ट्रान्सक्रिप्सनले आवाज छुट्ट्याउँछ तर कुन एजेन्ट हो भन्ने जान्न सक्दैन। प्रत्येक एजेन्टलाई उनकै एउटा कलबाट एकपटक बचत गर्नुहोस्, र त्यसपछिको प्रत्येक कल एजेन्टको नामसहित, माथि सारांश र QA का लागि तयार स्प्रेडसिटसहित फर्कन्छ।
सुन्दै सपोर्ट कल समीक्षा गर्ने QA प्रमुखले दिनमा मुट्ठीभर कलमात्र पार गर्न सक्छन्, र सात मिनेटको कलले जतिसुकै छिटो क्लिक गरे पनि सात मिनेट नै लिन्छ। पाठका रूपमा पढ्दा त्यही कल करिब एक हजार शब्द, एउटा पृष्ठ हुन्छ, र एउटा पृष्ठलाई हेरेर पढ्न, खोज्न र टिकेटमा टाँस्न सकिन्छ। ग्राहक सेवा कलको ट्रान्सक्रिप्सनले तपाईंको फोन प्रणालीले पहिल्यै राखेका रेकर्डिङलाई ती पृष्ठमा बदल्छ। ती पृष्ठ काम लाग्छन् कि लाग्दैनन् भन्ने तीन कुराले निर्धारण गर्छन्: प्रत्येक पङ्क्तिले को बोल्यो, एजेन्ट वा ग्राहक, भन्छ कि भन्दैन; कलसँग के सोधियो र के सहमति भयो भन्ने छोटो सारांश आउँछ कि आउँदैन; र नतिजा टोलीले काम गर्ने ठाउँ, CRM को नोट वा QA स्प्रेडसिटमा पुग्छ कि पुग्दैन।
यो लेखले VocalStack सँग त्यो कार्यप्रवाह देखाउँछ: API मार्फत पठाइएका रेकर्ड गरिएका कल, नामले चिनिएको एजेन्ट, प्रत्येक कलका लागि लेखिएको सारांश, र JSON तथा Excel मा निर्यात। यसले VocalStack ले सपोर्ट टोलीका लागि के गर्दैन भनेर पनि स्पष्ट भन्छ, किनकि पहिलो कल अपलोड गर्नुअघि त्यसमध्ये केही कुरा महत्त्वपूर्ण हुन्छन्।
अधिकांश फोन र कन्ट्याक्ट-सेन्टर प्रणालीले कल रेकर्डिङलाई अडियो फाइलका रूपमा निर्यात गर्न सक्छन्, वा प्रत्येकको डाउनलोड लिङ्क दिन सक्छन्। दुवै काम गर्छन्। POST /v1/transcriptions ले फाइललाई मल्टिपार्ट अपलोडका रूपमा, वा सर्भरले आफैँ ल्याउने url भएको JSON बडीका रूपमा लिन्छ। फाइल ट्युटोरियल ले यो कल विस्तारमा समेट्छ; कलका लागि यी सेटिङ महत्त्वपूर्ण छन्, सबै settings भित्र:
speakerLabels: यसलाई on मा सेट गर्नुहोस्, ताकि दुई जनाको कलको प्रत्येक पङ्क्तिमा वक्ता होस्। पूर्वनिर्धारित When Needed (auto) ले दोस्रो वक्ता सुनिएपछि मात्र पङ्क्तिमा लेबल लगाउँछ, जुन कलभन्दा व्याख्यानलाई बढी मिल्छ।summary र title: दुवै तपाईंले नमागेसम्म बन्द हुन्छन्। खुला हुँदा कल ट्रान्सक्रिप्ट भएपछि शीर्षक र छोटो सारांश लेखिन्छ।spokenLanguage: थाहा भए तोक्नुहोस्, जस्तै एउटै भाषाका कल मात्र लिने क्युमा। छाडिदिनुभयो भने भाषा 100 मध्येबाट पत्ता लगाइन्छ।अपलोडले तुरुन्तै ट्रान्सक्रिप्सन id सहित जवाफ दिन्छ; शब्दहरू अलि पछि आउँछन्। प्रत्येक अपलोडसँग Idempotency-Key पठाउनुहोस्: 24 घण्टाभित्र उही कुञ्जी र बडीसहितको पुनः प्रयासले दोस्रो बनाएर बिल गर्नुको सट्टा पहिलो ट्रान्सक्रिप्सन फर्काउँछ। तपाईंको फोन प्रणालीबाट कलको आफ्नै id स्वाभाविक कुञ्जी हो।
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 ?? ''}`);
