Transkripsi membezakan suara tetapi tidak dapat tahu yang mana satu ejen. Simpan setiap ejen sekali, daripada salah satu panggilan mereka sendiri, dan setiap panggilan selepas itu kembali dengan ejen dinamakan, ringkasan di atas dan hamparan yang siap untuk QA.
Ketua QA yang menyemak panggilan sokongan dengan mendengar hanya sempat melalui segelintir sehari, dan panggilan tujuh minit mengambil tujuh minit tidak kira betapa lajunya anda mengklik. Dibaca sebagai teks, panggilan yang sama kira-kira seribu perkataan, satu halaman, dan halaman boleh diimbas, dicari dan ditampal ke dalam tiket. Transkripsi panggilan khidmat pelanggan mengubah rakaman yang sudah disimpan oleh sistem telefon anda menjadi halaman seperti itu. Tiga perkara menentukan sama ada halaman itu berguna: sama ada setiap baris menyatakan siapa yang bercakap, ejen atau pelanggan; sama ada panggilan datang bersama ringkasan pendek tentang apa yang diminta dan apa yang dipersetujui; dan sama ada hasilnya sampai ke tempat pasukan bekerja, nota CRM atau hamparan QA.
Artikel ini menelusuri aliran kerja itu dengan VocalStack: panggilan yang dirakam dihantar melalui API, ejen dikenali mengikut nama, ringkasan ditulis untuk setiap panggilan, dan eksport dalam JSON dan Excel. Ia juga menyatakan dengan jelas apa yang tidak dilakukan oleh VocalStack untuk pasukan sokongan, kerana sebahagiannya penting sebelum panggilan pertama dimuat naik.
Kebanyakan sistem telefon dan pusat hubungan boleh mengeksport rakaman panggilan sebagai fail audio, atau memberi pautan muat turun bagi setiap satu. Kedua-duanya boleh. POST /v1/transcriptions menerima fail sebagai muat naik multipart, atau badan JSON dengan url yang diambil sendiri oleh pelayan. Tutorial fail menerangkan panggilan itu dengan terperinci; untuk panggilan, tetapan ini penting, semuanya di dalam settings:
speakerLabels: tetapkan kepada on, supaya setiap baris panggilan dua orang membawa penutur. Lalai, When Needed (auto), melabel baris hanya apabila penutur kedua didengari, yang lebih sesuai untuk kuliah daripada panggilan.summary dan title: kedua-duanya mati melainkan anda memintanya. Apabila dihidupkan, tajuk dan ringkasan pendek ditulis untuk panggilan itu selepas ia ditranskripsi.spokenLanguage: namakannya apabila anda tahu, seperti dalam baris gilir yang hanya menerima panggilan dalam satu bahasa. Jika ditinggalkan, bahasa dikesan daripada 100.Muat naik menjawab serta-merta dengan id transkripsi; perkataan datang sedikit kemudian. Hantar Idempotency-Key bersama setiap muat naik: percubaan semula dengan kunci dan badan yang sama dalam masa 24 jam mengembalikan transkripsi pertama dan bukannya mencipta, dan mengenakan bayaran untuk, yang kedua. Id panggilan daripada sistem telefon anda ialah kunci yang semula jadi.
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 ?? ''}`);
Rakaman semalaman boleh dimuat naik dalam satu gelung. Setiap pelan menetapkan berapa banyak transkripsi berjalan serentak, dan fail yang melebihi bilangan itu tidak ditolak: ia dicipta, menunggu dalam keadaan queued, dan bermula sendiri apabila yang terdahulu tamat. Had yang boleh anda capai ialah bilangan transkripsi yang boleh dimulakan oleh akaun melalui API dalam masa sejam; angka bagi setiap pelan ada pada halaman harga. Tiada webhook, jadi skrip anda menyemak setiap kerja sehingga ia selesai, yang dilakukan oleh waitForJob untuk anda.
Label penutur datang daripada diarisasi: rakaman dipecahkan kepada giliran, dan giliran dikumpulkan mengikut suara. Yang kembali ialah "Speaker 1" dan "Speaker 2". Sistem boleh membezakan dua suara, tetapi tiada apa dalam audio yang menyatakan yang mana satu pekerja anda. Diarisasi berbanding pengecaman pertuturan menerangkan mekanismenya; untuk panggilan sokongan, jawapan praktikalnya ialah menyimpan setiap ejen sekali.
