ट्रान्सक्रिप्शन आवाज वेगळे ओळखते, पण त्यातील एजंट कोणता हे त्याला कळू शकत नाही. प्रत्येक एजंटला त्याच्या स्वतःच्या एका कॉलमधून एकदा सेव्ह करा, आणि त्यानंतरचा प्रत्येक कॉल एजंटचे नाव, वर सारांश आणि QA साठी तयार स्प्रेडशीटसह परत येतो.
सपोर्ट कॉल ऐकून तपासणारा QA प्रमुख दिवसाला मूठभरच कॉल पूर्ण करू शकतो, आणि सात मिनिटांचा कॉल तुम्ही कितीही वेगाने क्लिक केले तरी सात मिनिटेच घेतो. मजकूर म्हणून वाचल्यास तोच कॉल सुमारे हजार शब्दांचा, एक पान, असतो, आणि पान चाळता येते, शोधता येते आणि तिकीटात चिकटवता येते. ग्राहक सेवा कॉल ट्रान्सक्रिप्शन तुमची फोन प्रणाली आधीच जतन करत असलेल्या रेकॉर्डिंग्सना अशा पानांमध्ये बदलते. ही पाने उपयोगी आहेत की नाही हे तीन गोष्टी ठरवतात: प्रत्येक ओळ कोण बोलले ते सांगते का, एजंट की ग्राहक; कॉलसोबत काय मागितले गेले आणि काय मान्य झाले याचा छोटा सारांश येतो का; आणि निकाल टीम जिथे काम करते तिथे, म्हणजे CRM नोंदीत किंवा QA स्प्रेडशीटमध्ये, पोहोचतो का.
हा लेख VocalStack सह तो कार्यप्रवाह दाखवतो: API द्वारे पाठवलेले रेकॉर्ड केलेले कॉल, नावाने ओळखला गेलेला एजंट, प्रत्येक कॉलसाठी लिहिलेला सारांश, आणि JSON व Excel मधील एक्स्पोर्ट. सपोर्ट टीमसाठी VocalStack काय करत नाही हेही तो स्पष्टपणे सांगतो, कारण पहिला कॉल अपलोड करण्यापूर्वी त्यातील काही गोष्टी महत्त्वाच्या असतात.
बहुतेक फोन आणि कॉन्टॅक्ट-सेंटर प्रणाली कॉल रेकॉर्डिंग्स ऑडिओ फाइल्स म्हणून एक्स्पोर्ट करू शकतात, किंवा प्रत्येकासाठी डाउनलोड लिंक देऊ शकतात. दोन्ही चालतात. POST /v1/transcriptions फाइल multipart अपलोड म्हणून घेते, किंवा url असलेला JSON बॉडी घेते जो सर्व्हर स्वतः आणतो. फाइल ट्यूटोरियल कॉलचे तपशील देते; कॉल्ससाठी या सेटिंग्ज महत्त्वाच्या आहेत, सर्व settings मध्ये:
speakerLabels: याला on वर ठेवा, म्हणजे दोन व्यक्तींच्या कॉलच्या प्रत्येक ओळीला वक्ता असतो. डीफॉल्ट, When Needed (auto), दुसरा वक्ता ऐकू आल्यानंतरच ओळींना लेबल लावते, जे कॉलपेक्षा व्याख्यानाला जास्त सोयीचे आहे.summary आणि title: तुम्ही मागितल्याशिवाय दोन्ही बंद असतात. ते चालू असताना, कॉल ट्रान्सक्रिप्ट झाल्यावर त्याचे शीर्षक आणि छोटा सारांश लिहिला जातो.spokenLanguage: तुम्हाला माहीत असेल तेव्हा ती निवडा, जसे एकाच भाषेतील कॉल घेणाऱ्या रांगेत. सोडून दिल्यास भाषा 100 पैकी ओळखली जाते.अपलोड लगेच ट्रान्सक्रिप्शन आयडीसह उत्तर देतो; शब्द थोड्या वेळाने येतात. प्रत्येक अपलोडसोबत Idempotency-Key पाठवा: 24 तासांत त्याच की आणि त्याच बॉडीसह पुन्हा प्रयत्न केल्यास दुसरे ट्रान्सक्रिप्शन तयार करून त्याचे बिल लावण्याऐवजी पहिलेच परत मिळते. तुमच्या फोन प्रणालीतील कॉलचा स्वतःचा आयडी हा स्वाभाविक की आहे.
