Nakikilala ng transcription ang mga boses pero hindi nito alam kung alin ang agent. I-save ang bawat agent nang isang beses, mula sa isa sa sarili nilang tawag, at ang bawat tawag pagkatapos ay darating na may pangalan ng agent, buod sa itaas at spreadsheet na handa para sa QA.
Ang QA lead na sumusuri ng mga tawag sa suporta sa pamamagitan ng pakikinig ay makakadaan lang sa ilan bawat araw, at ang pitong-minutong tawag ay pitong minuto ang tagal gaano man kabilis ang pag-click mo. Kapag binasa bilang teksto, ang parehong tawag ay mga isang libong salita, isang pahina, at ang pahina ay maaaring i-skim, hanapin at i-paste sa ticket. Ginagawang mga ganitong pahina ng transcription ng mga tawag sa customer service ang mga recording na iniingatan na ng phone system mo. Tatlong bagay ang nagpapasya kung kapaki-pakinabang ang mga pahina: kung sinasabi ba ng bawat linya kung sino ang nagsalita, agent o customer; kung may kasamang maikling buod ang tawag ng kung ano ang hiniling at ano ang napagkasunduan; at kung napupunta ba ang resulta kung saan nagtatrabaho ang team, sa tala sa CRM o sa QA spreadsheet.
Tinatahak ng artikulong ito ang workflow na iyon gamit ang VocalStack: mga naitalang tawag na ipinadala sa API, ang agent na nakilala sa pangalan, buod na isinulat para sa bawat tawag, at mga export sa JSON at Excel. Sinasabi rin nito nang tahasan kung ano ang hindi ginagawa ng VocalStack para sa support team, dahil may ilan dito na mahalaga bago i-upload ang unang tawag.
Karamihan ng phone system at contact-centre system ay kayang mag-export ng mga recording ng tawag bilang audio file, o magbigay ng download link para sa bawat isa. Gagana ang alinman. Tumatanggap ang POST /v1/transcriptions ng file bilang multipart upload, o JSON body na may url na kinukuha mismo ng server. Tinatalakay nang detalyado ng tutorial sa file ang tawag; para sa mga tawag, mahalaga ang mga setting na ito, lahat sa loob ng settings:
speakerLabels: itakda sa on, para magdala ng nagsasalita ang bawat linya ng tawag na may dalawang tao. Ang default, When Needed (auto), ay naglalagay lang ng label sa mga linya kapag may narinig nang pangalawang nagsasalita, na mas angkop sa lecture kaysa sa tawag.summary at title: parehong naka-off maliban kung hihilingin mo. Kapag naka-on, magsusulat ng pamagat at maikling buod para sa tawag pagkatapos itong ma-transcribe.spokenLanguage: pangalanan ito kapag alam mo, gaya ng sa pilang tumatanggap lang ng mga tawag sa iisang wika. Kapag hindi mo ito isinama, ide-detect ang wika mula sa 100.Agad na sumasagot ang upload na may transcription id; mas huli dumarating ang mga salita. Magpadala ng Idempotency-Key sa bawat upload: ang pag-retry na may parehong key at body sa loob ng 24 oras ay nagbabalik ng unang transcription sa halip na gumawa, at maningil, ng pangalawa. Natural na key ang sariling id ng tawag mula sa phone system mo.
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 ?? ''}`);
Maaaring i-upload sa isang loop ang mga recording ng isang gabi. Itinatakda ng bawat plan kung ilang transcription ang sabay na tumatakbo, at ang file na lampas sa bilang na iyon ay hindi tinatanggihan: nagagawa ito, naghihintay sa estadong queued, at kusang nagsisimula kapag natapos ang naunang isa. Ang limitasyong maaari mong abutin ay ang bilang ng mga transcription na maaaring simulan ng isang account sa pamamagitan ng API sa loob ng isang oras; nasa pricing page ang mga bilang para sa bawat plan. Walang webhook, kaya ang script mo ang nagpo-poll sa bawat job hanggang matapos ito, na ginagawa para sa iyo ng waitForJob.
Nagmumula ang mga speaker label sa diarization: hinahati ang recording sa mga turn, at pinagsasama-sama ang mga turn ayon sa boses. Ang ibinabalik ay "Speaker 1" at "Speaker 2". Kaya ng sistemang paghiwalayin ang dalawang boses, pero walang nasa audio na nagsasabi kung alin ang empleyado mo. Ipinapaliwanag ng Diarization vs speech recognition ang mekanismo; para sa mga tawag sa suporta, ang praktikal na sagot ay i-save ang bawat agent nang isang beses.
