Transkrypcja odróżnia głosy, ale nie wie, który z nich należy do konsultanta. Zapisz każdego konsultanta raz, z jednej jego rozmowy, a każda kolejna rozmowa wróci z jego nazwiskiem, podsumowaniem na górze i arkuszem gotowym do QA.
Kierownik QA, który sprawdza rozmowy wsparcia, słuchając ich, przerobi ich kilka dziennie, a siedmiominutowa rozmowa trwa siedem minut, choćby klikać jak najszybciej. Przeczytana jako tekst, ta sama rozmowa to około tysiąca słów, jedna strona, a stronę można przejrzeć, przeszukać i wkleić do zgłoszenia. Transkrypcja rozmów obsługi klienta zamienia nagrania, które system telefoniczny już przechowuje, w takie strony. O tym, czy strony się przydadzą, decydują trzy rzeczy: czy każdy wiersz mówi, kto mówił, konsultant czy klient; czy rozmowa przychodzi z krótkim podsumowaniem tego, o co pytano i co ustalono; oraz czy wynik trafia tam, gdzie pracuje zespół, do notatki w CRM albo arkusza QA.
Ten artykuł przechodzi ten przepływ pracy z VocalStack: nagrane rozmowy wysyłane przez API, konsultant rozpoznawany po nazwisku, podsumowanie napisane dla każdej rozmowy oraz eksporty do JSON i Excela. Mówi też wprost, czego VocalStack nie robi dla zespołu wsparcia, bo część z tego ma znaczenie, zanim wgrasz pierwszą rozmowę.
Większość systemów telefonicznych i call center potrafi wyeksportować nagrania rozmów jako pliki audio albo dać link do pobrania każdego z nich. Oba sposoby działają. POST /v1/transcriptions przyjmuje plik jako przesłanie multipart albo treść JSON z url, który serwer pobiera sam. Samouczek o plikach opisuje wywołanie szczegółowo; przy rozmowach liczą się te ustawienia, wszystkie w settings:
speakerLabels: ustaw na on, żeby każdy wiersz rozmowy dwóch osób miał mówcę. Domyślne When Needed (auto) oznacza wiersze dopiero po usłyszeniu drugiego mówcy, co lepiej pasuje do wykładu niż do rozmowy.summary i title: oba są wyłączone, dopóki o nie nie poprosisz. Gdy są włączone, po transkrypcji rozmowy powstaje tytuł i krótkie podsumowanie.spokenLanguage: podaj go, gdy go znasz, na przykład w kolejce przyjmującej rozmowy tylko w jednym języku. Jeśli go pominiesz, język jest wykrywany spośród 100.Przesłanie odpowiada od razu identyfikatorem transkrypcji; słowa przychodzą chwilę później. Wysyłaj Idempotency-Key z każdym przesłaniem: ponowienie z tym samym kluczem i treścią w ciągu 24 godzin zwraca pierwszą transkrypcję zamiast tworzyć, i rozliczać, drugą. Identyfikator samej rozmowy z twojego systemu telefonicznego to naturalny klucz.
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 ?? ''}`);
Nagrania z całej nocy można wysłać w jednej pętli. Każdy plan określa, ile transkrypcji działa naraz, a plik ponad tę liczbę nie jest odrzucany: jest tworzony, czeka w stanie queued i startuje sam, gdy skończy się wcześniejsza. Limit, na który możesz trafić, to liczba transkrypcji, które konto może rozpocząć przez API w ciągu godziny; wartości dla każdego planu są w cenniku. Nie ma webhooków, więc twój skrypt odpytuje każde zadanie, aż się skończy, co waitForJob robi za ciebie.
Etykiety mówców pochodzą z diaryzacji: nagranie jest dzielone na wypowiedzi, a wypowiedzi grupowane według głosu. Wynik to „Speaker 1” i „Speaker 2”. System potrafi odróżnić dwa głosy, ale nic w dźwięku nie mówi, który z nich jest twoim pracownikiem. Diaryzacja mówców a rozpoznawanie mowy wyjaśnia mechanikę; przy rozmowach wsparcia praktyczna odpowiedź to zapisać każdego konsultanta raz.