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 ?? ''}`);
एका रात्रीचे रेकॉर्डिंग्स एकाच लूपमध्ये अपलोड करता येतात. प्रत्येक प्लॅन एका वेळी किती ट्रान्सक्रिप्शन्स चालतात ते ठरवतो, आणि त्या संख्येपेक्षा जास्त असलेली फाइल नाकारली जात नाही: ती तयार होते, queued स्थितीत थांबते, आणि आधीचे संपले की आपोआप सुरू होते. तुम्हाला ज्याची मर्यादा लागू शकते ती म्हणजे खाते API द्वारे एका तासात किती ट्रान्सक्रिप्शन्स सुरू करू शकते; प्रत्येक प्लॅनचे आकडे pricing page वर आहेत. वेबहूक नाहीत, म्हणून तुमची स्क्रिप्ट प्रत्येक जॉब पूर्ण होईपर्यंत तपासत राहते, जे waitForJob तुमच्यासाठी करते.
स्पीकर लेबल्स डायराइझेशनमधून येतात: रेकॉर्डिंग पाळ्यांमध्ये विभागले जाते आणि पाळ्या आवाजाने गटबद्ध केल्या जातात. परत येते ते "Speaker 1" आणि "Speaker 2". सिस्टम दोन आवाज वेगळे ओळखू शकते, पण ऑडिओमध्ये कोणता तुमच्याकडे कामाला आहे हे सांगणारे काहीही नसते. स्पीकर डायराइझेशन विरुद्ध स्पीच रेकग्निशन यंत्रणा समजावते; सपोर्ट कॉल्ससाठी व्यावहारिक उत्तर म्हणजे प्रत्येक एजंट एकदा सेव्ह करणे.
सेव्ह केलेला वक्ता (saved speaker) म्हणजे नाव असलेले आवाजाचे फिंगरप्रिंट. ते अस्तित्वात आले की खात्यातील प्रत्येक नवे ट्रान्सक्रिप्शन ते ऐकत असलेल्या आवाजांची तुमच्या सेव्ह केलेल्या वक्त्यांशी तुलना करते, आणि जुळल्यास नाव ट्रान्सक्रिप्टमध्ये येते. फाइल्स आपोआप जुळवल्या जातात, म्हणून एजंटच्या ओळी "Speaker 1" ऐवजी "Dana" म्हणून येतात. तुम्ही नाव देईपर्यंत ग्राहक क्रमांकानेच राहतो.
फिंगरप्रिंट टेबलावर केलेल्या रेकॉर्डिंगऐवजी एजंटच्या स्वतःच्या कॉलमधून घ्या. शांत खोलीत हेडसेटवरील आवाज आणि तोच आवाज फोन लाइनवर, एकाच पद्धतीने रेकॉर्ड केलेल्या दोन वेगवेगळ्या व्यक्तींपेक्षाही मशीनला कमी सारखा वाटू शकतो, आणि फिंगरप्रिंट ज्या प्रकारच्या ऑडिओमधून आले त्याच प्रकारच्या ऑडिओशी सर्वोत्तम जुळते. POST /v1/speakers/from-appearance ट्रान्सक्रिप्शनमधून थेट वक्ता सेव्ह करते, आणि त्या वक्त्याचे कॉलमधील स्वतःचे भाग नमुना म्हणून वापरते. appearance हा त्यांच्या ओळींवर असलेला speaker इंडेक्स आहे.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
अशा प्रकारे वक्ता सेव्ह केल्याने फक्त त्याचे फिंगरप्रिंट ठेवले जाते, त्याच्या किमान 5 सेकंदांच्या बोलण्यातून; एजंट मिनिटभर किंवा अधिक बोलतो अशा कॉलमधून अधिक स्थिर फिंगरप्रिंट मिळते. आवाज क्लोनिंग ही वेगळी पायरी आहे जिला व्यक्तीची संमती लागते, आणि सपोर्ट कार्यप्रवाहाला तिचा काहीच उपयोग नाही.
तेव्हापासून, पूर्ण झालेल्या कॉलचे ट्रान्सक्रिप्ट कोण ओळखले गेले ते सांगते. GET /v1/transcriptions/{id}/transcript speakers यादी देते, आणि सेव्ह केलेल्या वक्त्याशी जुळलेल्या वक्त्याला identified: true आणि सेव्ह केलेले नाव असते. बाकीच्यांना प्रत्येकी एका कॉलने नाव देता येते, PUT /v1/transcriptions/{id}/appearances/{number}, जिथे number हा वक्त्याचा प्रदर्शन क्रमांक आहे. नाव ट्रान्सक्रिप्शनवर साठवले जाते, म्हणून त्यानंतरचा प्रत्येक एक्स्पोर्ट क्रमांकाऐवजी "Customer" वाचतो.
