Transkripcija atšķir balsis, bet nevar zināt, kura no tām ir aģenta. Saglabājiet katru aģentu vienreiz no viņa paša zvana, un katrs nākamais zvans nāks ar nosauktu aģentu, kopsavilkumu augšā un QA gatavu izklājlapu.
QA vadītājs, kas pārbauda atbalsta zvanus, tos klausoties, dienā var tikt cauri dažiem, un septiņu minūšu zvans aizņem septiņas minūtes, lai cik ātri jūs klikšķinātu. Lasot kā tekstu, tas pats zvans ir apmēram tūkstoš vārdu, viena lapa, un lapu var pārskatīt, pārmeklēt un ielīmēt pieteikumā. Klientu apkalpošanas zvanu transkripcija pārvērš ierakstus, ko jūsu tālruņu sistēma jau glabā, šādās lapās. Trīs lietas nosaka, vai lapas ir noderīgas: vai katra rinda norāda, kurš runāja, aģents vai klients; vai zvanam ir īss kopsavilkums par to, kas tika lūgts un par ko vienojās; un vai rezultāts nonāk tur, kur strādā komanda, CRM piezīmē vai QA izklājlapā.
Šis raksts soli pa solim izseko šo darbplūsmu ar VocalStack: ierakstīti zvani, kas nosūtīti caur API, aģents atpazīts pēc vārda, katram zvanam uzrakstīts kopsavilkums un eksporti JSON un Excel formātā. Tajā arī atklāti pateikts, ko VocalStack atbalsta komandai nedara, jo daļa no tā ir svarīga, pirms augšupielādēts pirmais zvans.
Lielākā daļa tālruņu un kontaktcentru sistēmu var eksportēt zvanu ierakstus kā audio failus vai dot katram lejupielādes saiti. Der abi. POST /v1/transcriptions pieņem failu kā multipart augšupielādi vai JSON pamattekstu ar url, ko serveris pats lejupielādē. Failu pamācība aplūko pieprasījumu sīki; zvaniem svarīgi šie iestatījumi, visi iekš settings:
speakerLabels: iestatiet uz on, lai katra divu cilvēku zvana rinda nestu runātāju. Noklusējums When Needed (auto) etiķetē rindas tikai tad, kad dzirdams otrs runātājs, kas der lekcijai labāk nekā zvanam.summary un title: abi ir izslēgti, ja neprasāt. Ar tiem ieslēgtiem, pēc zvana transkribēšanas tiek uzrakstīts virsraksts un īss kopsavilkums.spokenLanguage: nosauciet to, kad zināt, piemēram, rindā, kas pieņem zvanus tikai vienā valodā. Ja izlaižat, valoda tiek noteikta no 100.Augšupielāde uzreiz atbild ar transkripcijas id; vārdi nāk mazliet vēlāk. Katrai augšupielādei sūtiet Idempotency-Key: atkārtots mēģinājums ar to pašu atslēgu un pamattekstu 24 stundu laikā atgriež pirmo transkripciju, nevis izveido un neaprēķina otru. Zvana paša id no jūsu tālruņu sistēmas ir dabiska atslēga.
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 ?? ''}`);
Nakts ierakstus var augšupielādēt vienā ciklā. Katrs plāns nosaka, cik transkripciju darbojas vienlaikus, un fails virs šī skaita netiek noraidīts: tas tiek izveidots, gaida stāvoklī queued un sākas pats, kad beidzas kāds iepriekšējais. Ierobežojums, ko varat sasniegt, ir transkripciju skaits, ko konts stundā var sākt caur API; skaitļi katram plānam ir cenu lapā. Tīmekļa āķu (webhooks) nav, tāpēc jūsu skripts aptaujā katru darbu, līdz tas ir pabeigts, ko waitForJob dara jūsu vietā.
Runātāju etiķetes nāk no diarizācijas: ieraksts tiek sadalīts replikās, un replikas tiek grupētas pēc balss. Atgriežas „Speaker 1” un „Speaker 2”. Sistēma var atšķirt divas balsis, bet nekas audio neizsaka, kura strādā pie jums. Diarizācija pret runas atpazīšanu izskaidro mehāniku; atbalsta zvaniem praktiskā atbilde ir saglabāt katru aģentu vienreiz.
