การถอดเสียงแยกเสียงของแต่ละคนได้ แต่ไม่รู้ว่าเสียงไหนคือเจ้าหน้าที่ บันทึกเจ้าหน้าที่แต่ละคนไว้หนึ่งครั้งจากสายของเขาเอง แล้วทุกสายหลังจากนั้นจะกลับมาพร้อมชื่อเจ้าหน้าที่ บทสรุปอยู่ด้านบน และสเปรดชีตที่พร้อมสำหรับ QA
หัวหน้า QA ที่ตรวจสายซัพพอร์ตด้วยการฟังตรวจได้เพียงไม่กี่สายต่อวัน และสายเจ็ดนาทีก็ใช้เวลาเจ็ดนาทีไม่ว่าคุณจะคลิกเร็วแค่ไหน เมื่ออ่านเป็นข้อความ สายเดียวกันนั้นมีราวหนึ่งพันคำ หนึ่งหน้า และหนึ่งหน้าก็กวาดตาอ่าน ค้นหา และวางลงในตั๋วได้ การถอดเสียงสายบริการลูกค้าเปลี่ยนการบันทึกที่ระบบโทรศัพท์ของคุณเก็บไว้แล้วให้เป็นหน้าเหล่านั้น สามอย่างตัดสินว่าหน้าเหล่านั้นมีประโยชน์หรือไม่: แต่ละบรรทัดบอกหรือไม่ว่าใครพูด เจ้าหน้าที่หรือลูกค้า สายนั้นมาพร้อมบทสรุปสั้น ๆ ว่าถามอะไรและตกลงอะไรกันหรือไม่ และผลลัพธ์ไปถึงที่ที่ทีมทำงานหรือไม่ ไม่ว่าจะเป็นบันทึกใน CRM หรือสเปรดชีต QA
บทความนี้พาไปตามขั้นตอนนั้นด้วย VocalStack: สายที่บันทึกไว้ส่งผ่าน API เจ้าหน้าที่ที่ถูกจดจำด้วยชื่อ บทสรุปที่เขียนให้แต่ละสาย และการส่งออกเป็น JSON และ Excel นอกจากนี้ยังบอกตรง ๆ ว่า VocalStack ไม่ทำอะไรให้ทีมซัพพอร์ต เพราะบางเรื่องสำคัญก่อนที่จะอัปโหลดสายแรก
ระบบโทรศัพท์และคอนแทคเซ็นเตอร์ส่วนใหญ่ส่งออกการบันทึกสายเป็นไฟล์เสียงได้ หรือให้ลิงก์ดาวน์โหลดสำหรับแต่ละสาย แบบไหนก็ได้ POST /v1/transcriptions รับไฟล์เป็นการอัปโหลดแบบ multipart หรือเนื้อหา JSON ที่มี url ซึ่งเซิร์ฟเวอร์ดึงเอง บทช่วยสอนเรื่องไฟล์ อธิบายการเรียกนี้โดยละเอียด สำหรับสายโทรศัพท์ การตั้งค่าเหล่านี้สำคัญ ทั้งหมดอยู่ใน settings:
speakerLabels: ตั้งเป็น on เพื่อให้ทุกบรรทัดของสายสองคนมีผู้พูด ค่าเริ่มต้น When Needed (auto) ติดป้ายบรรทัดก็ต่อเมื่อได้ยินผู้พูดคนที่สอง ซึ่งเหมาะกับการบรรยายมากกว่าสายโทรศัพท์summary และ title: ปิดทั้งคู่ถ้าไม่ได้ขอ เมื่อเปิด ระบบจะเขียนชื่อเรื่องและบทสรุปสั้น ๆ ให้สายหลังจากถอดเสียงเสร็จspokenLanguage: ระบุเมื่อคุณรู้ เช่นคิวที่รับสายภาษาเดียว ถ้าละไว้ ระบบตรวจจับภาษาจาก 100 ภาษาการอัปโหลดตอบกลับทันทีด้วย id ของการถอดเสียง ส่วนคำจะมาถึงทีหลังเล็กน้อย ส่ง Idempotency-Key มากับทุกการอัปโหลด: การลองใหม่ด้วยคีย์และเนื้อหาเดียวกันภายใน 24 ชั่วโมงจะคืนการถอดเสียงแรก แทนที่จะสร้างและเรียกเก็บเงินครั้งที่สอง id ของสายเองจากระบบโทรศัพท์ของคุณเป็นคีย์ที่เป็นธรรมชาติ
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 ?? ''}`);
