O transcriere deosebește vocile, dar nu poate ști care dintre ele e a agentului. Salvează fiecare agent o singură dată, dintr-un apel al lui, iar fiecare apel de după aceea vine cu agentul numit, cu un rezumat deasupra și cu o foaie de calcul gata pentru QA.
Un responsabil QA care verifică apelurile de suport ascultându-le poate parcurge câteva pe zi, iar un apel de șapte minute durează șapte minute oricât de repede ai da clic. Citit ca text, același apel are cam o mie de cuvinte, o pagină, iar o pagină poate fi răsfoită, căutată și lipită într-un tichet. Transcrierea apelurilor de suport clienți transformă înregistrările pe care sistemul tău telefonic le păstrează deja în aceste pagini. Trei lucruri hotărăsc dacă paginile sunt de folos: dacă fiecare linie spune cine a vorbit, agentul sau clientul; dacă apelul vine cu un scurt rezumat despre ce s-a cerut și ce s-a convenit; și dacă rezultatul ajunge acolo unde lucrează echipa, într-o notă din CRM sau într-o foaie de calcul QA.
Acest articol parcurge fluxul de lucru cu VocalStack: apeluri înregistrate trimise prin API, agentul recunoscut după nume, un rezumat scris pentru fiecare apel și exporturi în JSON și Excel. Spune deschis și ce nu face VocalStack pentru o echipă de suport, pentru că unele lucruri contează înainte de a încărca primul apel.
Majoritatea sistemelor telefonice și de call center pot exporta înregistrările apelurilor ca fișiere audio sau pot da câte un link de descărcare pentru fiecare. Oricare merge. POST /v1/transcriptions primește un fișier ca upload multipart sau un corp JSON cu un url pe care serverul îl descarcă singur. Tutorialul pentru fișiere acoperă apelul în detaliu; pentru apeluri contează aceste setări, toate în settings:
speakerLabels: setează-l pe on, ca fiecare linie a unui apel între două persoane să poarte un vorbitor. Valoarea implicită, When Needed (auto), etichetează liniile abia după ce se aude un al doilea vorbitor, ceea ce se potrivește mai bine unui curs decât unui apel.summary și title: ambele sunt oprite dacă nu le ceri. Cu ele pornite, se scriu un titlu și un scurt rezumat pentru apel după ce este transcris.spokenLanguage: numește-o când o știi, ca într-o coadă care primește apeluri doar într-o limbă. Dacă o lași deoparte, limba este detectată, dintre 100.Încărcarea răspunde imediat cu un id de transcriere; cuvintele vin ceva mai târziu. Trimite un Idempotency-Key la fiecare încărcare: o reîncercare cu aceeași cheie și același corp în 24 de ore returnează prima transcriere în loc să creeze, și să factureze, una a doua. Id-ul propriu al apelului din sistemul tău telefonic este o cheie firească.
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 ?? ''}`);
Înregistrările unei nopți pot fi încărcate într-o singură buclă. Fiecare plan stabilește câte transcrieri rulează simultan, iar un fișier peste acest număr nu este refuzat: este creat, așteaptă în starea queued și pornește singur când se termină una anterioară. Limita pe care o poți atinge este numărul de transcrieri pe care un cont le poate porni prin API într-o oră; cifrele pentru fiecare plan sunt pe pagina de prețuri. Nu există webhook-uri, așa că scriptul tău interoghează fiecare job până se termină, lucru pe care waitForJob îl face pentru tine.
Etichetele vorbitorilor vin din diarizare: înregistrarea este împărțită în replici, iar replicile sunt grupate după voce. Ce se întoarce sunt „Speaker 1” și „Speaker 2”. Sistemul poate deosebi două voci, dar nimic din audio nu spune care dintre ele este angajata sau angajatul tău. Diarizarea vs recunoașterea vorbirii explică mecanismul; pentru apelurile de suport, răspunsul practic este să salvezi fiecare agent o singură dată.