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');
}
"ओळखला न गेलेला प्रत्येक जण ग्राहक" हा अंगठ्याचा नियम समजा आणि तो तुमच्या स्वतःच्या कॉल्सवर तपासा. ट्रान्सफरमुळे दुसरा एजंट येतो, रेकॉर्ड केलेला मेनू संदेश स्वतंत्र आवाज म्हणून ऐकला जाऊ शकतो, आणि अजून सेव्ह न केलेला एजंट अगदी ग्राहकासारखा दिसतो. तुलना कशी मर्यादित आहे तेही लक्षात घ्या: प्रत्येक ट्रान्सक्रिप्शनची तुलना खात्यातील सर्वात अलीकडे अपडेट केलेल्या 64 सेव्ह केलेल्या वक्त्यांशी होते, म्हणून त्याहून मोठ्या टीमने प्रत्येक कॉलमध्ये प्रत्येक एजंट ओळखला जाईल यावर विसंबू नये.
लेबल्सचा न्याय करण्यापूर्वी फोन ऑडिओचे दोन गुणधर्म माहीत असणे उपयुक्त आहे. एजंट डावीकडे आणि ग्राहक उजवीकडे असलेले दुहेरी-चॅनल रेकॉर्डिंग ट्रान्सक्रिप्ट होताना एका चॅनलमध्ये मिसळले जाते, म्हणून वक्ते चॅनलने नाही तर आवाजाने वेगळे केले जातात. आणि अरुंद-बँड फोन लाइनवर सुमारे 3.4 kHz च्या वर काहीही जात नाही, ज्यामुळे दोन आवाज वेगळे ठरवणारा काही भाग निघून जातो; लहान, एकमेकांवर येणाऱ्या पाळ्यांमध्ये ("yes", "mm-hm", "sorry, go on") लेबल्स सर्वात जास्त चुकतात.
summary आणि title चालू असताना, ट्रान्सक्रिप्ट अंतिम झाल्यावर प्रत्येक कॉलला शीर्षक आणि तो कशाबद्दल होता यावर काही वाक्ये मिळतात. तेच तिकीटात जाते, म्हणजे पुढच्या एजंटला काहीही न उघडता इतिहास कळतो. सारांश ट्रान्सक्रिप्टनंतर लिहिला जातो, म्हणून तो GET /v1/transcriptions/{id}/summary ने वाचा आणि त्याची state pending असताना थांबा:
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 ready झाली की title आणि summary मध्ये मजकूर असतो. एका मिनिटापेक्षा लहान रेकॉर्डिंगला कधीही सारांश मिळत नाही (not_requested), जे व्हॉइसमेलसाठी महत्त्वाचे आहे: बहुतेक व्हॉइसमेल इतके लहान असतात की ट्रान्सक्रिप्टच त्यांचा स्वतःचा सारांश असतो. summary शिवाय केलेल्या कॉलला नंतर POST /v1/transcriptions/{id}/summarize ने सारांश देता येतो. सारांश सर्व प्लॅन्समध्ये अतिरिक्त खर्चाशिवाय समाविष्ट आहेत.
GET /v1/transcriptions/{id}/export सात फॉरमॅटपैकी एकात फाइल परत करतो: json, xlsx, pdf, srt, vtt, txt किंवा md. प्रत्येक एक्स्पोर्टमध्ये दुरुस्त्या आणि तुम्ही दिलेली वक्त्यांची नावे समाविष्ट असतात. सपोर्ट टीमसाठी त्यातील दोन बहुतेक काम करतात.
तुमच्या स्वतःच्या कोडसाठी JSON. JSON एक्स्पोर्टमध्ये कॉलचे name, language, durationS आणि, summary=true सह, त्याचा summary असतो, मग segments: प्रत्येक ओळीसाठी एक नोंद, सेकंदांत start आणि end, speaker, speakerName, text, confidence, ओळ corrected आहे का, आणि स्वतःच्या वेळांसह words. स्क्रिप्टला CRM नोंद (शीर्षक, सारांश, एजंटचे नाव, कॉलची लांबी) तयार करण्यासाठी किंवा ग्राहकाने म्हटलेली प्रत्येक ओळ काढण्यासाठी हे पुरेसे आहे.
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.
तपासणाऱ्यासाठी Excel. XLSX एक्स्पोर्टमध्ये Transcript शीट असते ज्यात प्रत्येक ओळीसाठी एक पंक्ती आणि #, Start, End, Start (s), End (s), Speaker, Text, Confidence आणि Corrected हे स्तंभ असतात. summary=true सह, About शीटमध्ये कॉलचे नाव, भाषा आणि लांबीच्या शेजारी सारांश असतो. QA प्रमुख एजंटच्या पंक्ती फिल्टर करू शकतो, गुण किंवा टिप्पण्यांसाठी स्तंभ जोडू शकतो, आणि प्रत्येक तपासणीसाठी एक वर्कबुक ठेवू शकतो.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
एकापेक्षा जास्त भाषांतील सपोर्ट तसाच चालतो. एक्स्पोर्टला lang=en जोडा आणि फाइल इंग्रजीत वाचली जाते, प्रति वाक्य एक ओळ, जिथे कॉल स्पॅनिश किंवा पोलिशमध्ये होता तिथे भाषांतरित; एकच भाषा वाचणारा तपासणीकर्ता अनेक भाषांत घेतलेल्या कॉल्सना गुण देऊ शकतो. वक्ते आणि टाइमस्टॅम्पसह संपूर्ण कॉल कागदावर वाचू इच्छिणाऱ्यासाठी PDF एक्स्पोर्ट योग्य आहे.