Zapisany mówca to odcisk głosu z nazwą. Gdy już istnieje, każda nowa transkrypcja na koncie porównuje usłyszane głosy z twoimi zapisanymi mówcami, a dopasowanie przenosi nazwę do transkrypcji. Pliki są dopasowywane automatycznie, więc wiersze konsultanta przychodzą jako „Dana” zamiast „Speaker 1”. Klient pozostaje numerowany, dopóki go nie nazwiesz.
Odcisk weź z jednej z własnych rozmów konsultanta, a nie z nagrania zrobionego przy biurku. Głos w słuchawkach w cichym pokoju i ten sam głos na linii telefonicznej mogą brzmieć dla maszyny mniej podobnie niż dwie różne osoby nagrane w ten sam sposób, a odcisk najlepiej pasuje do dźwięku podobnego do tego, z którego powstał. POST /v1/speakers/from-appearance zapisuje mówcę prosto z transkrypcji, używając jako próbki jego własnych fragmentów rozmowy. appearance to indeks speaker, który noszą jego wiersze.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Zapisanie mówcy w ten sposób zachowuje tylko jego odcisk, z co najmniej 5 sekund jego mowy; rozmowa, w której konsultant mówi minutę lub dłużej, daje stabilniejszy odcisk. Klonowanie głosu to osobny krok, który wymaga zgody osoby, a przepływ pracy wsparcia go nie potrzebuje.
Od tej pory transkrypcja zakończonej rozmowy mówi, kto został rozpoznany. GET /v1/transcriptions/{id}/transcript wymienia speakers, a mówca dopasowany do zapisanego ma identified: true i zapisaną nazwę. Pozostałych można nazwać jednym wywołaniem dla każdego, PUT /v1/transcriptions/{id}/appearances/{number}, gdzie number to wyświetlany numer mówcy. Nazwa jest zapisywana w transkrypcji, więc każdy późniejszy eksport zamiast numeru pokazuje „Customer”.
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');
}
Traktuj zasadę „każdy nierozpoznany to klient” jako regułę kciuka i sprawdź ją na własnych rozmowach. Przełączenie rozmowy wprowadza drugiego konsultanta, nagrany komunikat menu może zabrzmieć jako osobny głos, a konsultant, który jeszcze nie został zapisany, wygląda dokładnie jak klient. Zwróć uwagę też na ograniczenie porównania: każda transkrypcja jest porównywana z 64 ostatnio zaktualizowanymi zapisanymi mówcami na koncie, więc zespół większy niż to nie powinien liczyć na rozpoznanie każdego konsultanta w każdej rozmowie.
Dwie cechy dźwięku telefonicznego warto znać, zanim ocenisz etykiety. Nagranie dwukanałowe, z konsultantem po lewej i klientem po prawej, jest przy transkrypcji miksowane do jednego kanału, więc mówcy są rozdzielani po głosach, a nie po kanale. A wąskopasmowa linia telefoniczna nie przenosi nic powyżej około 3.4 kHz, co usuwa część tego, co czyni dwa głosy różnymi; krótkie, nakładające się wypowiedzi („yes”, „mm-hm”, „sorry, go on”) to miejsca, w których etykiety mylą się najczęściej.
Przy włączonych summary i title każda rozmowa dostaje tytuł i kilka zdań o tym, czego dotyczyła, gdy transkrypcja jest już ostateczna. To trafia do zgłoszenia, więc kolejny konsultant zna historię, niczego nie otwierając. Podsumowanie powstaje po transkrypcji, więc odczytaj je przez GET /v1/transcriptions/{id}/summary i czekaj, dopóki jego state to 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);
}
Gdy state ma wartość ready, title i summary zawierają tekst. Nagranie krótsze niż minuta nigdy nie dostaje podsumowania (not_requested), co ma znaczenie dla poczty głosowej: większość wiadomości głosowych jest na tyle krótka, że transkrypcja sama jest podsumowaniem. Rozmowie wykonanej bez summary można nadać podsumowanie później przez POST /v1/transcriptions/{id}/summarize. Podsumowania są wliczone w każdy plan bez dodatkowych kosztów.
GET /v1/transcriptions/{id}/export zwraca plik w jednym z siedmiu formatów: json, xlsx, pdf, srt, vtt, txt lub md. Każdy eksport zawiera poprawki i nazwy mówców, które nadałeś. Dla zespołu wsparcia większość pracy wykonują dwa z nich.