Un vorbitor salvat este o amprentă vocală cu un nume. Odată ce există, fiecare transcriere nouă din cont compară vocile pe care le aude cu vorbitorii tăi salvați, iar o potrivire duce numele în transcriere. Fișierele sunt potrivite automat, așa că liniile agentului sosesc ca „Dana”, nu ca „Speaker 1”. Clientul rămâne numerotat până îl numești.
Ia amprenta dintr-un apel real al agentului, nu dintr-o înregistrare făcută la birou. O voce în căști într-o cameră liniștită și aceeași voce pe o linie telefonică pot suna mai puțin asemănător pentru o mașină decât două persoane diferite înregistrate la fel, iar amprenta se potrivește cel mai bine cu audio asemănător celui din care a fost luată. POST /v1/speakers/from-appearance salvează un vorbitor direct dintr-o transcriere, folosind porțiunile din apel ale acelui vorbitor ca probă. appearance este indicele speaker pe care îl poartă liniile lui.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Salvarea unui vorbitor în acest fel păstrează doar amprenta lui, din cel puțin 5 secunde de vorbire; un apel în care agentul vorbește un minut sau mai mult dă una mai stabilă. Clonarea vocii este un pas separat, care cere consimțământul persoanei, iar un flux de lucru de suport nu are nevoie de ea.
De aici înainte, transcrierea unui apel terminat îți spune cine a fost recunoscut. GET /v1/transcriptions/{id}/transcript listează speakers, iar un vorbitor potrivit cu unul salvat are identified: true și numele salvat. Ceilalți pot fi numiți printr-un singur apel fiecare, PUT /v1/transcriptions/{id}/appearances/{number}, unde number este numărul afișat al vorbitorului. Numele este stocat în transcriere, așa că fiecare export de după aceea citește „Customer” în loc de un număr.
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');
}
Tratează „oricine nu e recunoscut este clientul” ca pe o regulă empirică și verifică-o pe propriile apeluri. O transferare aduce un al doilea agent, un mesaj înregistrat din meniu poate fi auzit ca o voce aparte, iar un agent care nu a fost încă salvat arată exact ca un client. Observă și cum este limitată comparația: fiecare transcriere este comparată cu cei 64 de vorbitori salvați actualizați cel mai recent în cont, deci o echipă mai mare nu trebuie să se bazeze pe faptul că fiecare agent e recunoscut la fiecare apel.
Două trăsături ale audio-ului telefonic merită cunoscute înainte să judeci etichetele. O înregistrare pe două canale, cu agentul în stânga și clientul în dreapta, este mixată pe un singur canal la transcriere, deci vorbitorii sunt separați după voce, nu după canal. Iar o linie telefonică îngustă nu transportă nimic peste aproximativ 3,4 kHz, ceea ce elimină o parte din ce face două voci distincte; replicile scurte și suprapuse („da”, „mm-hm”, „scuze, continuă”) sunt locul unde etichetele greșesc cel mai des.
Cu summary și title pornite, fiecare apel primește un titlu și câteva propoziții despre subiectul lui, după ce transcrierea e finală. Asta intră în tichet, ca următorul agent să știe istoricul fără să deschidă nimic. Rezumatul este scris după transcriere, așa că citește-l cu GET /v1/transcriptions/{id}/summary și așteaptă cât timp state este 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);
}
Când state este ready, title și summary conțin textul. O înregistrare mai scurtă de un minut nu primește niciodată rezumat (not_requested), lucru care contează la mesageria vocală: majoritatea mesajelor vocale sunt destul de scurte ca transcrierea să fie propriul lor rezumat. Un apel făcut fără summary poate primi unul mai târziu cu POST /v1/transcriptions/{id}/summarize. Rezumatele sunt incluse în fiecare plan, fără cost suplimentar.
GET /v1/transcriptions/{id}/export returnează un fișier în unul dintre cele șapte formate: json, xlsx, pdf, srt, vtt, txt sau md. Fiecare export include corecturile și numele de vorbitori pe care le-ai dat. Pentru o echipă de suport, două dintre ele fac cea mai mare parte din muncă.