Saglabāts runātājs ir balss pirkstu nospiedums ar vārdu. Kad tas pastāv, katra jauna transkripcija kontā salīdzina dzirdētās balsis ar jūsu saglabātajiem runātājiem, un sakritība ienes vārdu transkriptā. Faili tiek saskaņoti automātiski, tāpēc aģenta rindas ienāk kā „Dana”, nevis „Speaker 1”. Klients paliek ar numuru, līdz jūs viņu nosaucat.
Ņemiet pirkstu nospiedumu no paša aģenta zvana, nevis no ieraksta, kas veikts pie galda. Balss austiņās klusā telpā un tā pati balss tālruņa līnijā mašīnai var skanēt mazāk līdzīgi nekā divi dažādi cilvēki, kas ierakstīti vienādi, un pirkstu nospiedums vislabāk sakrīt ar audio, kas līdzinās tam, no kā tas ņemts. POST /v1/speakers/from-appearance saglabā runātāju tieši no transkripcijas, kā paraugu izmantojot šī runātāja paša zvana posmus. appearance ir speaker indekss, ko nes viņa rindas.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Runātāja saglabāšana šādā veidā tiek paturēts tikai viņa pirkstu nospiedumu, no vismaz 5 sekundēm viņa runas; zvans, kurā aģents runā minūti vai ilgāk, dod stabilāku. Balss klonēšana ir atsevišķs solis, kam vajadzīga personas piekrišana, un atbalsta darbplūsmai tā nav vajadzīga.
No šī brīža pabeigta zvana transkripts pasaka, kurš tika atpazīts. GET /v1/transcriptions/{id}/transcript uzskaita speakers, un runātājam, kas sakrīt ar saglabāto, ir identified: true un saglabātais vārds. Pārējos var nosaukt vienā pieprasījumā katru, PUT /v1/transcriptions/{id}/appearances/{number}, kur number ir runātāja attēlotais numurs. Nosaukums tiek glabāts transkripcijā, tāpēc katrs eksports pēc tam lasa „Customer” numura vietā.
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');
}
Uzskatiet „visi neatpazītie ir klients” par ikdienas likumu un pārbaudiet to uz saviem zvaniem. Pārsūtīšana ienes otru aģentu, ierakstīts izvēlnes uzaicinājums var tikt sadzirdēts kā atsevišķa balss, un aģents, kas vēl nav saglabāts, izskatās tieši kā klients. Ievērojiet arī to, kā tiek ierobežota salīdzināšana: katra transkripcija tiek salīdzināta ar 64 saglabātajiem runātājiem, kas kontā atjaunināti visnesen, tāpēc lielāka komanda nedrīkst paļauties, ka katrs aģents tiks atpazīts katrā zvanā.
Divas tālruņa audio īpašības ir vērts zināt, pirms vērtējat etiķetes. Divu kanālu ieraksts ar aģentu kreisajā un klientu labajā tiek transkribējot saspiests vienā kanālā, tāpēc runātāji tiek atdalīti pēc balsīm, nevis pēc kanāla. Un šaurjoslas tālruņa līnija nenes neko virs aptuveni 3,4 kHz, kas noņem daļu no tā, kas padara divas balsis atšķirīgas; īsas, pārklājošās replikas („jā”, „mm-hm”, „atvainojiet, turpiniet”) ir vieta, kur etiķetes kļūdās visbiežāk.
Ar ieslēgtiem summary un title katrs zvans saņem virsrakstu un dažus teikumus par to, par ko tas bija, kad transkripts ir galīgs. Tas nonāk pieteikumā, lai nākamais aģents zinātu vēsturi, neko neatverot. Kopsavilkums tiek uzrakstīts pēc transkripta, tāpēc lasiet to ar GET /v1/transcriptions/{id}/summary un gaidiet, kamēr state ir 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);
}
Kad state ir ready, title un summary satur tekstu. Ieraksts, kas īsāks par minūti, nekad nesaņem kopsavilkumu (not_requested), kas ir svarīgi balss pastam: lielākā daļa balss ziņu ir pietiekami īsas, lai transkripts pats būtu savs kopsavilkums. Zvanam, kas veikts bez summary, to var pievienot vēlāk ar POST /v1/transcriptions/{id}/summarize. Kopsavilkumi ir iekļauti katrā plānā bez papildu maksas.
GET /v1/transcriptions/{id}/export atgriež failu vienā no septiņiem formātiem: json, xlsx, pdf, srt, vtt, txt vai md. Katrs eksports ietver labojumus un runātāju vārdus, ko devāt. Atbalsta komandai lielāko darbu veic divi no tiem.
