Prepis rozlíši hlasy, ale nemôže vedieť, ktorý z nich patrí agentovi. Uložte každého agenta raz, z jedného jeho hovoru, a každý ďalší hovor sa vráti s pomenovaným agentom, zhrnutím navrchu a tabuľkou pripravenou pre kontrolu kvality.
Vedúci kontroly kvality, ktorý skúma hovory podpory počúvaním, zvládne za deň hŕstku a sedemminútový hovor trvá sedem minút, nech klikáte akokoľvek rýchlo. Prečítaný ako text je ten istý hovor asi tisíc slov, jedna strana, a stranu možno prelistovať, prehľadať a vložiť do tiketu. Prepis hovorov zákazníckej podpory mení nahrávky, ktoré vaša telefónna ústredňa už uchováva, na takéto strany. Tri veci rozhodujú o tom, či sú strany užitočné: či každý riadok hovorí, kto hovoril, agent alebo zákazník; či hovor prichádza s krátkym zhrnutím toho, čo sa žiadalo a na čom sa dohodlo; a či výsledok pristane tam, kde tím pracuje, v poznámke v CRM alebo v tabuľke pre QA.
Tento článok prechádza týmto pracovným postupom s VocalStack: nahrané hovory odoslané cez API, agent rozpoznaný podľa mena, zhrnutie napísané pre každý hovor a exporty do JSON a Excelu. Otvorene tiež hovorí, čo VocalStack pre tím podpory nerobí, pretože niektoré z toho záleží ešte pred nahratím prvého hovoru.
Väčšina telefónnych systémov a kontaktných centier vie exportovať nahrávky hovorov ako zvukové súbory alebo ku každej dať odkaz na stiahnutie. Funguje obe. POST /v1/transcriptions prijme súbor ako multipart nahratie alebo JSON telo s url, ktorú server stiahne sám. Návod pre súbory rozoberá volanie podrobne; pri hovoroch záležia tieto nastavenia, všetky v rámci settings:
speakerLabels: nastavte na on, aby každý riadok hovoru dvoch ľudí niesol rečníka. Predvolené When Needed (auto) označí riadky až po zaznení druhého rečníka, čo sa hodí viac na prednášku než na hovor.summary a title: obe sú vypnuté, pokiaľ o ne nepožiadate. Keď sú zapnuté, po prepise hovoru sa napíše názov a krátke zhrnutie.spokenLanguage: zadajte ho, keď ho poznáte, napríklad vo fronte, ktorá prijíma hovory iba v jednom jazyku. Ak ho vynecháte, jazyk sa zistí zo 100.Nahratie odpovie okamžite identifikátorom prepisu; slová prídu o niečo neskôr. Pri každom nahratí pošlite Idempotency-Key: opakovanie s rovnakým kľúčom a rovnakým telom do 24 hodín vráti prvý prepis namiesto vytvorenia a vyúčtovania druhého. Vlastný identifikátor hovoru z vašej telefónnej ústredne je prirodzený kľúč.
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 ?? ''}`);
Nahrávky z celej noci možno nahrať jednou slučkou. Každý plán určuje, koľko prepisov beží naraz, a súbor nad toto číslo sa neodmietne: vytvorí sa, čaká v stave queued a sám sa spustí, keď sa skorší skončí. Limit, na ktorý môžete naraziť, je počet prepisov, ktoré môže účet spustiť cez API za hodinu; čísla pre každý plán sú na stránke s cenníkom. Webhooky neexistujú, takže váš skript sleduje každú úlohu, kým nie je hotová, čo waitForJob robí za vás.
Označenia rečníkov vznikajú diarizáciou: nahrávka sa rozdelí na repliky a repliky sa zoskupia podľa hlasu. Vráti sa „Speaker 1“ a „Speaker 2“. Systém dokáže rozlíšiť dva hlasy, ale nič v zvuku nehovorí, ktorý z nich je vaším zamestnancom. Diarizácia rečníkov vs rozpoznávanie reči vysvetľuje mechaniku; pre hovory podpory je praktická odpoveď uložiť každého agenta raz.
