Транскрипцијата ги разликува гласовите, но не може да знае кој од нив е агентот. Зачувајте го секој агент еднаш, од еден негов повик, и секој следен повик се враќа со именуван агент, резиме одозгора и табела подготвена за QA.
QA водител што ги проверува повиците до поддршка со слушање може да заврши само неколку на ден, а повик од седум минути трае седум минути колку и да брзо кликате. Прочитан како текст, истиот повик е околу илјада зборови, една страница, а една страница може да се прелета, да се пребара и да се залепи во тикет. Транскрипцијата на повици до корисничка поддршка ги претвора снимките што вашиот телефонски систем веќе ги чува во такви страници. Три работи одлучуваат дали страниците се од полза: дали секој ред кажува кој зборувал, агент или клиент; дали повикот доаѓа со кратко резиме за тоа што било побарано и што е договорено; и дали резултатот пристигнува таму каде што работи тимот, во белешка во CRM или во QA табела.
Овој напис го прикажува тој тек на работа со VocalStack: снимени повици испратени преку API, агент препознаен по име, резиме напишано за секој повик и извози во JSON и Excel. Исто така отворено кажува што VocalStack не прави за тимот за поддршка, бидејќи дел од тоа е важно да се знае пред да се подигне првиот повик.
Повеќето телефонски системи и контакт-центри можат да ги извезат снимките на повиците како аудио датотеки или да им дадат на сите линк за преземање. Работи и едното и другото. POST /v1/transcriptions прима датотека како multipart подигање или JSON тело со url што серверот го презема сам. Упатството за датотеки го опфаќа повикот детално; за повици, важни се овие поставки, сите внатре во settings:
speakerLabels: поставете го на on, за секој ред од повик на две лица да носи говорник. Основното, When Needed (auto), ги означува редовите дури откако ќе се чуе втор говорник, што повеќе одговара на предавање отколку на повик.summary и title: двете се исклучени освен ако ги побарате. Кога се вклучени, наслов и кратко резиме се пишуваат за повикот откако ќе се транскрибира.spokenLanguage: наведете го кога го знаете, како во редица што прима повици на само еден јазик. Ако го испуштите, јазикот се открива, од 100.Подигањето веднаш одговара со id на транскрипцијата; зборовите доаѓаат малку подоцна. Со секое подигање испратете Idempotency-Key: повторен обид со истиот клуч и тело во рок од 24 часа ја враќа првата транскрипција наместо да направи, и наплати, втора. Id-то на самиот повик од вашиот телефонски систем е природен клуч.
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 ?? ''}`);
Снимките од цела ноќ можат да се подигнат во една јамка. Секој план одредува колку транскрипции работат истовремено, а датотека над тој број не се одбива: се создава, чека во состојба queued и почнува сама кога ќе заврши претходна. Границата во која можете да налетате е бројот на транскрипции што една сметка може да ги започне преку API за еден час; бројките за секој план се на страницата со цени. Нема вебхукови, па вашата скрипта го испитува секој job додека не заврши, што waitForJob го прави за вас.
Ознаките на говорници доаѓаат од дијаризација: снимката се дели на реплики, а репликите се групираат по глас. Што се враќа е „Speaker 1“ и „Speaker 2“. Системот може да разликува два гласа, но ништо во звукот не кажува кој од нив е вработен кај вас. Дијаризација на говорници наспроти препознавање говор ја објаснува механиката; за повици до поддршка, практичниот одговор е да го зачувате секој агент еднаш.
Зачуваниот говорник е отпечаток на глас со име. Откако ќе постои, секоја нова транскрипција во сметката ги споредува гласовите што ги слуша со вашите зачувани говорници, а совпаѓањето го пренесува името во транскриптот. Датотеките се совпаѓаат автоматски, па редовите на агентот пристигнуваат како „Dana“ наместо „Speaker 1“. Клиентот останува нумериран додека не го именувате.
Земете го отпечатокот од еден од сопствените повици на агентот, а не од снимка направена на биро. Глас на слушалки во тивка просторија и истиот глас на телефонска линија можат на машината да ѝ звучат помалку слично отколку двајца различни луѓе снимени на ист начин, а отпечатокот најдобро се совпаѓа со аудио слично на она од кое потекнува. POST /v1/speakers/from-appearance зачувува говорник директно од транскрипција, користејќи ги неговите сопствени делови од повикот како примерок. appearance е индексот speaker што го носат неговите редови.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Зачувувањето говорник на овој начин го чува само неговиот отпечаток, од најмалку 5 секунди од неговиот говор; повик во кој агентот зборува минута или повеќе дава постабилен отпечаток. Клонирањето глас е посебен чекор што бара согласност од лицето, а работниот тек на поддршката нема потреба од него.
Од тогаш, транскриптот на завршен повик кажува кој е препознаен. GET /v1/transcriptions/{id}/transcript ги наведува speakers, а говорник совпаднат со зачуван има identified: true и зачуваното име. Останатите можат да се именуваат со по еден повик, PUT /v1/transcriptions/{id}/appearances/{number}, каде number е прикажаниот број на говорникот. Именувањето се чува на транскрипцијата, па секој извоз потоа чита „Customer“ наместо број.
