Транскрипција разликује гласове, али не може да зна који је оператер. Сачувајте сваког оператера једном, из једног његовог позива, и сваки следећи позив враћа се са именованим оператером, сажетком на врху и табелом спремном за QA.
Руководилац QA који позиве подршке прегледа слушањем стигне до неколико дневно, а позив од седам минута траје седам минута колико год брзо кликнули. Прочитан као текст, исти позив је отприлике хиљаду речи, једна страница, а страница се може прелетети погледом, претражити и налепити у тикет. Транскрипција позива корисничке подршке претвара снимке које ваш телефонски систем већ чува у те странице. Три ствари одређују да ли су странице од користи: да ли сваки ред каже ко је говорио, оператер или корисник; да ли позив долази са кратким сажетком шта је тражено и шта је договорено; и да ли резултат стиже тамо где тим ради, у белешку CRM-а или QA табелу.
Овај чланак води кроз тај ток рада уз VocalStack: снимљени позиви послати преко API-ја, оператер препознат по имену, сажетак написан за сваки позив и извози у JSON и Excel формату. Такође отворено каже шта VocalStack не ради за тим подршке, јер је део тога важан пре него што се отпреми први позив.
Већина телефонских система и контакт центара може да извезе снимке позива као аудио фајлове или да за сваки да линк за преузимање. Оба раде. POST /v1/transcriptions прима фајл као multipart отпремање или JSON тело са url који сервер сам преузима. Туторијал о фајловима детаљно покрива позив; за позиве су важна ова подешавања, сва унутар settings:
speakerLabels: подесите га на on, да сваки ред позива са две особе носи говорника. Подразумевано, When Needed (auto), означава редове тек када се чује други говорник, што више одговара предавању него позиву.summary и title: оба су искључена док их не затражите. Када су укључена, наслов и кратак сажетак за позив пишу се када је транскрибован.spokenLanguage: наведите га кад га знате, као у реду који прима позиве само на једном језику. Изоставите га и језик се открива, од 100.Отпремање одговара одмах идентификатором транскрипције; речи стижу нешто касније. Уз свако отпремање пошаљите Idempotency-Key: поновни покушај са истим кључем и телом у року од 24 сата враћа прву транскрипцију уместо да прави, и наплати, другу. Идентификатор самог позива из вашег телефонског система је природан кључ.
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 ?? ''}`);
Снимци једне ноћи могу се отпремити у једној петљи. Сваки план одређује колико транскрипција ради истовремено, а фајл преко тог броја није одбијен: креира се, чека као queued и сам започиње када се претходни заврши. Ограничење на које можете наићи јесте број транскрипција које налог може да покрене преко API-ја у једном сату; бројеви за сваки план налазе се на страници цена. Нема webhook-ова, па ваша скрипта проверава сваки задатак док није готов, што waitForJob ради уместо вас.
Ознаке говорника долазе из дијаризације: снимак се дели на реплике, а реплике се групишу по гласу. Враћа се „Speaker 1“ и „Speaker 2“. Систем може да разликује два гласа, али ништа у аудију не каже који је запослен код вас. Дијаризација говорника и препознавање говора објашњава механику; за позиве подршке практичан одговор је да сачувате сваког оператера једном.
Сачуван говорник је отисак гласа са именом. Када једном постоји, свака нова транскрипција у налогу упоређује гласове које чује са вашим сачуваним говорницима, а подударање преноси име у транскрипт. Фајлови се упоређују аутоматски, па редови оператера стижу као „Dana“ уместо „Speaker 1“. Корисник остаје нумерисан док га не именујете.
Узмите отисак из једног оператеровог сопственог позива, а не из снимка направљеног за столом. Глас на слушалицама у тихој просторији и исти глас на телефонској линији могу машини да звуче мање слично него двоје различитих људи снимљених на исти начин, а отисак се најбоље подудара са аудијом сличним ономе из ког потиче. POST /v1/speakers/from-appearance чува говорника директно из транскрипције, користећи делове позива у којима тај говорник говори као узорак. appearance је индекс speaker који носе његови редови.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Чување говорника на овај начин задржава само његов отисак, из најмање 5 секунди његовог говора; позив у коме оператер говори минут или више даје стабилнији. Клонирање гласа је посебан корак који захтева пристанак особе, а ток рада подршке нема никакву корист од њега.
Од тада, транскрипт завршеног позива каже ко је препознат. GET /v1/transcriptions/{id}/transcript наводи speakers, а говорник који се подудара са сачуваним има identified: true и сачувано име. Остали се могу именовати једним позивом сваки, PUT /v1/transcriptions/{id}/appearances/{number}, где је number приказани број говорника. Именовање се чува у транскрипцији, па сваки извоз после тога уместо броја чита „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');
}
„Сви који нису препознати су корисници“ третирајте као емпиријско правило и проверите га на сопственим позивима. Пребацивање доводи другог оператера, снимљена порука менија може да се чује као посебан глас, а оператер који још није сачуван изгледа потпуно као корисник. Обратите пажњу и на то како је поређење ограничено: свака транскрипција се пореди са 64 најскорије ажурирана сачувана говорника у налогу, па тим већи од тога не би требало да рачуна на то да се сваки оператер препозна на сваком позиву.
