Bir transkripsiyon sesleri birbirinden ayırır ama hangisinin temsilci olduğunu bilemez. Her temsilciyi kendi çağrılarından birinden bir kez kaydedin; sonraki her çağrı, temsilcinin adıyla, üstte bir özetle ve kalite kontrol için hazır bir tabloyla gelir.
Destek çağrılarını dinleyerek inceleyen bir kalite kontrol sorumlusu günde ancak bir avuç çağrıyı bitirebilir ve yedi dakikalık bir çağrı, ne kadar hızlı tıklarsanız tıklayın yedi dakika sürer. Metin olarak okunduğunda aynı çağrı yaklaşık bin kelimedir, tek bir sayfadır ve bir sayfa göz gezdirilebilir, aranabilir ve bir bilet kaydına yapıştırılabilir. Müşteri hizmetleri çağrı transkripsiyonu, telefon sisteminizin zaten sakladığı kayıtları bu sayfalara dönüştürür. Sayfaların işe yarayıp yaramayacağını üç şey belirler: her satırın kimin konuştuğunu, temsilci mi müşteri mi, söyleyip söylemediği; çağrının neyin istendiğini ve neyin kararlaştırıldığını anlatan kısa bir özetle gelip gelmediği; ve sonucun ekibin çalıştığı yere, bir CRM notuna ya da bir kalite kontrol tablosuna ulaşıp ulaşmadığı.
Bu makale iş akışını VocalStack ile adım adım anlatır: API üzerinden gönderilen kayıtlı çağrılar, adıyla tanınan temsilci, her çağrı için yazılan özet ve JSON ile Excel'e dışa aktarımlar. Ayrıca VocalStack'in bir destek ekibi için ne yapmadığını da açıkça söyler, çünkü bunların bir kısmı ilk çağrı yüklenmeden önce önemlidir.
Çoğu telefon ve çağrı merkezi sistemi çağrı kayıtlarını ses dosyası olarak dışa aktarabilir ya da her birine bir indirme bağlantısı verebilir. İkisi de işe yarar. POST /v1/transcriptions, bir dosyayı multipart yükleme olarak ya da sunucunun kendisinin çektiği bir url içeren bir JSON gövdesi olarak alır. Dosya eğitimi çağrıyı ayrıntılı anlatır; çağrılar için şu ayarlar önemlidir, hepsi settings içinde:
speakerLabels: iki kişilik bir çağrının her satırının bir konuşmacı taşıması için bunu on yapın. Varsayılan When Needed (auto), satırları yalnızca ikinci bir konuşmacı duyulduğunda etiketler; bu bir çağrıdan çok bir dersin işine yarar.summary ve title: ikisi de siz istemedikçe kapalıdır. Açıkken, çağrı transkribe edildikten sonra bir başlık ve kısa bir özet yazılır.spokenLanguage: bildiğinizde belirtin; örneğin yalnızca tek bir dilde çağrı alan bir kuyrukta. Atlarsanız dil, 100 dil arasından algılanır.Yükleme hemen bir transkripsiyon kimliğiyle yanıt verir; kelimeler biraz sonra gelir. Her yüklemeyle birlikte bir Idempotency-Key gönderin: aynı anahtar ve gövdeyle 24 saat içinde yapılan yeniden deneme, ikinci bir transkripsiyon oluşturup ücretlendirmek yerine ilkini döndürür. Telefon sisteminizdeki çağrının kendi kimliği doğal bir anahtardır.
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 ?? ''}`);
Bir gecenin kayıtları tek bir döngüyle yüklenebilir. Her plan aynı anda kaç transkripsiyonun çalışacağını belirler ve bu sayıyı aşan bir dosya reddedilmez: oluşturulur, queued durumunda bekler ve önceki biri bittiğinde kendiliğinden başlar. Karşılaşabileceğiniz sınır, bir hesabın API üzerinden bir saatte başlatabileceği transkripsiyon sayısıdır; her planın rakamları fiyatlandırma sayfasında yer alır. Webhook yoktur; bu yüzden betiğiniz her işi bitene kadar yoklar, waitForJob bunu sizin yerinize yapar.
Konuşmacı etiketleri ayrıştırmadan (diarization) gelir: kayıt konuşma sıralarına bölünür ve sıralar sese göre gruplanır. Geri gelen “Speaker 1” ve “Speaker 2”dir. Sistem iki sesi ayırt edebilir, ama sesin içinde hangisinin sizin için çalıştığını söyleyen hiçbir şey yoktur. Konuşmacı ayrıştırma ve konuşma tanıma mekaniği açıklar; destek çağrıları için pratik cevap, her temsilciyi bir kez kaydetmektir.