JSON pentru propriul cod. Exportul JSON conține name, language, durationS ale apelului și, cu summary=true, summary, apoi segments: câte o intrare pe linie, cu start și end în secunde, speaker, speakerName, text, un confidence, dacă linia a fost corrected și words cu propriile momente. Este suficient ca un script să construiască o notă CRM (titlul, rezumatul, numele agentului, durata apelului) sau să extragă fiecare linie spusă de client.
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 pentru evaluator. Exportul XLSX are o foaie Transcript cu un rând pe linie și coloanele #, Start, End, Start (s), End (s), Speaker, Text, Confidence și Corrected. Cu summary=true, foaia About conține rezumatul alături de numele, limba și durata apelului. Un responsabil QA poate filtra rândurile agentului, poate adăuga o coloană pentru scoruri sau comentarii și poate păstra un registru de lucru pentru fiecare evaluare.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Suportul în mai multe limbi funcționează la fel. Adaugă lang=en la un export și fișierul se citește în engleză, o linie pe propoziție, tradusă acolo unde apelul a fost în spaniolă sau poloneză; un evaluator care citește o singură limbă poate nota apeluri primite în mai multe. Exportul PDF se potrivește celui care vrea să citească un apel întreg pe hârtie, cu vorbitori și marcaje de timp.
O transcriere rămâne în cont după export, așa că apelurile se adună într-o bibliotecă. Etichetele le grupează: creează câte una pentru fiecare coadă sau echipă cu POST /v1/tags, apoi pune-o pe transcrieri cu 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 caută apoi ce s-a spus în toate apelurile, restrâns după etichetă și dată: fiecare apel din coada de facturare din luna aceasta în care cineva a spus „cancel”, fiecare rezultat cu apelul lui și secunda în care s-a spus.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Tot ce e mai sus funcționează și fără cod. Un fișier încărcat la Transcriptions → New este etichetat, rezumat și exportat din pagina lui, vorbitorii se salvează la Speakers, iar etichetele și căutarea se află în lista Transcriptions.
Unele lacune merită cunoscute înainte de orice configurare.
Retenția depinde de plan; pagina de prețuri arată cât timp sunt păstrate audio și transcrierile în fiecare. O transcriere poate fi arhivată, iar una arhivată poate fi ștearsă definitiv cu POST /v1/transcriptions/{id}/purge, care o șterge împreună cu tot ce conține.
La prețurile de lansare, apelurile înregistrate costă $0.20 pe oră de audio, facturate pe secundă ($0.0033 pe minut), cu un minim de 5 minute pe transcriere la Pay as you go (niciunul la Premium sau Enterprise). Tarifele curente sunt pe pagina de prețuri. Etichetele vorbitorilor, numirea vorbitorilor, rezumatele, traducerile și exporturile nu măresc niciodată factura.
Apelurile de suport sunt adesea scurte, așa că minimul hotărăște mai mult din factura unei echipe de suport decât tariful. La Pay as you go:
La Premium și Enterprise nu există minim, deci fiecare apel este facturat după propriile secunde: mesajul vocal de 40 de secunde costă cam o cincime de cent, iar cele 1.000 de apeluri de trei minute cam $10. O echipă care primește mai ales apeluri scurte ar trebui să le compare pe cele două la propriile lungimi de apel.
La prețurile de lansare, o echipă care înregistrează 2.000 de apeluri pe lună, în medie de 8 minute, trimite 16.000 de minute de audio: aproximativ $53 de credit pe lună la Premium, cu rezumate și foi de calcul incluse. La Pay as you go, fiecare apel sub 5 minute se adaugă la această sumă.
Transcrierea live costă mai mult ($0.60 pe oră la prețurile de lansare), pentru că ține pasul cu apelul; dacă nimeni nu are nevoie de cuvinte în timpul apelului, transcrie înregistrarea după aceea. Un cont nou pornește cu credit unic de înscriere și nu cere card, așa că pașii de mai sus pot fi încercați pe un lot din propriile apeluri înainte să cumperi ceva.