एक्स्पोर्टनंतरही ट्रान्सक्रिप्शन खात्यात राहते, म्हणून कॉल्सचे ग्रंथालय तयार होते. टॅग्स त्यांना गटबद्ध करतात: प्रत्येक रांग किंवा टीमसाठी POST /v1/tags ने एक तयार करा, मग POST /v1/tags/{id}/transcriptions ने ट्रान्सक्रिप्शन्सवर लावा.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search नंतर सर्व कॉल्समध्ये जे म्हटले गेले ते शोधते, टॅग आणि तारखेने मर्यादित: या महिन्यातील बिलिंग रांगेतील प्रत्येक कॉल ज्यात कोणीतरी "cancel" म्हटले, प्रत्येक निकाल त्याच्या कॉलसह आणि ते ज्या सेकंदाला म्हटले गेले त्यासह.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
वरील सर्व काही कोडशिवायही चालते. Transcriptions → New येथे अपलोड केलेली फाइल तिच्या पानावरून लेबल केली जाते, सारांशित केली जाते आणि एक्स्पोर्ट केली जाते, वक्ते Speakers अंतर्गत सेव्ह केले जातात, आणि टॅग्स व शोध Transcriptions यादीत आहेत.
काहीही सेट करण्यापूर्वी काही उणिवा माहीत असणे योग्य आहे.
साठवण कालावधी प्लॅनवर अवलंबून असतो; प्रत्येकात ऑडिओ आणि ट्रान्सक्रिप्शन्स किती काळ ठेवली जातात ते pricing page दाखवते. ट्रान्सक्रिप्शन आर्काइव्ह करता येते, आणि आर्काइव्ह केलेले POST /v1/transcriptions/{id}/purge ने पर्ज करता येते, जे ते आणि त्यातील सर्व काही कायमचे हटवते.
लाँच किमतींनुसार, रेकॉर्ड केलेले कॉल्स ऑडिओच्या प्रति तास $0.20 आहेत, प्रति सेकंद बिल केले जातात ($0.0033 प्रति मिनिट), आणि Pay as you go वर प्रत्येक ट्रान्सक्रिप्शनला किमान 5 मिनिटे आहेत (Premium किंवा Enterprise वर नाही). सध्याचे दर pricing page वर आहेत. स्पीकर लेबल्स, वक्त्यांना नाव देणे, सारांश, भाषांतरे आणि एक्स्पोर्ट बिलात कधीही भर घालत नाहीत.
सपोर्ट कॉल्स अनेकदा लहान असतात, म्हणून सपोर्ट टीमच्या बिलाबाबत दरापेक्षा किमान मर्यादा जास्त निर्णायक ठरते. Pay as you go वर:
Premium आणि Enterprise वर किमान मर्यादा नाही, म्हणून प्रत्येक कॉल त्याच्या स्वतःच्या सेकंदांनुसार बिल होतो: 40 सेकंदांचा व्हॉइसमेल सुमारे एक सेंटाचा पाचवा भाग, आणि 1,000 तीन मिनिटांचे कॉल्स सुमारे $10. प्रामुख्याने लहान कॉल्स घेणाऱ्या टीमने दोघांची तुलना स्वतःच्या कॉल लांबींवर करावी.
लाँच किमतींनुसार, सरासरी 8 मिनिटांचे महिन्याला 2,000 कॉल्स रेकॉर्ड करणारी टीम 16,000 मिनिटे ऑडिओ पाठवते: Premium वर महिन्याला सुमारे $53 क्रेडिट, सारांश आणि स्प्रेडशीट्ससह. Pay as you go वर 5 मिनिटांपेक्षा लहान प्रत्येक कॉल त्यात भर घालतो.
लाइव्ह ट्रान्सक्रिप्शन अधिक महाग आहे (लाँच किमतींनुसार $0.60 प्रति तास), कारण ते कॉलच्या वेगाने चालते; कॉल दरम्यान कोणाला शब्दांची गरज नसेल, तर रेकॉर्डिंग नंतर ट्रान्सक्रिप्ट करा. नव्या खात्याला एकदाच मिळणारे साइनअप क्रेडिट मिळते आणि कार्ड लागत नाही, म्हणून काहीही विकत घेण्यापूर्वी वरील पायऱ्या तुमच्या स्वतःच्या कॉल्सच्या एका बॅचवर वापरून पाहता येतात.