Ang na-save na nagsasalita ay voice fingerprint na may pangalan. Kapag mayroon na ito, inihahambing ng bawat bagong transcription sa account ang mga naririnig na boses sa mga na-save mong nagsasalita, at dinadala ng tugma ang pangalan sa transcript. Awtomatikong itinutugma ang mga file, kaya dumarating ang mga linya ng agent bilang "Dana" sa halip na "Speaker 1". Mananatiling may numero ang customer hanggang pangalanan mo.
Kunin ang fingerprint mula sa sariling tawag ng agent sa halip na sa recording na ginawa sa desk. Ang boses na naka-headset sa tahimik na silid at ang parehong boses sa linya ng telepono ay maaaring magmukhang mas hindi magkatulad sa makina kaysa sa dalawang magkaibang taong na-record sa parehong paraan, at pinakamahusay na tumutugma ang fingerprint sa audio na katulad ng pinagkunan nito. Sine-save ng POST /v1/speakers/from-appearance ang nagsasalita nang diretso mula sa transcription, gamit ang sariling mga bahagi ng nagsasalitang iyon sa tawag bilang sample. Ang appearance ay ang speaker index na dala ng kanilang mga linya.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Sa ganitong pag-save ng nagsasalita, fingerprint lang nila ang itinatago, mula sa kahit 5 segundo ng kanilang pananalita; mas matatag ang ibinibigay ng tawag kung saan nagsasalita ang agent nang isang minuto o higit pa. Hiwalay na hakbang ang voice cloning na nangangailangan ng pahintulot ng tao, at walang gamit dito ang support workflow.
Mula noon, sasabihin sa iyo ng transcript ng natapos na tawag kung sino ang nakilala. Inililista ng GET /v1/transcriptions/{id}/transcript ang speakers, at ang nagsasalitang tumugma sa na-save ay may identified: true at ang na-save na pangalan. Ang iba ay maaaring pangalanan sa isang call bawat isa, PUT /v1/transcriptions/{id}/appearances/{number}, kung saan ang number ay ang display number ng nagsasalita. Naka-store sa transcription ang pagpapangalan, kaya "Customer" na ang binabasa ng bawat export pagkatapos, sa halip na numero.
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');
}
Ituring na rule of thumb ang "ang bawat hindi nakilala ay customer" at subukan ito sa sarili mong mga tawag. Nagdadala ng pangalawang agent ang transfer, maaaring marinig bilang sariling boses ang naitalang menu prompt, at ang agent na hindi pa na-save ay kamukhang-kamukha ng customer. Pansinin din kung paano nililimitahan ang paghahambing: inihahambing ang bawat transcription sa 64 na na-save na nagsasalitang pinakahuling na-update sa account, kaya hindi dapat umasa ang mas malaking team na makikilala ang bawat agent sa bawat tawag.
May dalawang katangian ng audio sa telepono na dapat malaman bago husgahan ang mga label. Ang dual-channel na recording, na may agent sa kaliwa at customer sa kanan, ay pinagsasama sa isang channel kapag na-transcribe, kaya pinaghihiwalay ang mga nagsasalita sa boses nila, hindi sa channel. At walang dinadalang higit sa humigit-kumulang 3.4 kHz ang makitid na linya ng telepono, na nag-aalis ng bahagi ng nagpapaiba sa dalawang boses; ang maiikli at magkapatong na turn ("oo", "mm-hm", "pasensya na, ituloy mo") ang pinakamadalas na pagkamalian ng mga label.
Kapag naka-on ang summary at title, makakakuha ang bawat tawag ng pamagat at ilang pangungusap kung tungkol saan ito, kapag pinal na ang transcript. Iyon ang napupunta sa ticket, para alam ng susunod na agent ang kasaysayan nang walang binubuksan. Isinusulat ang buod pagkatapos ng transcript, kaya basahin ito gamit ang GET /v1/transcriptions/{id}/summary at maghintay habang pending ang state:
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);
}
Kapag ready ang state, hawak ng title at summary ang teksto. Ang recording na mas maikli sa isang minuto ay hindi kailanman nagkakaroon ng buod (not_requested), na mahalaga para sa voicemail: karamihan ng voicemail ay sapat na ang ikli kaya ang transcript mismo ang buod nito. Ang tawag na ginawa nang walang summary ay maaaring bigyan nito mamaya gamit ang POST /v1/transcriptions/{id}/summarize. Kasama sa bawat plan ang mga buod nang walang dagdag na bayad.
Nagbabalik ang GET /v1/transcriptions/{id}/export ng file sa isa sa pitong format: json, xlsx, pdf, srt, vtt, txt o md. Kasama sa bawat export ang mga pagwawasto at ang mga pangalan ng nagsasalitang ibinigay mo. Para sa support team, dalawa sa mga ito ang gumagawa ng karamihan ng trabaho.