Uložený rečník (saved speaker) je hlasový odtlačok s menom. Keď existuje, každý nový prepis v účte porovná hlasy, ktoré počuje, s vašimi uloženými rečníkmi a zhoda prenesie meno do prepisu. Súbory sa priraďujú automaticky, takže riadky agenta prídu ako „Dana“ namiesto „Speaker 1“. Zákazník zostáva očíslovaný, kým ho nepomenujete.
Odtlačok vezmite z vlastného hovoru agenta, nie z nahrávky urobenej pri stole. Hlas v slúchadlách v tichej miestnosti a ten istý hlas na telefónnej linke môžu pre stroj znieť menej podobne než dvaja rôzni ľudia nahraní rovnakým spôsobom a odtlačok sa najlepšie zhoduje so zvukom podobným tomu, z ktorého vznikol. POST /v1/speakers/from-appearance uloží rečníka priamo z prepisu, pričom ako vzorku použije jeho vlastné úseky hovoru. appearance je index speaker, ktorý nesú jeho riadky.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Uloženie rečníka týmto spôsobom si zachová iba jeho odtlačok, z aspoň 5 sekúnd jeho reči; hovor, v ktorom agent hovorí minútu alebo dlhšie, dáva stabilnejší. Klonovanie hlasu je samostatný krok, ktorý vyžaduje súhlas osoby, a pracovný postup podpory ho nepotrebuje.
Odvtedy prepis dokončeného hovoru hovorí, kto bol rozpoznaný. GET /v1/transcriptions/{id}/transcript uvádza speakers a rečník priradený k uloženému má identified: true a uložené meno. Ostatných možno pomenovať jedným volaním pre každého, PUT /v1/transcriptions/{id}/appearances/{number}, kde number je zobrazené číslo rečníka. Pomenovanie sa ukladá k prepisu, takže každý export po ňom číta „Customer“ namiesto čísla.
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');
}
„Každý nerozpoznaný je zákazník“ berte ako orientačné pravidlo a overte si ho na vlastných hovoroch. Prepojenie prináša druhého agenta, nahraté menu sa môže ozvať ako samostatný hlas a agent, ktorý ešte nebol uložený, vyzerá presne ako zákazník. Všimnite si aj to, ako je porovnávanie ohraničené: každý prepis sa porovnáva so 64 uloženými rečníkmi, ktorí boli v účte naposledy aktualizovaní, takže väčší tím by sa nemal spoliehať, že každý agent bude rozpoznaný v každom hovore.
Dve vlastnosti telefónneho zvuku stojí za to poznať, skôr než budete posudzovať označenia. Dvojkanálová nahrávka s agentom vľavo a zákazníkom vpravo sa pri prepise zmieša do jedného kanála, takže rečníci sa oddeľujú podľa hlasu, nie podľa kanála. A úzkopásmová telefónna linka neprenáša nič nad približne 3.4 kHz, čo odstráni časť toho, čím sa dva hlasy líšia; krátke, prekrývajúce sa repliky („yes“, „mm-hm“, „sorry, go on“) sú miesta, kde sa označenia mýlia najčastejšie.
So zapnutými summary a title dostane každý hovor názov a niekoľko viet o tom, čoho sa týkal, keď je prepis konečný. To ide do tiketu, aby ďalší agent poznal históriu bez otvárania čohokoľvek. Zhrnutie sa píše po prepise, takže ho čítajte cez GET /v1/transcriptions/{id}/summary a čakajte, kým je jeho state 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);
}
Keď je state ready, title a summary obsahujú text. Nahrávka kratšia ako jedna minúta nikdy nedostane zhrnutie (not_requested), na čom záleží pri hlasových schránkach: väčšina odkazov je dosť krátka na to, aby bol prepis svojím vlastným zhrnutím. Hovor urobený bez summary možno neskôr doplniť o zhrnutie cez POST /v1/transcriptions/{id}/summarize. Zhrnutia sú súčasťou každého plánu bez príplatku.
GET /v1/transcriptions/{id}/export vráti súbor v jednom zo siedmich formátov: json, xlsx, pdf, srt, vtt, txt alebo md. Každý export zahŕňa opravy a mená rečníkov, ktoré ste zadali. Pre tím podpory robia väčšinu práce dva z nich.