Kayıtlı bir konuşmacı, adı olan bir ses parmak izidir. O oluştuğunda, hesaptaki her yeni transkripsiyon duyduğu sesleri kayıtlı konuşmacılarınızla karşılaştırır ve bir eşleşme adı transkripte taşır. Dosyalar otomatik eşleşir; böylece temsilcinin satırları “Speaker 1” yerine “Dana” olarak gelir. Siz adlandırana kadar müşteri numaralı kalır.
Parmak izini bir masa başında yapılmış bir kayıttan değil, temsilcinin kendi çağrılarından birinden alın. Sessiz bir odada kulaklıktaki bir ses ile aynı sesin telefon hattındaki hali, bir makineye, aynı şekilde kaydedilmiş iki farklı kişiden daha az benzer gelebilir ve parmak izi en iyi, geldiği sese benzeyen seslerle eşleşir. POST /v1/speakers/from-appearance, bir konuşmacıyı doğrudan bir transkripsiyondan, o konuşmacının çağrıdaki kendi bölümlerini örnek olarak kullanarak kaydeder. appearance, satırlarının taşıdığı speaker dizinidir.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Bir konuşmacıyı bu şekilde kaydetmek yalnızca parmak izini, konuşmasının en az 5 saniyesinden saklar; temsilcinin bir dakika ya da daha fazla konuştuğu bir çağrı daha kararlı bir parmak izi verir. Ses klonlama, kişinin onayını gerektiren ayrı bir adımdır ve bir destek iş akışının ona ihtiyacı yoktur.
Bundan sonra, bitmiş bir çağrının transkripti kimin tanındığını söyler. GET /v1/transcriptions/{id}/transcript, speakers listesini verir; kayıtlı biriyle eşleşen konuşmacıda identified: true ve kayıtlı ad bulunur. Diğerleri, her biri için tek çağrıyla adlandırılabilir: PUT /v1/transcriptions/{id}/appearances/{number}; burada number, konuşmacının görünen numarasıdır. Adlandırma transkripsiyonda saklanır; böylece bundan sonraki her dışa aktarım numara yerine “Customer” yazar.
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');
}
“Tanınmayan herkes müşteridir” ifadesini bir başparmak kuralı olarak ele alın ve kendi çağrılarınızda kontrol edin. Bir aktarma ikinci bir temsilci getirir, kayıtlı bir menü anonsu kendi başına bir ses olarak algılanabilir ve henüz kaydedilmemiş bir temsilci tam olarak bir müşteri gibi görünür. Karşılaştırmanın nasıl sınırlandığına da dikkat edin: her transkripsiyon, hesapta en son güncellenen 64 kayıtlı konuşmacıyla karşılaştırılır; bu yüzden bundan büyük bir ekip, her temsilcinin her çağrıda tanınacağına güvenmemelidir.
Etiketleri değerlendirmeden önce telefon sesinin iki özelliğini bilmekte fayda var. Temsilcinin solda, müşterinin sağda olduğu çift kanallı bir kayıt, transkribe edilirken tek kanala indirilir; yani konuşmacılar kanala göre değil, seslerine göre ayrılır. Dar bantlı bir telefon hattı yaklaşık 3,4 kHz'in üstünde hiçbir şey taşımaz; bu da iki sesi birbirinden ayıran şeyin bir kısmını siler; üst üste binen kısa konuşma sıraları (“yes”, “mm-hm”, “sorry, go on”) etiketlerin en sık yanıldığı yerlerdir.
summary ve title açıkken her çağrı, transkript kesinleştiğinde neyle ilgili olduğunu anlatan bir başlık ve birkaç cümle alır. Bilet kaydına giren budur; böylece bir sonraki temsilci hiçbir şey açmadan geçmişi bilir. Özet transkriptten sonra yazılır; bu yüzden onu GET /v1/transcriptions/{id}/summary ile okuyun ve state değeri pending olduğu sürece bekleyin:
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);
}
state değeri ready olduğunda title ve summary metni taşır. Bir dakikadan kısa bir kayıt asla özet almaz (not_requested); bu, sesli mesajlar için önemlidir: çoğu sesli mesaj, transkriptin kendi özeti olacak kadar kısadır. summary olmadan yapılmış bir çağrıya sonradan POST /v1/transcriptions/{id}/summarize ile özet eklenebilir. Özetler her plana ek bir ücret olmadan dahildir.
GET /v1/transcriptions/{id}/export, yedi biçimden birinde bir dosya döndürür: json, xlsx, pdf, srt, vtt, txt veya md. Her dışa aktarım düzeltmeleri ve verdiğiniz konuşmacı adlarını içerir. Bir destek ekibi için bunların ikisi işin çoğunu yapar.