एक रातका रेकर्डिङ एउटै लुपमा अपलोड गर्न सकिन्छ। प्रत्येक योजनाले कति ट्रान्सक्रिप्सन एकसाथ चल्छन् भन्ने तोक्छ, र त्यो सङ्ख्याभन्दा बढीको फाइल अस्वीकार गरिँदैन: त्यो बनाइन्छ, queued मा पर्खन्छ, र अघिल्लो सकिएपछि आफैँ सुरु हुन्छ। तपाईंले छुन सक्ने सीमा भनेको खाताले एक घण्टामा API मार्फत सुरु गर्न सक्ने ट्रान्सक्रिप्सनको सङ्ख्या हो; प्रत्येक योजनाका आँकडा मूल्य पृष्ठ मा छन्। वेबहुक छैनन्, त्यसैले तपाईंको स्क्रिप्टले प्रत्येक जबलाई सकिएसम्म पोल गर्छ, जुन waitForJob ले तपाईंका लागि गर्छ।
वक्ता लेबल डायराइजेसनबाट आउँछन्: रेकर्डिङलाई पालोमा बाँडिन्छ, र पालोहरूलाई आवाजअनुसार समूहबद्ध गरिन्छ। फर्केर आउने “Speaker 1” र “Speaker 2” हुन्। प्रणालीले दुई आवाज छुट्ट्याउन सक्छ, तर अडियोमा कुनै कुराले पनि कुन तपाईंले काममा लगाएको हो भनेर बताउँदैन। वक्ता डायराइजेसन बनाम वाक् पहिचान ले यान्त्रिकी बुझाउँछ; सपोर्ट कलका लागि व्यावहारिक जवाफ प्रत्येक एजेन्टलाई एकपटक बचत गर्नु हो।
बचत गरिएको वक्ता नाम भएको आवाजको छाप हो। यो एकपटक अस्तित्वमा आएपछि खाताको प्रत्येक नयाँ ट्रान्सक्रिप्सनले सुनेका आवाजलाई तपाईंका बचत गरिएका वक्तासँग तुलना गर्छ, र मिलेमा नाम ट्रान्सक्रिप्टमा आउँछ। फाइलहरू स्वचालित रूपमा मिलाइन्छन्, त्यसैले एजेन्टका पङ्क्ति “Speaker 1” को सट्टा “Dana” का रूपमा आइपुग्छन्। ग्राहकलाई तपाईंले नाम नदिएसम्म नम्बर नै रहन्छ।
छाप डेस्कमा बनाइएको रेकर्डिङबाट होइन, एजेन्टकै आफ्नो कलबाट लिनुहोस्। शान्त कोठामा हेडसेटमा रहेको आवाज र फोन लाइनमा रहेको उही आवाज मेसिनलाई समान तरिकाले रेकर्ड गरिएका दुई फरक व्यक्तिभन्दा कम मिल्दो सुनिन सक्छ, र छाप आफू बनेको अडियोजस्तै अडियोसँग सबैभन्दा राम्ररी मिल्छ। POST /v1/speakers/from-appearance ले ट्रान्सक्रिप्सनबाट सिधै वक्तालाई बचत गर्छ, त्यो वक्ताका आफ्नै कलका खण्डहरूलाई नमुनाका रूपमा प्रयोग गरेर। appearance भनेको उनका पङ्क्तिले बोक्ने speaker सूचकाङ्क हो।
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
यसरी वक्ता बचत गर्दा उनको कम्तीमा 5 सेकेन्ड बोलीबाट छाप मात्र राखिन्छ; एजेन्टले एक मिनेट वा बढी बोलेको कलले अझ स्थिर छाप दिन्छ। आवाज क्लोन गर्नु व्यक्तिको सहमति चाहिने अलग चरण हो, र सपोर्ट कार्यप्रवाहलाई त्यसको कुनै प्रयोग हुँदैन।
त्यसपछि सकिएको कलको ट्रान्सक्रिप्टले कसलाई चिनियो भनेर बताउँछ। GET /v1/transcriptions/{id}/transcript ले speakers सूचीबद्ध गर्छ, र बचत गरिएकोसँग मिलेको वक्तामा identified: true र बचत गरिएको नाम हुन्छ। बाँकीलाई एक-एक कलमा नाम दिन सकिन्छ, PUT /v1/transcriptions/{id}/appearances/{number}, जहाँ number वक्ताको प्रदर्शन नम्बर हो। नामकरण ट्रान्सक्रिप्सनमा भण्डारण हुन्छ, त्यसैले त्यसपछिका प्रत्येक निर्यातमा नम्बरको सट्टा “Customer” पढिन्छ।
