文字起こしは声を区別できても、どの声がオペレーターかは分かりません。各オペレーターを自分の通話から一度だけ保存すれば、それ以降の通話はオペレーター名付きで返り、上部に要約、QA用のスプレッドシートも用意されます。
サポート通話を聞いて確認するQA担当者がこなせるのは、一日に数件です。7分の通話は、どれだけ素早くクリックしても7分かかります。同じ通話をテキストで読めば、約1,000語、1ページです。1ページなら、ざっと目を通し、検索し、チケットに貼り付けられます。カスタマーサービス通話の文字起こしは、電話システムがすでに保存している録音を、そうしたページに変えます。そのページが役に立つかどうかは、三つの点で決まります。各行に誰が話したか(オペレーターか顧客か)が書かれているか。何を尋ねられ、何が合意されたかの短い要約が通話に付いてくるか。そして、結果がチームの作業場所、つまりCRMのメモやQA用のスプレッドシートに届くか、です。
この記事では、VocalStackを使ったそのワークフローを順に説明します。APIで録音済みの通話を送り、オペレーターを名前で認識し、通話ごとに要約を作り、JSONとExcelでエクスポートします。また、最初の通話をアップロードする前に知っておくべきこととして、VocalStackがサポートチームのために行わないことも率直にお伝えします。
ほとんどの電話システムやコンタクトセンターのシステムは、通話録音を音声ファイルとしてエクスポートしたり、それぞれにダウンロードリンクを発行したりできます。どちらでも使えます。POST /v1/transcriptions は、ファイルをマルチパートでアップロードするか、サーバー自身が取得する url を含むJSON本文を受け付けます。ファイルのチュートリアルでこの呼び出しを詳しく説明しています。通話では、次の設定が重要です。すべて settings の中にあります。
speakerLabels:on に設定すると、二人の通話のすべての行に話者が付きます。既定の When Needed(auto)は、二人目の話者が聞こえた時点で初めて行にラベルを付けるため、通話よりも講演向きです。summary と title:どちらも、指定しないとオフです。オンにすると、通話が文字起こしされた後に、タイトルと短い要約が作成されます。spokenLanguage:一つの言語の通話しか受けないキューなど、分かっている場合は指定してください。省略すると、100の言語から自動検出されます。アップロードには、文字起こしのIDがすぐに返され、言葉は少し後に届きます。アップロードごとに Idempotency-Key を送ってください。24時間以内に同じキーと本文で再試行すると、二つ目を作って課金する代わりに、最初の文字起こしが返されます。電話システム側の通話IDが、自然なキーになります。
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 ?? ''}`);
一晩分の録音を、一つのループでアップロードできます。各プランには、同時に実行できる文字起こしの数が決まっており、それを超えたファイルは拒否されません。作成され、queued のまま待機し、先のものが終わると自動的に始まります。実際に上限に達するのは、アカウントが一時間にAPIから開始できる文字起こしの数です。各プランの数値は料金ページにあります。Webhookはないため、スクリプトは各ジョブが終わるまでポーリングします。waitForJob がそれを代行します。
話者ラベルは、ダイアライゼーションから得られます。録音をターンに分け、ターンを声ごとにグループ化します。返ってくるのは「Speaker 1」と「Speaker 2」です。システムは二つの声を区別できますが、音声の中に、どちらがあなたの会社の人かを示すものはありません。仕組みは話者ダイアライゼーションと音声認識の違いで説明しています。サポート通話での現実的な答えは、各オペレーターを一度だけ保存することです。
保存された話者とは、名前の付いた声紋です。一度作成されると、アカウント内の新しい文字起こしはすべて、聞こえた声を保存された話者と照合し、一致すれば名前が文字起こしに反映されます。ファイルは自動的に照合されるので、オペレーターの行は「Speaker 1」ではなく「Dana」として届きます。顧客は、名前を付けるまで番号のままです。
声紋は、机で録った録音ではなく、そのオペレーター自身の通話から取ってください。静かな部屋でヘッドセットを使った声と、電話回線を通った同じ声は、同じ条件で録音された別人同士より、機械には似ていないことがあります。声紋は、元になった音声に近い音声と最もよく一致します。POST /v1/speakers/from-appearance は、その話者の通話中の発話区間をサンプルにして、文字起こしから直接話者を保存します。appearance は、その人の行が持つ speaker のインデックスです。
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
この方法で話者を保存すると、少なくとも5秒の発話から得られた声紋だけが保存されます。オペレーターが1分以上話している通話なら、より安定した声紋になります。音声クローンは、本人の同意が必要な別のステップで、サポートのワークフローでは使い道がありません。
それ以降は、終わった通話の文字起こしを見れば、誰が認識されたか分かります。GET /v1/transcriptions/{id}/transcript は speakers を返し、保存された話者に一致した話者には identified: true と保存された名前が付きます。残りは、一人につき一回の呼び出し PUT /v1/transcriptions/{id}/appearances/{number} で名前を付けられます。number は話者の表示番号です。名前は文字起こしに保存されるので、以降のエクスポートはすべて、番号ではなく「Customer」と表示されます。
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');
}
「認識されなかった人はみんな顧客」というのは経験則として扱い、自分の通話で確かめてください。転送されれば二人目のオペレーターが入りますし、録音された音声ガイダンスが一人の声として聞き取られることもありますし、まだ保存されていないオペレーターは、顧客とまったく同じに見えます。照合の範囲にも限りがあります。各文字起こしは、アカウント内で最近更新された64人の保存済み話者と照合されるため、それより大きなチームでは、すべての通話ですべてのオペレーターが認識されるとは限りません。