JSON para sa sarili mong code. Nasa JSON export ang name, language, durationS ng tawag at, kapag summary=true, ang summary nito, saka ang segments: isang entry bawat linya, na may start at end sa segundo, speaker, speakerName, text, confidence, kung corrected ang linya, at ang words na may sarili nilang timing. Sapat ito para makagawa ang script ng tala sa CRM (ang pamagat, ang buod, ang pangalan ng agent, ang haba ng tawag), o makuha ang bawat linyang sinabi ng customer.
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 para sa reviewer. May Transcript sheet ang XLSX export na may isang hilera bawat linya at mga column na #, Start, End, Start (s), End (s), Speaker, Text, Confidence at Corrected. Kapag summary=true, dala ng About sheet ang buod katabi ng pangalan, wika at haba ng tawag. Maaaring i-filter ng QA lead ang mga hilera ng agent, magdagdag ng column para sa mga score o komento, at magtago ng isang workbook bawat review.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Ganoon din ang gumagana sa suporta sa higit sa isang wika. Magdagdag ng lang=en sa export at nababasa ang file sa English, isang linya bawat pangungusap, na isinalin kung saan Spanish o Polish ang tawag; ang reviewer na nagbabasa ng isang wika ay maaaring mag-score ng mga tawag na tinanggap sa ilang wika. Angkop ang PDF export sa gustong magbasa ng buong tawag sa papel, na may mga nagsasalita at timestamp.
Nananatili sa account ang transcription pagkatapos ma-export, kaya nagiging library ang mga tawag. Pinagsasama-sama ng mga tag ang mga ito: gumawa ng isa para sa bawat pila o team gamit ang POST /v1/tags, saka ilagay ito sa mga transcription gamit ang POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
Hinahanap naman ng GET /v1/search ang sinabi sa lahat ng tawag, na limitado ayon sa tag at petsa: ang bawat tawag sa billing queue ngayong buwan kung saan may nagsabi ng "cancel", bawat resulta ay may kasamang tawag nito at ang segundong sinabi ito.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Gumagana rin ang lahat ng nasa itaas nang walang code. Ang file na ina-upload sa Transcriptions → New ay nilalagyan ng label, binubuod at ine-export mula sa sarili nitong pahina, sine-save ang mga nagsasalita sa Speakers, at nasa listahan ng Transcriptions ang mga tag at search.
May ilang puwang na dapat malaman bago mag-set up ng kahit ano.
Nakadepende sa plan ang retention; ipinapakita ng pricing page kung gaano katagal iniingatan ang audio at mga transcription sa bawat isa. Maaaring i-archive ang transcription, at ang naka-archive ay maaaring i-purge gamit ang POST /v1/transcriptions/{id}/purge, na permanenteng nagbubura rito at sa lahat ng nasa loob nito.
Sa launch prices, $0.20 bawat oras ng audio ang mga naitalang tawag, sinisingil kada segundo ($0.0033 kada minuto), na may 5-minutong minimum bawat transcription sa Pay as you go (wala sa Premium o Enterprise). Nasa pricing page ang kasalukuyang mga rate. Hindi kailanman nagdadagdag sa bill ang mga speaker label, pagpapangalan ng nagsasalita, buod, pagsasalin at mga export.
Madalas maikli ang mga tawag sa suporta, kaya mas marami ang pinagpapasyahan ng minimum sa bill ng support team kaysa sa rate. Sa Pay as you go:
Sa Premium at Enterprise, walang minimum, kaya ang bawat tawag ay sinisingil ayon sa sarili nitong mga segundo: ang 40-segundong voicemail ay nagkakahalaga ng humigit-kumulang isang-kalima ng sentimo, at ang 1,000 tawag na tig-tatlong minuto ay humigit-kumulang $10. Dapat ihambing ng team na kadalasang tumatanggap ng maiikling tawag ang dalawa sa sarili nilang haba ng tawag.
Sa launch prices, ang team na nagre-record ng 2,000 tawag kada buwan na may average na 8 minuto ay nagpapadala ng 16,000 minuto ng audio: humigit-kumulang $53 ng credit kada buwan sa Premium, kasama na ang mga buod at spreadsheet. Sa Pay as you go, nagdaragdag dito ang bawat tawag na wala pang 5 minuto.
Mas mahal ang live na transcription ($0.60 kada oras sa launch prices), dahil sumasabay ito sa tawag; kung walang nangangailangan ng mga salita habang tumatawag, i-transcribe ang recording pagkatapos. Nagsisimula ang bagong account sa one-time signup credit at hindi kailangan ng card, kaya maaaring subukan ang mga hakbang sa itaas sa isang batch ng sarili mong mga tawag bago bumili ng kahit ano.