Транскрибация различает голоса, но не может знать, какой из них принадлежит агенту. Сохраните каждого агента один раз по одному из его звонков, и каждый следующий звонок будет приходить с названным агентом, сводкой сверху и таблицей, готовой для контроля качества.
Руководитель контроля качества, который проверяет звонки поддержки на слух, успевает разобрать лишь несколько в день, а семиминутный звонок занимает семь минут, как бы быстро вы ни щёлкали. В виде текста тот же звонок это около тысячи слов, одна страница, а страницу можно пробежать глазами, найти в ней нужное и вставить в тикет. Транскрибация звонков службы поддержки превращает записи, которые ваша телефония уже хранит, в такие страницы. Полезны ли они, решают три вещи: указано ли в каждой строке, кто говорил, агент или клиент; сопровождается ли звонок короткой сводкой того, о чём просили и о чём договорились; и попадает ли результат туда, где работает команда, в заметку CRM или в таблицу контроля качества.
В этой статье разбирается такой процесс с VocalStack: записанные звонки, отправленные через API, агент, узнаваемый по имени, сводка для каждого звонка и экспорт в JSON и Excel. Она же прямо говорит, чего VocalStack для службы поддержки не делает, потому что кое-что из этого важно знать ещё до загрузки первого звонка.
Большинство телефонных систем и контакт-центров умеют экспортировать записи звонков аудиофайлами или давать на каждую ссылку для скачивания. Подходит и то, и другое. POST /v1/transcriptions принимает файл как multipart-загрузку или JSON-тело с url, который сервер скачивает сам. Подробно вызов описан в руководстве по файлам; для звонков важны следующие настройки, все внутри settings:
speakerLabels: поставьте on, чтобы каждая строка звонка двух людей несла говорящего. Значение по умолчанию, When Needed (auto), метит строки, только когда слышен второй говорящий, что больше подходит для лекции, чем для звонка.summary и title: оба выключены, пока вы их не запросите. Когда они включены, заголовок и короткая сводка пишутся для звонка после его транскрибации.spokenLanguage: указывайте его, когда он известен, например в очереди, которая принимает звонки только на одном языке. Если опустить, язык определяется автоматически, из 100.Загрузка сразу отвечает идентификатором транскрибации; слова приходят немного позже. С каждой загрузкой отправляйте Idempotency-Key: повтор с тем же ключом и телом в течение 24 часов возвращает первую транскрибацию, а не создаёт и не оплачивает вторую. Естественный ключ это идентификатор самого звонка из вашей телефонной системы.
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 ?? ''}`);
Записи за целую ночь можно загрузить одним циклом. Каждый тариф задаёт, сколько транскрибаций идёт одновременно, и файл сверх этого числа не отклоняется: он создаётся, ждёт в состоянии queued и сам стартует, когда завершается более ранний. Предел, в который можно упереться, это число транскрибаций, которые аккаунт может запустить через API за час; значения для каждого тарифа указаны на странице цен. Вебхуков нет, так что ваш скрипт опрашивает каждую задачу до готовности, что за вас делает waitForJob.
Метки говорящих берутся из диаризации: запись делится на реплики, а реплики группируются по голосу. Возвращается «Speaker 1» и «Speaker 2». Система различает два голоса, но ничто в звуке не говорит, кто из них работает у вас. Диаризация и распознавание речи объясняет механику; для звонков поддержки практический ответ в том, чтобы сохранить каждого агента один раз.
Сохранённый говорящий это отпечаток голоса с именем. Когда он есть, каждая новая транскрибация в аккаунте сравнивает услышанные голоса с вашими сохранёнными говорящими, и совпадение переносит имя в расшифровку. Файлы сопоставляются автоматически, так что строки агента приходят как «Dana», а не «Speaker 1». Клиент остаётся пронумерованным, пока вы его не назовёте.
Берите отпечаток из одного из собственных звонков агента, а не из записи, сделанной за рабочим столом. Голос в гарнитуре в тихой комнате и тот же голос на телефонной линии могут звучать для машины менее похоже, чем два разных человека, записанных одинаково, а отпечаток лучше всего совпадает со звуком, похожим на тот, из которого он получен. POST /v1/speakers/from-appearance сохраняет говорящего прямо из транскрибации, используя его собственные участки звонка как образец. appearance это индекс speaker, который несут его строки.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Сохранение говорящего таким способом хранит только его отпечаток, не менее чем из 5 секунд его речи; звонок, где агент говорит минуту и дольше, даёт более устойчивый отпечаток. Клонирование голоса это отдельный шаг, требующий согласия человека, и процессу поддержки он не нужен.
С этого момента расшифровка завершённого звонка сообщает, кто распознан. GET /v1/transcriptions/{id}/transcript перечисляет speakers, а говорящий, сопоставленный с сохранённым, имеет identified: true и сохранённое имя. Остальных можно назвать одним вызовом на каждого, PUT /v1/transcriptions/{id}/appearances/{number}, где number это отображаемый номер говорящего. Имя хранится в транскрибации, так что каждый последующий экспорт содержит «Customer» вместо номера.
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');
}
Считайте правило «все нераспознанные это клиенты» эмпирическим и проверьте его на своих звонках. При переводе звонка появляется второй агент, записанное меню может быть услышано как отдельный голос, а агент, которого ещё не сохранили, выглядит точно так же, как клиент. Учтите и ограничение сравнения: каждая транскрибация сравнивается с 64 сохранёнными говорящими, обновлёнными в аккаунте последними, поэтому команде больше этого размера не стоит рассчитывать, что каждый агент будет распознан в каждом звонке.