การบันทึกของทั้งคืนอัปโหลดได้ในลูปเดียว แต่ละแพ็กเกจกำหนดจำนวนการถอดเสียงที่ทำงานพร้อมกัน และไฟล์ที่เกินจำนวนนั้นไม่ถูกปฏิเสธ: มันถูกสร้างขึ้น รออยู่ในสถานะ queued และเริ่มเองเมื่อรายการก่อนหน้าจบ ขีดจำกัดที่คุณอาจชนคือจำนวนการถอดเสียงที่บัญชีเริ่มผ่าน API ได้ใน 1 ชั่วโมง ตัวเลขของแต่ละแพ็กเกจอยู่ในหน้าราคา ไม่มี webhook ดังนั้นสคริปต์ของคุณจึงสอบถามแต่ละงานจนกว่าจะเสร็จ ซึ่ง waitForJob ทำให้คุณ
ป้ายผู้พูดมาจากการแยกผู้พูด (diarization): การบันทึกถูกแบ่งเป็นช่วงการพูด และช่วงเหล่านั้นถูกจัดกลุ่มตามเสียง สิ่งที่ได้กลับมาคือ “Speaker 1” และ “Speaker 2” ระบบแยกสองเสียงออกจากกันได้ แต่ไม่มีอะไรในเสียงที่บอกว่าเสียงไหนเป็นพนักงานของคุณ การแยกผู้พูดกับการรู้จำเสียงพูด อธิบายกลไก สำหรับสายซัพพอร์ต คำตอบเชิงปฏิบัติคือบันทึกเจ้าหน้าที่แต่ละคนไว้หนึ่งครั้ง
ผู้พูดที่บันทึกไว้คือลายเสียงพร้อมชื่อ เมื่อมีอยู่แล้ว ทุกการถอดเสียงใหม่ในบัญชีจะเทียบเสียงที่ได้ยินกับผู้พูดที่บันทึกไว้ และเมื่อตรงกัน ชื่อจะถูกนำไปใส่ในข้อความถอดเสียง ไฟล์ถูกจับคู่โดยอัตโนมัติ ดังนั้นบรรทัดของเจ้าหน้าที่จึงมาถึงเป็น “Dana” แทน “Speaker 1” ลูกค้ายังเป็นตัวเลขอยู่จนกว่าคุณจะตั้งชื่อ
ให้เอาลายเสียงจากสายของเจ้าหน้าที่เอง ไม่ใช่จากการบันทึกที่ทำที่โต๊ะ เสียงผ่านหูฟังในห้องเงียบกับเสียงเดียวกันผ่านสายโทรศัพท์อาจฟังดูคล้ายกันน้อยกว่าสองคนที่ต่างกันซึ่งบันทึกแบบเดียวกันสำหรับเครื่อง และลายเสียงจะจับคู่ได้ดีที่สุดกับเสียงที่คล้ายกับเสียงที่มันมาจาก POST /v1/speakers/from-appearance บันทึกผู้พูดจากข้อความถอดเสียงโดยตรง โดยใช้ช่วงของสายที่ผู้พูดคนนั้นพูดเป็นตัวอย่าง appearance คือดัชนี speaker ที่บรรทัดของเขาใช้
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
การบันทึกผู้พูดแบบนี้เก็บเฉพาะลายเสียงของเขา จากเสียงพูดอย่างน้อย 5 วินาที สายที่เจ้าหน้าที่พูดหนึ่งนาทีหรือมากกว่าให้ลายเสียงที่นิ่งกว่า การโคลนเสียงเป็นอีกขั้นตอนหนึ่งที่ต้องได้รับความยินยอมจากบุคคลนั้น และขั้นตอนงานซัพพอร์ตไม่จำเป็นต้องใช้
จากนั้น ข้อความถอดเสียงของสายที่เสร็จแล้วจะบอกว่าใครถูกจดจำ GET /v1/transcriptions/{id}/transcript แสดง speakers และผู้พูดที่ตรงกับที่บันทึกไว้จะมี identified: true และชื่อที่บันทึกไว้ ที่เหลือตั้งชื่อได้ด้วยการเรียกคนละหนึ่งครั้ง PUT /v1/transcriptions/{id}/appearances/{number} โดย number คือหมายเลขที่แสดงของผู้พูด ชื่อถูกเก็บไว้ในการถอดเสียง ดังนั้นการส่งออกทุกครั้งหลังจากนั้นจะแสดง “Customer” แทนตัวเลข
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');
}
ให้ถือว่า “ทุกคนที่ไม่ถูกจดจำคือลูกค้า” เป็นกฎคร่าว ๆ แล้วตรวจกับสายของคุณเอง การโอนสายนำเจ้าหน้าที่คนที่สองเข้ามา เสียงเมนูอัตโนมัติที่บันทึกไว้อาจถูกได้ยินเป็นเสียงอีกคน และเจ้าหน้าที่ที่ยังไม่ได้บันทึกก็ดูเหมือนลูกค้าทุกประการ ควรสังเกตด้วยว่าการเปรียบเทียบมีขอบเขตอย่างไร: แต่ละการถอดเสียงถูกเทียบกับผู้พูดที่บันทึกไว้ 64 คนที่อัปเดตล่าสุดในบัญชี ดังนั้นทีมที่ใหญ่กว่านั้นไม่ควรคาดหวังว่าจะจดจำเจ้าหน้าที่ทุกคนได้ในทุกสาย