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');
}
“नचिनिएका सबै ग्राहक हुन्” भन्ने कुरालाई अनुमानको नियम मात्र मान्नुहोस् र आफ्नै कलमा जाँच्नुहोस्। ट्रान्सफरले दोस्रो एजेन्ट ल्याउँछ, रेकर्ड गरिएको मेनु प्रम्प्ट आफैँमा एउटा आवाजका रूपमा सुनिन सक्छ, र अहिलेसम्म बचत नगरिएको एजेन्ट ग्राहकजस्तै देखिन्छ। तुलना कसरी सीमित छ भन्ने पनि ध्यान दिनुहोस्: प्रत्येक ट्रान्सक्रिप्सनलाई खातामा सबैभन्दा हालै अद्यावधिक भएका 64 बचत गरिएका वक्तासँग तुलना गरिन्छ, त्यसैले त्योभन्दा ठूलो टोलीले प्रत्येक कलमा प्रत्येक एजेन्ट चिनिन्छ भनेर भर पर्नु हुँदैन।
लेबल जाँच्नुअघि फोन अडियोका दुई गुण जान्न लायक छन्। एजेन्ट बायाँ र ग्राहक दायाँ भएको दोहोरो च्यानलको रेकर्डिङ ट्रान्सक्रिप्ट गर्दा एउटै च्यानलमा मिसाइन्छ, त्यसैले वक्ताहरू च्यानलले होइन, आफ्नो आवाजले छुट्ट्याइन्छन्। र साँघुरो ब्यान्डको फोन लाइनले करिब 3.4 kHz भन्दा माथि केही बोक्दैन, जसले दुई आवाजलाई फरक बनाउने केही अंश हटाउँछ; छोटा, एकअर्कामाथि परेका पालो (“yes”, “mm-hm”, “sorry, go on”) मा लेबल सबैभन्दा बढी बिग्रन्छन्।
summary र title खुला हुँदा, ट्रान्सक्रिप्ट अन्तिम भएपछि प्रत्येक कलले शीर्षक र त्यो कलको विषयबारे केही वाक्य पाउँछ। त्यही टिकेटमा जान्छ, ताकि अर्को एजेन्टले केही नखोली इतिहास जान्न सकोस्। सारांश ट्रान्सक्रिप्टपछि लेखिन्छ, त्यसैले GET /v1/transcriptions/{id}/summary ले पढ्नुहोस् र यसको state pending रहेसम्म पर्खनुहोस्:
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 हुँदा, title र summary ले पाठ राख्छन्। एक मिनेटभन्दा छोटो रेकर्डिङले कहिल्यै सारांश पाउँदैन (not_requested), जुन भ्वाइसमेलका लागि महत्त्वपूर्ण छ: अधिकांश भ्वाइसमेल यति छोटा हुन्छन् कि ट्रान्सक्रिप्ट नै यसको सारांश हो। summary बिना गरिएको कललाई पछि POST /v1/transcriptions/{id}/summarize ले सारांश दिन सकिन्छ। सारांशहरू सबै योजनामा अतिरिक्त शुल्कबिना समावेश छन्।
GET /v1/transcriptions/{id}/export ले सात ढाँचामध्ये एउटामा फाइल फर्काउँछ: json, xlsx, pdf, srt, vtt, txt वा md। प्रत्येक निर्यातमा सुधार र तपाईंले दिएका वक्ताका नाम समावेश हुन्छन्। सपोर्ट टोलीका लागि, तीमध्ये दुईले धेरैजसो काम गर्छन्।
तपाईंको आफ्नै कोडका लागि JSON। JSON निर्यातमा कलको name, language, durationS र, summary=true सहित, यसको summary हुन्छन्, त्यसपछि segments: प्रति पङ्क्ति एउटा प्रविष्टि, सेकेन्डमा start र end, speaker, speakerName, text, एउटा confidence, पङ्क्ति corrected भए नभएको, र आफ्नै समयसहित words। स्क्रिप्टलाई CRM नोट बनाउन (शीर्षक, सारांश, एजेन्टको नाम, कलको अवधि), वा ग्राहकले भनेका प्रत्येक पङ्क्ति निकाल्न यति पुग्छ।
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.