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');
}
Правилото „сите непрепознаени се клиенти“ третирајте го како груба рамка и проверете го на вашите повици. Префрлањето на повик носи втор агент, снимена порака од менито може да се слушне како посебен глас, а агент што сè уште не е зачуван изгледа токму како клиент. Забележете и како е ограничена споредбата: секоја транскрипција се споредува со 64 зачувани говорници што последно биле ажурирани во сметката, па тим поголем од тоа не треба да смета дека секој агент ќе биде препознаен на секој повик.
Две својства на телефонското аудио вреди да се знаат пред да ги оцените ознаките. Двоканална снимка, со агентот лево и клиентот десно, се меша во еден канал при транскрипција, па говорниците се раздвојуваат по гласовите, а не по каналот. А тесноопсежна телефонска линија не носи ништо над околу 3.4 kHz, што отстранува дел од тоа по што се разликуваат два гласа; кратките реплики што се преклопуваат („yes“, „mm-hm“, „sorry, go on“) се местата каде што ознаките најчесто грешат.
Со вклучени summary и title, секој повик добива наслов и неколку реченици за тоа за што се работело, штом транскриптот е конечен. Тоа е она што оди во тикетот, за следниот агент да ја знае историјата без да отвора ништо. Резимето се пишува по транскриптот, па прочитајте го со GET /v1/transcriptions/{id}/summary и чекајте додека неговиот state е 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);
}
Кога state е ready, title и summary го содржат текстот. Снимка пократка од една минута никогаш не добива резиме (not_requested), што е важно за говорна пошта: повеќето говорни пораки се доволно кратки за транскриптот сам да биде резиме. Повик направен без summary може да добие резиме подоцна со POST /v1/transcriptions/{id}/summarize. Резимеата се вклучени во секој план без дополнителна цена.
GET /v1/transcriptions/{id}/export враќа датотека во еден од седум формати: json, xlsx, pdf, srt, vtt, txt или md. Секој извоз ги вклучува поправките и имињата на говорниците што сте ги дале. За тим за поддршка, два од нив ја прават најголемата работа.
JSON за вашиот код. JSON извозот ги има name, language, durationS на повикот и, со summary=true, неговото summary, потоа segments: по еден запис за секој ред, со start и end во секунди, speaker, speakerName, text, confidence, дали редот бил corrected и words со сопствени времиња. Тоа е доволно скрипта да состави белешка за CRM (насловот, резимето, името на агентот, должината на повикот) или да ги извлече сите редови што ги рекол клиентот.
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 за прегледувачот. XLSX извозот има лист Transcript со еден ред по реплика и колони #, Start, End, Start (s), End (s), Speaker, Text, Confidence и Corrected. Со summary=true, листот About го носи резимето покрај името, јазикот и должината на повикот. QA водител може да ги филтрира редовите на агентот, да додаде колона за оценки или коментари и да чува една работна книга по преглед.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Поддршката на повеќе од еден јазик работи на ист начин. Додајте lang=en на извозот и датотеката се чита на англиски, по еден ред на реченица, преведена таму каде што повикот бил на шпански или полски; прегледувач што чита еден јазик може да оценува повици примени на неколку. PDF извозот одговара на оној што сака да прочита цел повик на хартија, со говорници и временски ознаки.
Транскрипцијата останува во сметката откако ќе се извезе, па повиците се градат во библиотека. Таговите ги групираат: создајте еден по редица или тим со POST /v1/tags, па ставете го на транскрипции со 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 потоа го пребарува кажаното низ сите повици, стеснето со таг и датум: секој повик од редицата за наплата овој месец во кој некој рекол „cancel“, секој погодок со својот повик и секундата во која е кажан.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Сè горенаведено работи и без код. Датотека подигната на Transcriptions → New се означува, резимира и извезува од својата страница, говорниците се зачувуваат под Speakers, а таговите и пребарувањето се во списокот Transcriptions.
Некои празнини вреди да се знаат пред да се постави што било.
Чувањето зависи од планот; страницата со цени покажува колку долго се чуваат аудиото и транскрипциите на секој. Транскрипција може да се архивира, а архивирана да се избрише трајно со POST /v1/transcriptions/{id}/purge, што ја брише заедно со сè во неа засекогаш.
По цените при лансирање, снимените повици чинат $0.20 по час аудио, наплатено по секунда ($0.0033 по минута), со минимум од 5 минути по транскрипција на Плаќање според користење (нема на Premium и Enterprise). Тековните цени се на страницата со цени. Ознаките на говорници, именувањето говорници, резимеата, преводите и извозите никогаш не ја зголемуваат сметката.
Повиците до поддршка често се кратки, па минимумот одлучува за поголем дел од сметката на тимот за поддршка отколку стапката. На Плаќање според користење:
На Premium и Enterprise нема минимум, па секој повик се наплаќа по сопствените секунди: говорната порака од 40 секунди чини околу петтина од цент, а 1 000 триминутни повици околу $10. Тим што претежно прима кратки повици треба да ги спореди двата на сопствените должини на повици.
По цените при лансирање, тим што снима 2 000 повици месечно со просечно 8 минути испраќа 16 000 минути аудио: околу $53 кредит месечно на Premium, вклучувајќи резимеа и табели. На Плаќање според користење, секој повик под 5 минути додава на тоа.
Транскрипцијата во живо чини повеќе ($0.60 на час по цените при лансирање), бидејќи чекори со повикот; ако на никого не му требаат зборовите за време на повикот, транскрибирајте ја снимката потоа. Нова сметка почнува со еднократен кредит при регистрација и не е потребна картичка, па чекорите погоре можат да се пробаат на серија ваши повици пред да се купи нешто.