transcriptions/{id}/transcript listar speakers og mælandi sem passaði við vistaðan hefur identified: true og vistaða nafnið. Hina má nefna með einu kalli hvern, PUT /v1/transcriptions/{id}/appearances/{number}, þar sem number er birtingarnúmer mælandans. Nafngiftin er geymd á umrituninni, svo hver útflutningur eftir það les „Customer“ í stað númers.
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');
}
Líttu á „allir sem ekki eru þekktir eru viðskiptavinurinn“ sem þumalputtareglu og athugaðu hana á þínum eigin símtölum. Millifærsla kemur með annan starfsmann, hljóðrituð valmyndarskilaboð geta heyrst sem sérstök rödd og starfsmaður sem ekki hefur verið vistaður enn lítur nákvæmlega út eins og viðskiptavinur. Taktu líka eftir því hvernig samanburðurinn er takmarkaður: hver umritun er borin saman við þá 64 vistuðu mælendur sem voru síðast uppfærðir á reikningnum, svo teymi sem er stærra en það ætti ekki að treysta á að hver starfsmaður sé þekktur í hverju símtali.
Tvennt við símahljóð er vert að vita áður en þú dæmir merkin. Tveggja rása upptaka, með starfsmanninn til vinstri og viðskiptavininn til hægri, er blönduð niður í eina rás þegar hún er umrituð, svo mælendur eru aðgreindir eftir röddum, ekki rásum. Og símalína með þröngu tíðnisviði flytur ekkert yfir um það bil 3.4 kHz, sem fjarlægir hluta þess sem gerir tvær raddir ólíkar; stutt, skarast skipti („yes“, „mm-hm“, „sorry, go on“) eru þar sem merkin fara oftast úrskeiðis.
Með summary og title á fær hvert símtal titil og nokkrar setningar um hvað það snerist þegar uppskriftin er endanleg. Það er það sem fer í verkbeiðnina, svo næsti starfsmaður þekki söguna án þess að opna nokkuð. Samantektin er skrifuð eftir uppskriftina, svo lestu hana með GET /v1/transcriptions/{id}/summary og bíddu meðan state hennar er 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);
}
Þegar state er ready innihalda title og summary textann. Upptaka sem er styttri en ein mínúta fær aldrei samantekt (not_requested), sem skiptir máli fyrir talhólfsskilaboð: flest eru nógu stutt til að uppskriftin sé sín eigin samantekt. Símtal sem gert var án summary má fá samantekt síðar með POST /v1/transcriptions/{id}/summarize. Samantektir eru innifaldar í öllum áskriftarleiðum án aukakostnaðar.
GET /v1/transcriptions/{id}/export skilar skrá á einu af sjö sniðum: json, xlsx, pdf, srt, vtt, txt eða md. Hver útflutningur inniheldur leiðréttingar og mælendanöfnin sem þú gafst. Fyrir þjónustuteymi vinna tvö þeirra mestan hluta verksins.
JSON fyrir þinn eigin kóða. JSON-útflutningurinn hefur name, language, durationS símtalsins og, með summary=true, summary þess, síðan segments: eina færslu á línu, með start og end í sekúndum, speaker, speakerName, text, confidence, hvort línan var corrected og words með eigin tímasetningum. Það nægir skriptu til að byggja CRM-minnispunkt (titilinn, samantektina, nafn starfsmannsins, lengd símtalsins) eða draga út hverja línu sem viðskiptavinurinn sagði.
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 fyrir yfirferðarmanninn. XLSX-útflutningurinn hefur Transcript-blað með einni röð á línu og dálkunum #, Start, End, Start (s), End (s), Speaker, Text, Confidence og Corrected. Með summary=true ber About-blaðið samantektina við hlið nafns, tungumáls og lengdar símtalsins. Gæðastjóri getur síað raðir starfsmannsins, bætt við dálki fyrir einkunnir eða athugasemdir og haldið einni vinnubók á hverja yfirferð.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Þjónusta á fleiri en einu tungumáli virkar eins. Bættu lang=en við útflutning og skráin les á ensku, ein lína á setningu, þýdd þar sem símtalið var á spænsku eða pólsku; yfirferðarmaður sem les eitt tungumál getur gefið einkunn fyrir símtöl sem tekin eru á mörgum. PDF-útflutningurinn hentar þeim sem vill lesa heilt símtal á pappír, með mælendum og tímastimplum.
Umritun helst á reikningnum eftir útflutning, svo símtölin mynda safn. Merki (tags) hópa þau: búðu til eitt á biðröð eða teymi með POST /v1/tags og settu það á umritanir með 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 leitar síðan að því sem sagt var í öllum símtölum, afmarkað eftir merki og dagsetningu: hvert símtal í reikningabiðröðinni í þessum mánuði þar sem einhver sagði „cancel“, hver niðurstaða með símtali sínu og sekúndunni sem það var sagt.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Allt ofangreint virkar líka án kóða. Skrá sem hlaðið er upp á Transcriptions → New er merkt, dregin saman og flutt út af síðu sinni, mælendur eru vistaðir undir Mælandur og merki og leit eru í Transcriptions-listanum.
Sum göt er vert að þekkja áður en nokkuð er sett upp.
Varðveisla fer eftir áskriftarleið; verðsíðan sýnir hversu lengi hljóð og umritanir eru geymd í hverri. Umritun má setja í geymslu og geymda umritun má eyða með POST /v1/transcriptions/{id}/purge, sem eyðir henni og öllu í henni fyrir fullt og allt.
Á upphafsverði kosta upptekin símtöl $0.20 á klukkustund af hljóði, innheimt á sekúndu ($0.0033 á mínútu), með 5 mínútna lágmarki á hverja umritun í Greitt eftir notkun (ekkert í Premium eða Enterprise). Núverandi verð eru á verðsíðunni. Mælendamerki, nafngiftir mælenda, samantektir, þýðingar og útflutningur bæta aldrei við reikninginn.
Símtöl í þjónustuveri eru oft stutt, svo lágmarkið ræður meiru um reikning þjónustuteymis en taxtinn. Í Greitt eftir notkun:
Í Premium og Enterprise er ekkert lágmark, svo hvert símtal er innheimt eftir eigin sekúndum: 40 sekúndna talhólfsskilaboðin kosta um fimmtung úr senti og 1,000 þriggja mínútna símtölin um $10. Teymi sem tekur aðallega stutt símtöl ætti að bera þetta tvennt saman miðað við sína eigin lengd símtala.
Á upphafsverði sendir teymi sem tekur upp 2,000 símtöl á mánuði að meðaltali 8 mínútur 16,000 mínútur af hljóði: um $53 af inneign á mánuði í Premium, samantektir og töflur innifaldar. Í Greitt eftir notkun bætir hvert símtal undir 5 mínútum við það.
Umritun í beinni kostar meira ($0.60 á klukkustund á upphafsverði), því hún heldur í við símtalið; ef enginn þarf orðin meðan á símtalinu stendur skaltu umrita upptökuna á eftir. Nýr reikningur byrjar á einskiptis nýskráningarinneign og ekkert kort þarf, svo prófa má skrefin hér að ofan á hópi af þínum eigin símtölum áður en nokkuð er keypt.