Kendi kodunuz için JSON. JSON dışa aktarımı çağrının name, language, durationS alanlarını ve summary=true ile summary alanını, ardından segments içerir: satır başına bir kayıt; saniye cinsinden start ve end, speaker, speakerName, text, bir confidence, satırın corrected olup olmadığı ve kendi zamanlamalarıyla words. Bu, bir betiğin bir CRM notu oluşturması (başlık, özet, temsilcinin adı, çağrının uzunluğu) ya da müşterinin söylediği her satırı çekmesi için yeterlidir.
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.
İnceleyen için Excel. XLSX dışa aktarımında, satır başına bir satır ve #, Start, End, Start (s), End (s), Speaker, Text, Confidence ile Corrected sütunlarını içeren bir Transcript sayfası vardır. summary=true ile About sayfası, çağrının adı, dili ve uzunluğunun yanında özeti taşır. Bir kalite kontrol sorumlusu temsilcinin satırlarını filtreleyebilir, puanlar ya da yorumlar için bir sütun ekleyebilir ve inceleme başına bir çalışma kitabı tutabilir.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Birden çok dilde destek de aynı şekilde çalışır. Bir dışa aktarıma lang=en ekleyin; dosya, cümle başına bir satırla, çağrı İspanyolca ya da Lehçe olduğu yerlerde çevrilmiş olarak İngilizce okunur; tek dil okuyan bir inceleyici, birkaç dilde alınan çağrıları puanlayabilir. PDF dışa aktarımı, tüm çağrıyı konuşmacılar ve zaman damgalarıyla kâğıt üzerinde okumak isteyen kişiye uygundur.
Bir transkripsiyon dışa aktarıldıktan sonra da hesapta kalır; böylece çağrılar bir kütüphane oluşturur. Etiketler onları gruplar: POST /v1/tags ile kuyruk ya da ekip başına bir tane oluşturun, sonra POST /v1/tags/{id}/transcriptions ile transkripsiyonlara koyun.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search sonra, etiket ve tarihe göre daraltılmış olarak tüm çağrılarda söylenenleri arar: bu ay birinin “cancel” dediği her faturalama kuyruğu çağrısı; her sonuç, çağrısı ve söylendiği saniyeyle birlikte.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Yukarıdakilerin hepsi kodsuz da çalışır. Transcriptions → New sayfasından yüklenen bir dosya kendi sayfasından etiketlenir, özetlenir ve dışa aktarılır; konuşmacılar Speakers altında kaydedilir ve etiketler ile arama Transcriptions listesinde bulunur.
Bazı boşlukları, herhangi bir kurulumdan önce bilmekte fayda var.
Saklama süresi plana bağlıdır; fiyatlandırma sayfası her planda sesin ve transkripsiyonların ne kadar süre saklandığını gösterir. Bir transkripsiyon arşivlenebilir ve arşivlenmiş bir transkripsiyon, kendisini ve içindeki her şeyi kalıcı olarak silen POST /v1/transcriptions/{id}/purge ile temizlenebilir.
Lansman fiyatlarıyla kayıtlı çağrılar ses saati başına $0.20'dir, saniye bazında ücretlendirilir (dakikada $0.0033) ve Kullandıkça Öde'de transkripsiyon başına 5 dakikalık bir asgari süre uygulanır (Premium ve Enterprise'da yok). Güncel fiyatlar fiyatlandırma sayfasındadır. Konuşmacı etiketleri, konuşmacı adlandırma, özetler, çeviriler ve dışa aktarımlar faturaya asla ek yapmaz.
Destek çağrıları genellikle kısadır; bu yüzden bir destek ekibinin faturasında asgari süre, birim fiyattan fazlasını belirler. Kullandıkça Öde'de:
Premium ve Enterprise'da asgari süre yoktur; bu yüzden her çağrı kendi saniyeleri üzerinden ücretlendirilir: 40 saniyelik sesli mesaj yaklaşık bir sentin beşte biri, üç dakikalık 1.000 çağrı ise yaklaşık $10 tutar. Çoğunlukla kısa çağrı alan bir ekip, ikisini kendi çağrı uzunluklarında karşılaştırmalıdır.
Lansman fiyatlarıyla, ayda ortalama 8 dakikalık 2.000 çağrı kaydeden bir ekip 16.000 dakika ses gönderir: Premium'da özetler ve tablolar dahil ayda yaklaşık $53 kredi. Kullandıkça Öde'de 5 dakikadan kısa her çağrı buna ekleme yapar.
Canlı transkripsiyon daha pahalıdır (lansman fiyatlarıyla saatte $0.60), çünkü çağrıyla aynı hızda ilerler; çağrı sırasında kimsenin kelimelere ihtiyacı yoksa kaydı sonradan transkribe edin. Yeni bir hesap tek seferlik kayıt kredisiyle başlar ve kart gerekmez; böylece yukarıdaki adımlar bir şey satın alınmadan önce kendi çağrılarınızdan oluşan bir grupta denenebilir.