JSON dla własnego kodu. Eksport JSON ma name, language, durationS rozmowy oraz, z summary=true, jej summary, a potem segments: jeden wpis na wiersz, z start i end w sekundach, speaker, speakerName, text, confidence, informacją, czy wiersz był corrected, i words z własnymi czasami. To wystarcza, żeby skrypt zbudował notatkę do CRM (tytuł, podsumowanie, nazwisko konsultanta, długość rozmowy) albo wyciągnął każdy wiersz wypowiedziany przez klienta.
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 dla recenzenta. Eksport XLSX ma arkusz Transcript z jednym wierszem na wypowiedź i kolumnami #, Start, End, Start (s), End (s), Speaker, Text, Confidence i Corrected. Z summary=true arkusz About zawiera podsumowanie obok nazwy, języka i długości rozmowy. Kierownik QA może przefiltrować wiersze konsultanta, dodać kolumnę na oceny lub komentarze i trzymać jeden skoroszyt na przegląd.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Obsługa w kilku językach działa tak samo. Dodaj lang=en do eksportu, a plik będzie po angielsku, jedno zdanie na wiersz, przetłumaczony tam, gdzie rozmowa była po hiszpańsku lub polsku; recenzent czytający jeden język może oceniać rozmowy przyjęte w kilku. Eksport PDF pasuje komuś, kto chce przeczytać całą rozmowę na papierze, z mówcami i znacznikami czasu.
Transkrypcja zostaje na koncie po eksporcie, więc rozmowy budują bibliotekę. Tagi je grupują: utwórz po jednym na kolejkę lub zespół przez POST /v1/tags, a potem nałóż na transkrypcje przez 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 przeszukuje potem to, co padło we wszystkich rozmowach, zawężone według tagu i daty: każda rozmowa z kolejki Billing w tym miesiącu, w której ktoś powiedział „cancel”, a każde trafienie pokazuje rozmowę i sekundę, w której padło.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Wszystko powyższe działa też bez kodu. Plik przesłany w Transcriptions → New jest oznaczany, podsumowywany i eksportowany ze swojej strony, mówcy są zapisywani w Speakers, a tagi i wyszukiwanie znajdują się na liście Transcriptions.
Niektóre braki warto znać, zanim cokolwiek się skonfiguruje.
Okres przechowywania zależy od planu; cennik pokazuje, jak długo przechowywane są dźwięk i transkrypcje w każdym z nich. Transkrypcję można zarchiwizować, a zarchiwizowaną usunąć trwale przez POST /v1/transcriptions/{id}/purge, co kasuje ją razem ze wszystkim, co zawiera.
Według cen startowych nagrane rozmowy kosztują $0.20 za godzinę dźwięku, rozliczane co do sekundy ($0.0033 za minutę), z minimum 5 minut na transkrypcję w planie Pay as you go (bez minimum w Premium i Enterprise). Aktualne stawki są w cenniku. Etykiety mówców, nazywanie mówców, podsumowania, tłumaczenia i eksporty nigdy nie zwiększają rachunku.
Rozmowy wsparcia są często krótkie, więc o rachunku zespołu wsparcia bardziej niż stawka decyduje minimum. W planie Pay as you go:
W Premium i Enterprise nie ma minimum, więc każda rozmowa jest rozliczana za własne sekundy: 40-sekundowa wiadomość głosowa kosztuje około jednej piątej centa, a 1,000 trzyminutowych rozmów około $10. Zespół, który przyjmuje głównie krótkie rozmowy, powinien porównać oba plany na własnych długościach rozmów.
Według cen startowych zespół nagrywający 2,000 rozmów miesięcznie o średniej długości 8 minut wysyła 16,000 minut dźwięku: około $53 kredytu miesięcznie w Premium, z podsumowaniami i arkuszami w cenie. W planie Pay as you go każda rozmowa krótsza niż 5 minut zwiększa tę kwotę.
Transkrypcja na żywo kosztuje więcej ($0.60 za godzinę według cen startowych), bo nadąża za rozmową; jeśli podczas rozmowy nikt nie potrzebuje słów, transkrybuj nagranie później. Nowe konto zaczyna z jednorazowym kredytem na start i nie wymaga karty, więc powyższe kroki można wypróbować na partii własnych rozmów, zanim cokolwiek zostanie kupione.