Penutur yang disimpan ialah cap suara dengan nama. Sebaik sahaja ia wujud, setiap transkripsi baharu dalam akaun membandingkan suara yang didengarinya dengan penutur tersimpan anda, dan padanan membawa nama itu ke dalam transkrip. Fail dipadankan secara automatik, jadi baris ejen tiba sebagai "Dana" dan bukannya "Speaker 1". Pelanggan kekal bernombor sehingga anda menamakan mereka.
Ambil cap suara daripada salah satu panggilan ejen itu sendiri dan bukannya rakaman yang dibuat di meja. Suara dengan fon kepala dalam bilik senyap dan suara yang sama pada talian telefon boleh kedengaran kurang serupa bagi mesin berbanding dua orang berbeza yang dirakam dengan cara yang sama, dan cap suara paling sepadan dengan audio yang serupa dengan audio asalnya. POST /v1/speakers/from-appearance menyimpan penutur terus daripada transkripsi, menggunakan bahagian panggilan penutur itu sendiri sebagai sampel. appearance ialah indeks speaker yang dibawa oleh baris mereka.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Menyimpan penutur dengan cara ini hanya mengekalkan cap suara mereka, daripada sekurang-kurangnya 5 saat pertuturan mereka; panggilan yang ejennya bercakap seminit atau lebih memberikan cap suara yang lebih mantap. Pengklonan suara ialah langkah berasingan yang memerlukan persetujuan orang itu, dan aliran kerja sokongan tidak memerlukannya.
Selepas itu, transkrip panggilan yang selesai memberitahu anda siapa yang dikenali. GET /v1/transcriptions/{id}/transcript menyenaraikan speakers, dan penutur yang dipadankan dengan yang tersimpan mempunyai identified: true dan nama yang disimpan. Selebihnya boleh dinamakan dengan satu panggilan setiap seorang, PUT /v1/transcriptions/{id}/appearances/{number}, dengan number ialah nombor paparan penutur. Penamaan disimpan pada transkripsi, jadi setiap eksport selepasnya menyebut "Customer" dan bukannya nombor.
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');
}
Anggap "sesiapa yang tidak dikenali ialah pelanggan" sebagai panduan kasar dan sahkannya pada panggilan anda sendiri. Pemindahan panggilan membawa ejen kedua, gesaan menu yang dirakam boleh didengar sebagai suara tersendiri, dan ejen yang belum disimpan kelihatan sama seperti pelanggan. Perhatikan juga bagaimana perbandingan itu dihadkan: setiap transkripsi dibandingkan dengan 64 penutur tersimpan yang paling baru dikemas kini dalam akaun, jadi pasukan yang lebih besar daripada itu tidak patut bergantung pada setiap ejen dikenali dalam setiap panggilan.
Dua ciri audio telefon patut diketahui sebelum anda menilai label. Rakaman dua saluran, dengan ejen di kiri dan pelanggan di kanan, digabungkan menjadi satu saluran apabila ditranskripsi, jadi penutur dipisahkan mengikut suara mereka dan bukannya saluran. Dan talian telefon jalur sempit tidak membawa apa-apa di atas kira-kira 3.4 kHz, yang membuang sebahagian daripada apa yang menjadikan dua suara berbeza; giliran pendek yang bertindih ("yes", "mm-hm", "sorry, go on") ialah tempat label paling kerap tersilap.
Dengan summary dan title dihidupkan, setiap panggilan mendapat tajuk dan beberapa ayat tentang perkara yang dibincangkan selepas transkrip muktamad. Itulah yang dimasukkan ke dalam tiket, supaya ejen seterusnya tahu sejarahnya tanpa membuka apa-apa. Ringkasan ditulis selepas transkrip, jadi bacalah dengan GET /v1/transcriptions/{id}/summary dan tunggu selagi state-nya ialah 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);
}
Apabila state ialah ready, title dan summary mengandungi teks. Rakaman yang lebih pendek daripada seminit tidak pernah mendapat ringkasan (not_requested), yang penting untuk mel suara: kebanyakan mel suara cukup pendek sehingga transkrip itu sendiri ialah ringkasannya. Panggilan yang dibuat tanpa summary boleh diberi ringkasan kemudian dengan POST /v1/transcriptions/{id}/summarize. Ringkasan disertakan dalam setiap pelan tanpa kos tambahan.
GET /v1/transcriptions/{id}/export mengembalikan fail dalam satu daripada tujuh format: json, xlsx, pdf, srt, vtt, txt atau md. Setiap eksport mengandungi pembetulan dan nama penutur yang anda berikan. Bagi pasukan sokongan, dua daripadanya melakukan kebanyakan kerja.