Два свойства телефонного звука стоит знать, прежде чем оценивать метки. Двухканальная запись, где агент слева, а клиент справа, при транскрибации сводится в один канал, так что говорящих разделяют по голосам, а не по каналу. А узкополосная телефонная линия не передаёт ничего выше примерно 3,4 кГц, что убирает часть того, чем различаются два голоса; короткие перекрывающиеся реплики («yes», «mm-hm», «sorry, go on») это места, где метки ошибаются чаще всего.
Когда summary и title включены, каждый звонок получает заголовок и несколько предложений о том, о чём он был, как только расшифровка становится окончательной. Это то, что попадает в тикет, чтобы следующий агент знал историю, ничего не открывая. Сводка пишется после расшифровки, поэтому читайте её через GET /v1/transcriptions/{id}/summary и ждите, пока её state равен 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);
}
Когда state равен ready, title и summary содержат текст. Запись короче одной минуты никогда не получает сводку (not_requested), что важно для голосовой почты: большинство голосовых сообщений достаточно коротки, чтобы расшифровка сама была своей сводкой. Звонку, сделанному без summary, её можно добавить позже через POST /v1/transcriptions/{id}/summarize. Сводки входят в каждый тариф без дополнительной платы.
GET /v1/transcriptions/{id}/export возвращает файл в одном из семи форматов: json, xlsx, pdf, srt, vtt, txt или md. Каждый экспорт включает исправления и имена говорящих, которые вы дали. Команде поддержки большую часть работы делают два из них.
JSON для вашего кода. JSON-экспорт содержит name, language, durationS звонка и, при summary=true, его summary, затем segments: по одной записи на строку, с start и end в секундах, speaker, speakerName, text, confidence, признаком того, была ли строка corrected, и words с собственными таймингами. Этого достаточно, чтобы скрипт собрал заметку для CRM (заголовок, сводка, имя агента, длительность звонка) или вытащил все строки, которые сказал клиент.
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 для проверяющего. В XLSX-экспорте есть лист Transcript с одной строкой на реплику и столбцами #, Start, End, Start (s), End (s), Speaker, Text, Confidence и Corrected. При summary=true лист About содержит сводку рядом с названием, языком и длительностью звонка. Руководитель контроля качества может отфильтровать строки агента, добавить столбец для оценок или комментариев и вести одну книгу на каждую проверку.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Поддержка на нескольких языках работает так же. Добавьте lang=en к экспорту, и файл читается по-английски, по строке на предложение, с переводом там, где звонок был на испанском или польском; проверяющий, который читает на одном языке, может оценивать звонки, принятые на нескольких. PDF-экспорт подходит тому, кто хочет прочитать весь звонок на бумаге, с говорящими и отметками времени.
Транскрибация остаётся в аккаунте после экспорта, так что звонки складываются в библиотеку. Теги группируют их: создайте по одному на очередь или команду через POST /v1/tags, затем назначьте их транскрибациям через 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 затем ищет то, что было сказано, по всем звонкам, с ограничением по тегу и дате: все звонки очереди биллинга за этот месяц, где кто-то сказал «cancel», каждое совпадение вместе со звонком и секундой, на которой оно прозвучало.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Всё перечисленное работает и без кода. Файл, загруженный в Transcriptions → New, размечается, получает сводку и экспортируется со своей страницы, говорящие сохраняются в Speakers, а теги и поиск находятся в списке Transcriptions.
Некоторые пробелы стоит знать до любой настройки.
Срок хранения зависит от тарифа; страница цен показывает, как долго хранятся звук и транскрибации в каждом. Транскрибацию можно архивировать, а архивную удалить окончательно через POST /v1/transcriptions/{id}/purge, что навсегда удаляет её и всё, что в ней.
По ценам на момент запуска записанные звонки стоят $0.20 за час звука, с посекундной оплатой ($0.0033 за минуту), с минимумом 5 минут на транскрибацию на тарифе Pay as you go (на Premium и Enterprise минимума нет). Актуальные цены на странице цен. Метки говорящих, имена говорящих, сводки, переводы и экспорт никогда не увеличивают счёт.
Звонки в поддержку часто короткие, поэтому минимум определяет в счёте команды поддержки больше, чем ставка. На Pay as you go:
На Premium и Enterprise минимума нет, так что каждый звонок оплачивается по своим секундам: голосовое в 40 секунд стоит около пятой части цента, а 1 000 трёхминутных звонков около $10. Команде, которая в основном принимает короткие звонки, стоит сравнить их на собственных длительностях звонков.
По ценам на момент запуска команда, записывающая 2 000 звонков в месяц средней длиной 8 минут, отправляет 16 000 минут звука: около $53 кредита в месяц на Premium, включая сводки и таблицы. На Pay as you go каждый звонок короче 5 минут добавляет к этой сумме.
Живая транскрибация стоит дороже ($0.60 в час по ценам на момент запуска), потому что она идёт вровень со звонком; если слова не нужны во время звонка, расшифровывайте запись потом. Новый аккаунт начинает с единовременного кредита при регистрации, карта не требуется, так что описанные шаги можно попробовать на партии ваших звонков, прежде чем что-либо покупать.