En transkripsjon skiller stemmer, men kan ikke vite hvem som er agenten. Lagre hver agent én gang, fra et av deres egne anrop, så kommer hvert anrop etterpå med agenten navngitt, et sammendrag øverst og et regneark klart for kvalitetssikring.
En QA-leder som går gjennom supportanrop ved å lytte, rekker en håndfull om dagen, og en samtale på sju minutter tar sju minutter uansett hvor fort man klikker. Lest som tekst er samme samtale rundt tusen ord, én side, og en side kan skumleses, søkes i og limes inn i en sak. Transkripsjon av kundeserviceanrop gjør opptakene telefonsystemet ditt allerede lagrer, til slike sider. Tre ting avgjør om sidene er til nytte: om hver linje sier hvem som snakket, agent eller kunde; om anropet kommer med et kort sammendrag av hva det ble spurt om og hva som ble avtalt; og om resultatet havner der teamet jobber, i et CRM-notat eller et QA-regneark.
Denne artikkelen går gjennom arbeidsflyten med VocalStack: innspilte anrop sendt gjennom API-et, agenten gjenkjent på navn, et sammendrag skrevet for hvert anrop og eksporter i JSON og Excel. Den sier også rett ut hva VocalStack ikke gjør for et supportteam, fordi noe av det har betydning før det første anropet lastes opp.
De fleste telefon- og kontaktsentersystemer kan eksportere anropsopptak som lydfiler, eller gi hvert opptak en nedlastingslenke. Begge deler fungerer. POST /v1/transcriptions tar en fil som multipart-opplasting, eller en JSON-kropp med en url som serveren henter selv. Filveiledningen går gjennom kallet i detalj; for anrop er disse innstillingene viktige, alle inne i settings:
speakerLabels: sett den til on, så hver linje i en samtale mellom to bærer en taler. Standarden, When Needed (auto), merker linjer først når en andre taler høres, noe som passer bedre til et foredrag enn til et anrop.summary og title: begge er av med mindre du ber om dem. Når de er på, skrives en tittel og et kort sammendrag for anropet når det er transkribert.spokenLanguage: oppgi det når du vet det, som i en kø som bare tar anrop på ett språk. Utelater du det, gjenkjennes språket blant 100.Opplastingen svarer med en gang med en transkripsjons-id; ordene kommer litt senere. Send en Idempotency-Key med hver opplasting: et nytt forsøk med samme nøkkel og kropp innen 24 timer gir tilbake den første transkripsjonen i stedet for å lage, og fakturere, en andre. Anropets egen id fra telefonsystemet er en naturlig nøkkel.
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 ?? ''}`);
En natts opptak kan lastes opp i én løkke. Hvert abonnement bestemmer hvor mange transkripsjoner som kjører samtidig, og en fil over det tallet avvises ikke: den opprettes, venter som queued og starter av seg selv når en tidligere avsluttes. Grensen du kan treffe, er antall transkripsjoner en konto kan starte via API-et per time; tallene for hvert abonnement står på prissiden. Det finnes ingen webhooks, så skriptet ditt spør hver jobb til den er ferdig, noe waitForJob gjør for deg.
Talermerkingen kommer fra diarisering: opptaket deles i innlegg, og innleggene grupperes etter stemme. Det som kommer tilbake, er «Speaker 1» og «Speaker 2». Systemet kan skille to stemmer, men ingenting i lyden sier hvilken som er ansatt hos deg. Talerdiarisering mot talegjenkjenning forklarer mekanikken; for supportanrop er det praktiske svaret å lagre hver agent én gang.
En lagret taler er et stemmeavtrykk med et navn. Når den finnes, sammenligner hver ny transkripsjon i kontoen stemmene den hører med de lagrede talerne dine, og et treff tar med navnet inn i transkripsjonen. Filer matches automatisk, så agentens linjer kommer som «Dana» i stedet for «Speaker 1». Kunden forblir nummerert til du navngir vedkommende.
Ta avtrykket fra et av agentens egne anrop og ikke fra et opptak gjort ved et skrivebord. En stemme på headset i et stille rom og den samme stemmen på en telefonlinje kan høres mindre like ut for en maskin enn to ulike personer tatt opp på samme måte, og avtrykket matcher best mot lyd som ligner lyden det kom fra. POST /v1/speakers/from-appearance lagrer en taler rett fra en transkripsjon, med talerens egne partier av anropet som prøve. appearance er speaker-indeksen linjene deres bærer.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Når en taler lagres slik, beholdes bare stemmeavtrykket, fra minst 5 sekunder av talen; et anrop der agenten snakker i et minutt eller mer, gir et stabilere. Stemmekloning er et eget trinn som krever personens samtykke, og en supportarbeidsflyt har ingen bruk for det.
Fra da av forteller transkripsjonen av et ferdig anrop hvem som ble gjenkjent. GET /v1/transcriptions/{id}/transcript lister speakers, og en taler som er matchet mot en lagret, har identified: true og det lagrede navnet. De andre kan navngis med ett kall hver, PUT /v1/transcriptions/{id}/appearances/{number}, der number er talerens visningsnummer. Navngivingen lagres på transkripsjonen, så hver eksport etterpå sier «Customer» i stedet for et nummer.