มีสองคุณสมบัติของเสียงโทรศัพท์ที่ควรรู้ก่อนจะตัดสินป้ายกำกับ การบันทึกสองช่องสัญญาณ ที่เจ้าหน้าที่อยู่ซ้ายและลูกค้าอยู่ขวา จะถูกผสมเป็นช่องเดียวเมื่อถอดเสียง ดังนั้นผู้พูดถูกแยกด้วยเสียงของพวกเขา ไม่ใช่ด้วยช่องสัญญาณ และสายโทรศัพท์ย่านความถี่แคบไม่ส่งอะไรเลยเกินราว 3.4 kHz ซึ่งตัดบางส่วนของสิ่งที่ทำให้สองเสียงต่างกัน ช่วงพูดสั้น ๆ ที่ซ้อนกัน (“ใช่” “อืม” “ขอโทษครับ เชิญต่อ”) คือจุดที่ป้ายกำกับผิดบ่อยที่สุด
เมื่อเปิด summary และ title ทุกสายจะได้ชื่อเรื่องและไม่กี่ประโยคเกี่ยวกับเนื้อหา เมื่อข้อความถอดเสียงสุดท้ายแล้ว นี่คือสิ่งที่ลงในตั๋ว เพื่อให้เจ้าหน้าที่คนถัดไปรู้ประวัติโดยไม่ต้องเปิดอะไร บทสรุปเขียนหลังข้อความถอดเสียง ดังนั้นให้อ่านด้วย GET /v1/transcriptions/{id}/summary และรอตราบที่ state ของมันเป็น 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);
}
เมื่อ state เป็น ready ข้อความจะอยู่ใน title และ summary การบันทึกที่สั้นกว่าหนึ่งนาทีจะไม่ได้บทสรุปเลย (not_requested) ซึ่งสำคัญสำหรับข้อความเสียงฝากไว้ (voicemail): ข้อความส่วนใหญ่สั้นพอที่ข้อความถอดเสียงจะเป็นบทสรุปในตัวเอง สายที่ทำโดยไม่มี summary สามารถขอได้ภายหลังด้วย POST /v1/transcriptions/{id}/summarize บทสรุปรวมอยู่ในทุกแพ็กเกจโดยไม่มีค่าใช้จ่ายเพิ่ม
GET /v1/transcriptions/{id}/export คืนไฟล์ในหนึ่งในเจ็ดรูปแบบ: json, xlsx, pdf, srt, vtt, txt หรือ md ทุกการส่งออกรวมการแก้ไขและชื่อผู้พูดที่คุณตั้งไว้ สำหรับทีมซัพพอร์ต สองรูปแบบทำงานส่วนใหญ่
JSON สำหรับโค้ดของคุณเอง การส่งออก JSON มี name, language, durationS ของสาย และเมื่อใช้ summary=true ก็มี summary ของสายด้วย แล้วตามด้วย segments: หนึ่งรายการต่อบรรทัด พร้อม start และ end เป็นวินาที speaker, speakerName, text, confidence บรรทัดนั้น corrected หรือไม่ และ words พร้อมเวลาของแต่ละคำ เพียงพอให้สคริปต์สร้างบันทึกใน CRM (ชื่อเรื่อง บทสรุป ชื่อเจ้าหน้าที่ ความยาวของสาย) หรือดึงทุกบรรทัดที่ลูกค้าพูด
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 สำหรับผู้ตรวจ การส่งออก XLSX มีชีต Transcript ที่มีหนึ่งแถวต่อบรรทัด และคอลัมน์ #, Start, End, Start (s), End (s), Speaker, Text, Confidence และ Corrected เมื่อใช้ summary=true ชีต About จะมีบทสรุปอยู่ข้างชื่อ ภาษา และความยาวของสาย หัวหน้า QA กรองเฉพาะแถวของเจ้าหน้าที่ เพิ่มคอลัมน์สำหรับคะแนนหรือความเห็น และเก็บเวิร์กบุ๊กหนึ่งไฟล์ต่อการตรวจ