समीक्षकका लागि Excel। XLSX निर्यातमा प्रत्येक पङ्क्तिका लागि एक-एक पङ्क्ति भएको Transcript सिट छ, र स्तम्भहरू #, Start, End, Start (s), End (s), Speaker, Text, Confidence र Corrected हुन्। summary=true सहित, About सिटले कलको नाम, भाषा र अवधिको छेउमा सारांश बोक्छ। QA प्रमुखले एजेन्टका पङ्क्तिमा फिल्टर गर्न, अंक वा टिप्पणीका लागि स्तम्भ थप्न, र प्रत्येक समीक्षाका लागि एउटा वर्कबुक राख्न सक्छन्।
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
एकभन्दा बढी भाषामा सपोर्ट पनि त्यसरी नै काम गर्छ। निर्यातमा lang=en थप्नुहोस् र फाइल अङ्ग्रेजीमा, प्रति वाक्य एक पङ्क्ति, कल स्पेनिस वा पोलिसमा भएको ठाउँमा अनुवाद गरेर पढिन्छ; एउटै भाषा पढ्ने समीक्षकले धेरै भाषामा लिइएका कलको अंक दिन सक्छन्। PDF निर्यात सम्पूर्ण कल कागजमा, वक्ता र टाइमस्ट्याम्पसहित, पढ्न चाहने व्यक्तिलाई मिल्छ।
निर्यात गरेपछि पनि ट्रान्सक्रिप्सन खातामा रहन्छ, त्यसैले कलहरूले पुस्तकालय बनाउँछन्। ट्यागले तिनलाई समूहबद्ध गर्छन्: POST /v1/tags ले प्रति क्यु वा टोली एउटा बनाउनुहोस्, त्यसपछि POST /v1/tags/{id}/transcriptions ले ट्रान्सक्रिप्सनमा राख्नुहोस्।
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search ले त्यसपछि ट्याग र मितिले सीमित गरेर, सबै कलमा के भनियो भनी खोज्छ: यस महिनाका बिलिङ क्युका प्रत्येक कल जहाँ कसैले “cancel” भने, प्रत्येक नतिजा त्यसको कल र त्यो भनिएको सेकेन्डसहित।
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
माथिका सबै कुरा कोडबिना पनि काम गर्छन्। Transcriptions → New मा अपलोड गरिएको फाइल यसको पृष्ठबाट लेबल, सारांश र निर्यात गरिन्छ, वक्ताहरू Speakers अन्तर्गत बचत गरिन्छन्, र ट्याग तथा खोज Transcriptions सूचीमा छन्।
केही कुरा सेटअप गर्नुअघि जान्न लायक छन्।
अभिलेख राख्ने अवधि योजनामा निर्भर गर्छ; मूल्य पृष्ठ ले प्रत्येकमा अडियो र ट्रान्सक्रिप्सन कति समय राखिन्छन् देखाउँछ। ट्रान्सक्रिप्सनलाई अभिलेखमा राख्न सकिन्छ, र अभिलेख गरिएकोलाई POST /v1/transcriptions/{id}/purge ले मेटाउन सकिन्छ, जसले यसलाई र यसभित्रका सबै कुरा सधैँका लागि मेटाउँछ।
लन्च मूल्यमा, रेकर्ड गरिएका कल प्रति घण्टा अडियो $0.20 हुन्, प्रति सेकेन्ड बिल गरिने ($0.0033 प्रति मिनेट), Pay as you go मा प्रति ट्रान्सक्रिप्सन 5 मिनेटको न्यूनतमसहित (Premium वा Enterprise मा छैन)। हालका दर मूल्य पृष्ठ मा छन्। वक्ता लेबल, वक्ताको नामकरण, सारांश, अनुवाद र निर्यातले बिलमा कहिल्यै थप्दैनन्।
सपोर्ट कल प्रायः छोटा हुन्छन्, त्यसैले सपोर्ट टोलीको बिलमा दरभन्दा न्यूनतमले बढी निर्धारण गर्छ। Pay as you go मा:
Premium र Enterprise मा न्यूनतम छैन, त्यसैले प्रत्येक कल आफ्नै सेकेन्डले बिल हुन्छ: 40 सेकेन्डको भ्वाइसमेलको लागत करिब एक सेन्टको पाँचौँ भाग, र 1,000 तीन मिनेटका कलको करिब $10। प्रायः छोटा कल लिने टोलीले दुवैलाई आफ्नै कलको अवधिमा तुलना गर्नुपर्छ।
लन्च मूल्यमा, महिनामा औसत 8 मिनेटका 2,000 कल रेकर्ड गर्ने टोलीले 16,000 मिनेट अडियो पठाउँछ: Premium मा महिनाको करिब $53 क्रेडिट, सारांश र स्प्रेडसिट समावेश। Pay as you go मा, 5 मिनेटभन्दा छोटो प्रत्येक कलले यसमा थप्छ।
लाइभ ट्रान्सक्रिप्सन महँगो पर्छ (लन्च मूल्यमा प्रति घण्टा $0.60), किनकि यो कलसँगै गति मिलाएर चल्छ; कलका बेला कसैलाई शब्द चाहिँदैन भने पछि रेकर्डिङ ट्रान्सक्रिप्ट गर्नुहोस्। नयाँ खाताले एक पटकको साइनअप क्रेडिटसहित सुरु गर्छ र कार्ड चाहिँदैन, त्यसैले केही किन्नुअघि माथिका चरण आफ्नै कलको ब्याचमा प्रयास गर्न सकिन्छ।