JSON pre váš vlastný kód. Export JSON obsahuje name, language, durationS hovoru a so summary=true aj jeho summary, potom segments: jeden záznam na riadok so start a end v sekundách, speaker, speakerName, text, confidence, informáciu, či bol riadok corrected, a words s vlastnými časmi. To stačí skriptu na zostavenie poznámky do CRM (názov, zhrnutie, meno agenta, dĺžka hovoru) alebo na vytiahnutie každého riadku, ktorý povedal zákazník.
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 pre kontrolóra. Export XLSX má hárok Transcript s jedným riadkom na repliku a stĺpcami #, Start, End, Start (s), End (s), Speaker, Text, Confidence a Corrected. So summary=true nesie hárok About zhrnutie vedľa názvu, jazyka a dĺžky hovoru. Vedúci QA môže filtrovať riadky agenta, pridať stĺpec pre hodnotenia alebo komentáre a viesť jeden zošit na kontrolu.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Podpora vo viacerých jazykoch funguje rovnako. Pridajte lang=en k exportu a súbor sa číta po anglicky, jeden riadok na vetu, preložený tam, kde hovor prebehol po španielsky alebo poľsky; kontrolór, ktorý číta jeden jazyk, môže hodnotiť hovory prijaté vo viacerých. Export PDF sa hodí pre toho, kto chce prečítať celý hovor na papieri, s rečníkmi a časovými značkami.
Prepis zostáva v účte aj po exporte, takže z hovorov vzniká knižnica. Štítky (tags) ich zoskupujú: vytvorte jeden na frontu alebo tím cez POST /v1/tags a potom ho priraďte prepisom cez 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 potom prehľadáva, čo odznelo vo všetkých hovoroch, zúžené podľa štítku a dátumu: každý hovor z fronty fakturácie v tomto mesiaci, v ktorom niekto povedal „cancel“, každý nález s hovorom a sekundou, v ktorej to odznelo.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Všetko vyššie funguje aj bez kódu. Súbor nahraný cez Transcriptions → New sa označí, zhrnie a exportuje zo svojej stránky, rečníci sa ukladajú v sekcii Rečníci a štítky a vyhľadávanie sú v zozname Transcriptions.
Niektoré medzery stojí za to poznať, skôr než sa čokoľvek nastaví.
Uchovávanie závisí od plánu; stránka s cenníkom ukazuje, ako dlho sa v každom uchováva zvuk a prepisy. Prepis možno archivovať a archivovaný možno natrvalo odstrániť cez POST /v1/transcriptions/{id}/purge, ktoré ho zmaže aj so všetkým, čo obsahuje.
Pri štartovacích cenách stoja nahrané hovory $0.20 za hodinu zvuku, účtované po sekundách ($0.0033 za minútu), s minimom 5 minút na prepis v pláne Pay as you go (v Premium ani Enterprise žiadne). Aktuálne sadzby sú na stránke s cenníkom. Označenia rečníkov, pomenovanie rečníkov, zhrnutia, preklady a exporty nikdy nezvyšujú účet.
Hovory podpory sú často krátke, takže minimum rozhoduje o účte tímu podpory viac než sadzba. V pláne Pay as you go:
V Premium a Enterprise žiadne minimum nie je, takže každý hovor sa účtuje podľa vlastných sekúnd: 40-sekundový odkaz stojí asi pätinu centa a 1,000 trojminútových hovorov asi $10. Tím, ktorý prijíma prevažne krátke hovory, by mal obe možnosti porovnať na dĺžkach svojich vlastných hovorov.
Pri štartovacích cenách tím, ktorý nahrá 2,000 hovorov mesačne s priemerom 8 minút, pošle 16,000 minút zvuku: asi $53 kreditu mesačne v pláne Premium, vrátane zhrnutí a tabuliek. V pláne Pay as you go k tomu pridáva každý hovor pod 5 minút.
Živý prepis stojí viac ($0.60 za hodinu pri štartovacích cenách), pretože drží krok s hovorom; ak nikto nepotrebuje slová počas hovoru, prepíšte nahrávku dodatočne. Nový účet začína s jednorazovým uvítacím kreditom a nevyžaduje sa karta, takže kroky vyššie možno vyskúšať na dávke vlastných hovorov skôr, než sa čokoľvek kúpi.