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');
}
Behandle «alle som ikke er gjenkjent, er kunden» som en tommelfingerregel og sjekk den mot dine egne anrop. En viderekobling bringer inn en andre agent, en innspilt menyhilsen kan høres som en egen stemme, og en agent som ikke er lagret ennå, ser akkurat ut som en kunde. Merk også hvordan sammenligningen er avgrenset: hver transkripsjon sammenlignes med de 64 sist oppdaterte lagrede talerne i kontoen, så et team som er større enn det, bør ikke regne med at hver agent gjenkjennes i hvert anrop.
To egenskaper ved telefonlyd er verdt å kjenne før du bedømmer merkingen. Et opptak med to kanaler, agenten til venstre og kunden til høyre, blandes ned til én kanal ved transkripsjon, så talerne skilles på stemmene, ikke på kanalen. Og en smalbåndet telefonlinje bærer ingenting over omtrent 3.4 kHz, noe som fjerner en del av det som gjør to stemmer ulike; korte, overlappende innlegg («yes», «mm-hm», «sorry, go on») er der merkingen oftest går galt.
Med summary og title på får hvert anrop en tittel og noen setninger om hva det handlet om, når transkripsjonen er endelig. Det er dette som går inn i saken, så neste agent kjenner historikken uten å åpne noe. Sammendraget skrives etter transkripsjonen, så les det med GET /v1/transcriptions/{id}/summary og vent mens state er 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);
}
Når state er ready, inneholder title og summary teksten. Et opptak på under ett minutt får aldri sammendrag (not_requested), noe som har betydning for talepost: de fleste taleposter er så korte at transkripsjonen er sitt eget sammendrag. Et anrop som ble gjort uten summary, kan få et senere med POST /v1/transcriptions/{id}/summarize. Sammendrag er inkludert i alle abonnementer uten ekstra kostnad.
GET /v1/transcriptions/{id}/export gir en fil i ett av sju formater: json, xlsx, pdf, srt, vtt, txt eller md. Hver eksport inneholder rettinger og talernavnene du ga. For et supportteam gjør to av dem mesteparten av jobben.
JSON til din egen kode. JSON-eksporten har anropets name, language, durationS og, med summary=true, summary, deretter segments: én oppføring per linje, med start og end i sekunder, speaker, speakerName, text, en confidence, om linjen ble corrected, og words med egne tidspunkter. Det er nok til at et skript kan bygge et CRM-notat (tittelen, sammendraget, agentens navn, anropets lengde), eller hente ut hver linje kunden sa.
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 til den som gjennomgår. XLSX-eksporten har et ark Transcript med én rad per linje og kolonnene #, Start, End, Start (s), End (s), Speaker, Text, Confidence og Corrected. Med summary=true har arket About sammendraget ved siden av anropets navn, språk og lengde. En QA-leder kan filtrere til agentens rader, legge til en kolonne for poeng eller kommentarer og ha én arbeidsbok per gjennomgang.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Support på flere språk fungerer på samme måte. Legg til lang=en i en eksport, så leses filen på engelsk, én linje per setning, oversatt der anropet var på spansk eller polsk; en gjennomgåer som leser ett språk, kan skåre anrop tatt på flere. PDF-eksporten passer for den som vil lese et helt anrop på papir, med talere og tidsstempler.
En transkripsjon blir værende i kontoen etter eksport, så anropene bygger opp et bibliotek. Tagger grupperer dem: lag én per kø eller team med POST /v1/tags, og sett den på transkripsjoner med 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 søker så i det som ble sagt i alle anrop, avgrenset etter tagg og dato: hvert anrop i fakturakøen denne måneden der noen sa «cancel», hvert treff med anropet og sekundet det ble sagt.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Alt over fungerer også uten kode. En fil lastet opp på Transcriptions → New merkes, sammenfattes og eksporteres fra sin side, talere lagres under Speakers, og tagger og søk finnes i transkripsjonslisten.
Noen hull er verdt å kjenne før noe settes opp.
Oppbevaring avhenger av abonnementet; prissiden viser hvor lenge lyd og transkripsjoner beholdes i hvert. En transkripsjon kan arkiveres, og en arkivert kan slettes for godt med POST /v1/transcriptions/{id}/purge, som sletter den og alt i den for alltid.
Med lanseringsprisene koster innspilte anrop $0.20 per time lyd, faktureres per sekund ($0.0033 i minuttet), med et minimum på 5 minutter per transkripsjon på Betal etter bruk (ikke noe på Premium eller Enterprise). De gjeldende satsene står på prissiden. Talermerking, talernavn, sammendrag, oversettelser og eksporter øker aldri regningen.
Supportanrop er ofte korte, så minimumet avgjør mer av et supportteams regning enn satsen gjør. På Betal etter bruk:
På Premium og Enterprise er det ikke noe minimum, så hvert anrop faktureres etter sine egne sekunder: talepost på 40 sekunder koster omtrent en femtedels cent, og de 1,000 treminuttersanropene omtrent $10. Et team som for det meste tar korte anrop, bør sammenligne de to på sine egne anropslengder.
Med lanseringsprisene sender et team som tar opp 2,000 anrop i måneden med et snitt på 8 minutter, 16,000 minutter lyd: omtrent $53 kreditt i måneden på Premium, sammendrag og regneark inkludert. På Betal etter bruk bidrar hvert anrop under 5 minutter til å øke dette.
Direktetranskripsjon koster mer ($0.60 i timen til lanseringspriser), fordi den holder tritt med anropet; hvis ingen trenger ordene under anropet, transkriber opptaket etterpå. En ny konto starter med engangskreditt ved registrering og uten kort, så trinnene over kan prøves på en bunke av dine egne anrop før noe kjøpes.