Две особине телефонског аудија вреди знати пре него што процените ознаке. Двоканални снимак, са оператером лево и корисником десно, при транскрипцији се меша у један канал, па се говорници раздвајају по гласовима, а не по каналу. А уска телефонска линија не преноси ништа изнад око 3.4 kHz, што уклања део онога по чему се два гласа разликују; кратке реплике које се преклапају („yes“, „mm-hm“, „sorry, go on“) најчешће су место где ознаке погреше.
Када су summary и title укључени, сваки позив добија наслов и неколико реченица о томе о чему је био када је транскрипт коначан. То иде у тикет, да следећи оператер зна историју без отварања било чега. Сажетак се пише после транскрипта, зато га прочитајте са GET /v1/transcriptions/{id}/summary и чекајте док је његово 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);
}
Када је state ready, title и summary садрже текст. Снимак краћи од једног минута никада не добија сажетак (not_requested), што је важно за говорну пошту: већина говорних порука је довољно кратка да је транскрипт сам свој сажетак. Позиву направљеном без summary сажетак се може дати касније помоћу POST /v1/transcriptions/{id}/summarize. Сажеци су укључени у сваки план без додатне цене.
GET /v1/transcriptions/{id}/export враћа фајл у једном од седам формата: json, xlsx, pdf, srt, vtt, txt или md. Сваки извоз укључује исправке и имена говорника која сте дали. За тим подршке, два од њих раде већину посла.
JSON за ваш сопствени код. JSON извоз има name, language и durationS позива и, са summary=true, његов summary, затим segments: један унос по реду, са start и end у секундама, speaker, speakerName, text, confidence, да ли је ред corrected, и words са сопственим временима. То је довољно да скрипта направи CRM белешку (наслов, сажетак, име оператера, дужину позива) или да извуче сваки ред који је корисник рекао.
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 за рецензента. XLSX извоз има лист Transcript са једним редом по реду транскрипта и колонама #, Start, End, Start (s), End (s), Speaker, Text, Confidence и Corrected. Уз summary=true, лист About носи сажетак поред имена, језика и дужине позива. Руководилац QA може да филтрира редове оператера, дода колону за оцене или коментаре и чува једну радну свеску по прегледу.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Подршка на више од једног језика ради на исти начин. Додајте lang=en извозу и фајл се чита на енглеском, један ред по реченици, преведен тамо где је позив био на шпанском или пољском; рецензент који чита један језик може да оцењује позиве примљене на неколико. PDF извоз одговара ономе ко жели да прочита цео позив на папиру, са говорницима и временским ознакама.
Транскрипција остаје у налогу након извоза, па позиви граде библиотеку. Ознаке их групишу: направите једну по реду чекања или тиму помоћу POST /v1/tags, па је ставите на транскрипције помоћу 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 затим претражује оно што је речено у свим позивима, сужено по ознаци и датуму: сваки позив из реда за наплату овог месеца у коме је неко рекао „cancel“, сваки погодак са својим позивом и секундом у којој је речено.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Све наведено ради и без кода. Фајл отпремљен на Transcriptions → New означава се, сажима и извози са своје странице, говорници се чувају под Speakers, а ознаке и претрага налазе се у листи Transcriptions.
Вреди знати неке празнине пре него што се било шта подеси.
Чување зависи од плана; страница цена показује колико дуго се аудио и транскрипције чувају на сваком. Транскрипција се може архивирати, а архивирана се може избрисати помоћу POST /v1/transcriptions/{id}/purge, што је заувек брише заједно са свиме у њој.
По ценама при лансирању, снимљени позиви коштају $0.20 по сату аудија, наплаћено по секунди ($0.0033 по минуту), са минимумом од 5 минута по транскрипцији на Pay as you go (без минимума на Premium и Enterprise). Актуелне цене су на страници цена. Ознаке говорника, именовање говорника, сажеци, преводи и извози никада не повећавају рачун.
Позиви подршке су често кратки, па минимум одређује већи део рачуна тима подршке него цена. На Pay as you go:
На Premium и Enterprise нема минимума, па се сваки позив наплаћује по сопственим секундама: говорна порука од 40 секунди кошта око петине цента, а 1,000 позива од по три минута око $10. Тим који углавном прима кратке позиве треба да упореди то двоје на дужинама својих позива.
По ценама при лансирању, тим који снима 2,000 позива месечно просечне дужине 8 минута шаље 16,000 минута аудија: око $53 кредита месечно на Premium, укључујући сажетке и табеле. На Pay as you go, сваки позив краћи од 5 минута томе додаје.
Транскрипција уживо кошта више ($0.60 по сату по ценама при лансирању), јер држи корак са позивом; ако никоме нису потребне речи током позива, транскрибујте снимак после. Нови налог почиње са једнократним кредитом за регистрацију и није потребна картица, па се горе наведени кораци могу испробати на серији ваших позива пре него што се било шта купи.