ラベルを評価する前に、電話音声の二つの性質を知っておく価値があります。左にオペレーター、右に顧客が入った2チャンネルの録音は、文字起こしの際に1チャンネルにミックスされるため、話者は、チャンネルではなく声で分けられます。また、狭帯域の電話回線は約3.4 kHz を超える音を伝えず、二つの声を区別する要素の一部が失われます。短く重なるターン(「yes」「mm-hm」「sorry, go on」)は、ラベルが最も間違いやすい場所です。
summary と title をオンにすると、文字起こしが確定した時点で、各通話にタイトルと、内容を述べる数文が付きます。これがチケットに入るので、次のオペレーターは何も開かずに経緯が分かります。要約は文字起こしの後に作られるため、GET /v1/transcriptions/{id}/summary で読み、state が pending の間は待ちます。
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);
}
state が ready になると、title と summary にテキストが入ります。1分未満の録音には要約が付きません(not_requested)。これは留守番電話で重要です。ほとんどの留守電は十分短く、文字起こしそのものが要約になるからです。summary なしで行った通話には、後から POST /v1/transcriptions/{id}/summarize で要約を付けられます。要約は、すべてのプランに追加料金なしで含まれます。
GET /v1/transcriptions/{id}/export は、7つの形式のいずれかでファイルを返します。json、xlsx、pdf、srt、vtt、txt、md です。どのエクスポートにも、修正と、付けた話者名が含まれます。サポートチームにとっては、そのうち二つが主力です。
自分のコード向けのJSON。 JSONエクスポートには、通話の name、language、durationS があり、summary=true を指定すると summary も付きます。続いて segments があり、一行につき一つのエントリーで、秒単位の start と end、speaker、speakerName、text、confidence、その行が corrected かどうか、そして単語ごとのタイミング付きの words を持ちます。これだけあれば、スクリプトでCRMのメモ(タイトル、要約、オペレーター名、通話時間)を作ったり、顧客が話した行をすべて取り出したりできます。
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.
レビュー担当者向けのExcel。 XLSXエクスポートには、文字起こしの一行が表の一行になるTranscriptシートがあり、列は #、Start、End、Start (s)、End (s)、Speaker、Text、Confidence、Corrected です。summary=true を指定すると、Aboutシートに、通話の名前、言語、長さと並んで要約が載ります。QA担当者は、オペレーターの行に絞り込み、点数やコメントの列を追加して、レビューごとに一つのブックを保管できます。
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
複数の言語でのサポートも、同じように機能します。エクスポートに lang=en を追加すると、ファイルは英語で、一文一行で読め、通話がスペイン語やポーランド語だった部分は翻訳されます。一つの言語しか読めないレビュー担当者でも、複数の言語で受けた通話を採点できます。PDFエクスポートは、話者とタイムスタンプ付きで通話全体を紙で読みたい人に向いています。
文字起こしは、エクスポート後もアカウントに残るので、通話がライブラリになります。タグでグループ化できます。POST /v1/tags でキューやチームごとに一つ作成し、POST /v1/tags/{id}/transcriptions で文字起こしに付けます。
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search では、タグと日付で絞り込みながら、すべての通話で話された内容を検索できます。たとえば、今月の請求キューの通話で誰かが「cancel」と言ったものすべてで、各ヒットに通話と、それが話された秒数が付きます。
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
上記はすべて、コードなしでも使えます。Transcriptions → Newでアップロードしたファイルは、そのページでラベル付け、要約、エクスポートができ、話者はSpeakersに保存され、タグと検索はTranscriptionsの一覧にあります。
設定を始める前に知っておくべき制約がいくつかあります。
保存期間はプランによって異なります。料金ページで、各プランの音声と文字起こしの保存期間を確認できます。文字起こしはアーカイブでき、アーカイブしたものは POST /v1/transcriptions/{id}/purge で消去できます。これは、その文字起こしとその中身をすべて完全に削除します。
提供開始時の料金では、録音済みの通話は音声1時間あたり$0.20で、秒単位で課金され(1分あたり$0.0033)、従量課金では文字起こしごとに最低5分です(PremiumとEnterpriseにはありません)。現在の料金は料金ページにあります。話者ラベル、話者の命名、要約、翻訳、エクスポートは、請求額を増やしません。
サポート通話は短いことが多く、サポートチームの請求額は、料金よりも最低時間のほうで決まる部分が大きくなります。従量課金の場合は次のとおりです。
PremiumとEnterpriseには最低時間がないため、すべての通話が実際の秒数で課金されます。40秒の留守電は約1セントの5分の1(0.2セント)、3分の通話1,000件は約$10です。短い通話が中心のチームは、自分たちの通話の長さで二つを比べてみてください。
提供開始時の料金で、平均8分の通話を月に2,000件録音するチームは、16,000分の音声を送ります。Premiumでは月に約$53のクレジットで、要約とスプレッドシートも含まれます。従量課金では、5分未満の通話が一件ごとにこの金額に上乗せされます。
ライブの文字起こしは、通話のペースに合わせて処理するため、料金が高くなります(提供開始時の料金で1時間あたり$0.60)。通話中に言葉が必要でなければ、録音を後から文字起こしするほうが経済的です。新しいアカウントには、一度限りのサインアップクレジットが付き、カードは不要なので、何かを購入する前に、自分の通話をまとめて使って上記の手順を試せます。