JSON jūsu pašu kodam. JSON eksportā ir zvana name, language, durationS un, ar summary=true, tā summary, tad segments: viens ieraksts katrai rindai ar start un end sekundēs, speaker, speakerName, text, confidence, vai rinda bija corrected, un words ar savu laiku. Ar to pietiek, lai skripts izveidotu CRM piezīmi (virsraksts, kopsavilkums, aģenta vārds, zvana ilgums) vai izvilktu katru rindu, ko teica klients.
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 pārbaudītājam. XLSX eksportā ir Transcript lapa ar vienu rindu katrai rindai un kolonnām #, Start, End, Start (s), End (s), Speaker, Text, Confidence un Corrected. Ar summary=true lapa About satur kopsavilkumu blakus zvana nosaukumam, valodai un ilgumam. QA vadītājs var filtrēt uz aģenta rindām, pievienot kolonnu vērtējumiem vai komentāriem un glabāt vienu darbgrāmatu katrai pārbaudei.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Atbalsts vairākās valodās darbojas tāpat. Pievienojiet eksportam lang=en, un fails lasās angliski, viena rinda katram teikumam, tulkots tur, kur zvans bija spāņu vai poļu valodā; pārbaudītājs, kas lasa vienu valodu, var vērtēt zvanus, kas pieņemti vairākās. PDF eksports der tam, kas grib izlasīt visu zvanu uz papīra, ar runātājiem un laika zīmogiem.
Transkripcija paliek kontā pēc eksporta, tāpēc zvani veido bibliotēku. Tagi tos grupē: izveidojiet vienu katrai rindai vai komandai ar POST /v1/tags, tad piešķiriet to transkripcijām ar 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 pēc tam meklē, kas tika teikts visos zvanos, sašaurināts pēc tagiem un datuma: katrs norēķinu rindas zvans šomēnes, kur kāds teica „cancel”, katrs trāpījums ar savu zvanu un sekundi, kurā tas tika teikts.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Viss iepriekš minētais darbojas arī bez koda. Fails, kas augšupielādēts sadaļā Transcriptions → New, tiek etiķetēts, apkopots un eksportēts no savas lapas, runātāji tiek saglabāti sadaļā Speakers, bet tagi un meklēšana atrodas Transcriptions sarakstā.
Dažas nepilnības ir vērts zināt pirms jebkādas iestatīšanas.
Glabāšana atkarīga no plāna; cenu lapā parādīts, cik ilgi audio un transkripcijas tiek glabātas katrā. Transkripciju var arhivēt, un arhivētu var neatgriezeniski dzēst ar POST /v1/transcriptions/{id}/purge, kas izdzēš to un visu tajā uz visiem laikiem.
Ar sākuma cenām ierakstīti zvani maksā $0.20 par stundu audio, norēķinoties par sekundēm ($0.0033 minūtē), ar 5 minūšu minimumu katrai transkripcijai Pay as you go (nav minimuma Premium vai Enterprise). Pašreizējās likmes ir cenu lapā. Runātāju etiķetes, runātāju nosaukšana, kopsavilkumi, tulkojumi un eksporti rēķinu nekad nepalielina.
Atbalsta zvani bieži ir īsi, tāpēc minimums atbalsta komandas rēķinā izšķir vairāk nekā likme. Pay as you go:
Premium un Enterprise minimuma nav, tāpēc katrs zvans tiek rēķināts pēc savām sekundēm: 40 sekunžu balss ziņa maksā apmēram piekto daļu centa, bet 1000 trīs minūšu zvanu apmēram $10. Komandai, kas galvenokārt pieņem īsus zvanus, abi jāsalīdzina uz savu zvanu garumiem.
Ar sākuma cenām komanda, kas ierakstā 2000 zvanu mēnesī vidēji 8 minūtes, nosūta 16 000 minūšu audio: apmēram $53 kredīta mēnesī Premium, kopsavilkumi un izklājlapas iekļautas. Pay as you go katrs zvans, kas īsāks par 5 minūtēm, to palielina.
Tiešraides transkripcija maksā vairāk ($0.60 stundā ar sākuma cenām), jo tā iet kopsolī ar zvanu; ja neviens nevēlas vārdus zvana laikā, transkribējiet ierakstu pēc tam. Jauns konts sākas ar vienreizēju reģistrācijas kredītu un karte nav nepieciešama, tāpēc iepriekšminētos soļus var izmēģināt uz sava zvanu kopuma, pirms kaut kas tiek pirkts.