JSON untuk kod anda sendiri. Eksport JSON mempunyai name, language, durationS panggilan dan, dengan summary=true, summary-nya, kemudian segments: satu entri bagi setiap baris, dengan start dan end dalam saat, speaker, speakerName, text, confidence, sama ada baris itu corrected, dan words dengan masa mereka sendiri. Itu cukup untuk skrip membina nota CRM (tajuk, ringkasan, nama ejen, tempoh panggilan), atau mengeluarkan setiap baris yang disebut oleh pelanggan.
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 untuk penyemak. Eksport XLSX mempunyai helaian Transcript dengan satu baris bagi setiap baris transkrip dan lajur #, Start, End, Start (s), End (s), Speaker, Text, Confidence dan Corrected. Dengan summary=true, helaian About membawa ringkasan di sebelah nama, bahasa dan tempoh panggilan. Ketua QA boleh menapis baris ejen, menambah lajur untuk markah atau komen, dan menyimpan satu buku kerja bagi setiap semakan.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Sokongan dalam lebih daripada satu bahasa berfungsi dengan cara yang sama. Tambah lang=en pada eksport dan fail itu dibaca dalam bahasa Inggeris, satu baris bagi setiap ayat, diterjemah di mana panggilan dalam bahasa Sepanyol atau Poland; penyemak yang membaca satu bahasa boleh menilai panggilan yang diterima dalam beberapa bahasa. Eksport PDF sesuai untuk orang yang mahu membaca seluruh panggilan di atas kertas, dengan penutur dan cap masa.
Transkripsi kekal dalam akaun selepas dieksport, jadi panggilan membentuk perpustakaan. Teg mengumpulkannya: cipta satu bagi setiap baris gilir atau pasukan dengan POST /v1/tags, kemudian letakkannya pada transkripsi dengan 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 kemudian mencari apa yang diucapkan merentas setiap panggilan, disempitkan mengikut teg dan tarikh: setiap panggilan baris gilir bil bulan ini yang ada orang menyebut "cancel", setiap hasil dengan panggilannya dan saat ia disebut.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Semua yang di atas juga berfungsi tanpa kod. Fail yang dimuat naik di Transcriptions → New dilabel, diringkaskan dan dieksport daripada halamannya, penutur disimpan di bawah Speakers, dan teg serta carian terdapat dalam senarai Transcriptions.
Beberapa jurang patut diketahui sebelum apa-apa disediakan.
Pengekalan bergantung pada pelan; halaman harga menunjukkan berapa lama audio dan transkripsi disimpan pada setiap satu. Transkripsi boleh diarkibkan, dan yang diarkibkan boleh dihapuskan dengan POST /v1/transcriptions/{id}/purge, yang memadamkannya dan semua isinya selama-lamanya.
Pada harga pelancaran, panggilan yang dirakam berharga $0.20 sejam audio, dibilkan mengikut saat ($0.0033 seminit), dengan minimum 5 minit bagi setiap transkripsi pada Bayar Ikut Guna (tiada pada Premium atau Enterprise). Kadar semasa ada pada halaman harga. Label penutur, penamaan penutur, ringkasan, terjemahan dan eksport tidak pernah menambah bil.
Panggilan sokongan selalunya pendek, jadi minimum menentukan lebih banyak bil pasukan sokongan berbanding kadar. Pada Bayar Ikut Guna:
Pada Premium dan Enterprise tiada minimum, jadi setiap panggilan dibilkan mengikut saatnya sendiri: mel suara 40 saat berharga kira-kira satu perlima sen, dan 1,000 panggilan tiga minit kira-kira $10. Pasukan yang kebanyakannya menerima panggilan pendek patut membandingkan kedua-duanya pada tempoh panggilan mereka sendiri.
Pada harga pelancaran, pasukan yang merakam 2,000 panggilan sebulan dengan purata 8 minit menghantar 16,000 minit audio: kira-kira $53 kredit sebulan pada Premium, termasuk ringkasan dan hamparan. Pada Bayar Ikut Guna, setiap panggilan di bawah 5 minit menambah kepada jumlah itu.
Transkripsi langsung berharga lebih ($0.60 sejam pada harga pelancaran), kerana ia mengikut rentak panggilan; jika tiada siapa memerlukan perkataan semasa panggilan, transkripsikan rakaman selepas itu. Akaun baharu bermula dengan kredit pendaftaran sekali sahaja dan tiada kad diperlukan, jadi langkah di atas boleh dicuba pada sekumpulan panggilan anda sendiri sebelum apa-apa dibeli.