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
การซัพพอร์ตหลายภาษาทำงานแบบเดียวกัน เพิ่ม lang=en ให้การส่งออก แล้วไฟล์จะอ่านเป็นภาษาอังกฤษ หนึ่งบรรทัดต่อประโยค แปลในกรณีที่สายเป็นภาษาสเปนหรือโปแลนด์ ผู้ตรวจที่อ่านภาษาเดียวให้คะแนนสายที่รับในหลายภาษาได้ การส่งออก PDF เหมาะกับคนที่อยากอ่านทั้งสายบนกระดาษ พร้อมผู้พูดและเวลา
การถอดเสียงยังอยู่ในบัญชีหลังส่งออก ดังนั้นสายต่าง ๆ จึงสะสมเป็นคลัง แท็กช่วยจัดกลุ่ม: สร้างหนึ่งแท็กต่อคิวหรือทีมด้วย POST /v1/tags แล้วติดกับการถอดเสียงด้วย 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 จากนั้นค้นหาสิ่งที่พูดในทุกสาย โดยจำกัดด้วยแท็กและวันที่: ทุกสายของคิวบิลลิ่งเดือนนี้ที่มีคนพูดว่า “cancel” โดยแต่ละผลลัพธ์มีสายของมันและวินาทีที่พูด
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
ทุกอย่างข้างต้นทำได้โดยไม่ต้องเขียนโค้ดด้วย ไฟล์ที่อัปโหลดที่ Transcriptions → New ถูกติดป้าย สรุป และส่งออกได้จากหน้าของมันเอง บันทึกผู้พูดไว้ใต้ Speakers และแท็กกับการค้นหาอยู่ในรายการ Transcriptions
ช่องว่างบางอย่างควรรู้ก่อนตั้งค่าอะไร
การเก็บรักษาขึ้นอยู่กับแพ็กเกจ หน้าราคา แสดงว่าเสียงและการถอดเสียงถูกเก็บนานเท่าใดในแต่ละแพ็กเกจ การถอดเสียงเก็บเข้าคลังได้ และรายการที่เก็บเข้าคลังแล้วลบถาวรได้ด้วย POST /v1/transcriptions/{id}/purge ซึ่งลบมันและทุกอย่างในนั้นไปตลอด
ที่ราคาเปิดตัว สายที่บันทึกไว้ราคา $0.20 ต่อชั่วโมงของเสียง เรียกเก็บตามวินาที ($0.0033 ต่อนาที) โดยมีขั้นต่ำ 5 นาทีต่อการถอดเสียงใน Pay as you go (ไม่มีใน Premium หรือ Enterprise) อัตราปัจจุบันอยู่ในหน้าราคา ป้ายผู้พูด การตั้งชื่อผู้พูด บทสรุป การแปล และการส่งออก ไม่เพิ่มค่าใช้จ่ายเลย
สายซัพพอร์ตมักสั้น ดังนั้นขั้นต่ำจึงกำหนดบิลของทีมซัพพอร์ตมากกว่าอัตรา ใน Pay as you go:
ใน Premium และ Enterprise ไม่มีขั้นต่ำ ดังนั้นแต่ละสายเรียกเก็บตามวินาทีของตัวเอง: ข้อความเสียง 40 วินาทีราคาประมาณหนึ่งในห้าของเซนต์ และ 1,000 สายสามนาทีประมาณ $10 ทีมที่รับสายสั้นเป็นส่วนใหญ่ควรเปรียบเทียบสองแบบนี้กับความยาวสายของตัวเอง
ที่ราคาเปิดตัว ทีมที่บันทึก 2,000 สายต่อเดือน เฉลี่ยสายละ 8 นาที ส่งเสียง 16,000 นาที: ประมาณ $53 ของเครดิตต่อเดือนใน Premium รวมบทสรุปและสเปรดชีตแล้ว ใน Pay as you go ทุกสายที่สั้นกว่า 5 นาทีจะเพิ่มจากตัวเลขนั้น
การถอดเสียงสดมีราคาสูงกว่า ($0.60 ต่อชั่วโมงที่ราคาเปิดตัว) เพราะต้องตามทันสาย ถ้าไม่มีใครต้องการคำระหว่างสาย ให้ถอดเสียงจากการบันทึกภายหลัง บัญชีใหม่เริ่มด้วยเครดิตสมัครครั้งเดียวและไม่ต้องใช้บัตร ดังนั้นลองทำตามขั้นตอนข้างต้นกับชุดสายของคุณเองได้ก่อนจะซื้ออะไร