Транскрипт розрізняє голоси, але не може знати, який із них агент. Збережіть кожного агента один раз, з одного його дзвінка, і кожен наступний дзвінок повертається з названим агентом, підсумком угорі та таблицею, готовою для контролю якості.
Керівник контролю якості, який перевіряє дзвінки підтримки, слухаючи їх, встигає за день кілька штук, а семихвилинний дзвінок триває сім хвилин, як швидко не клікай. Прочитаний як текст, той самий дзвінок це близько тисячі слів, одна сторінка, а сторінку можна переглянути, пошукати в ній і вставити в тікет. Транскрибування дзвінків служби підтримки перетворює записи, які ваша телефонна система вже зберігає, на такі сторінки. Три речі вирішують, чи корисні ці сторінки: чи кожен рядок каже, хто говорив, агент чи клієнт; чи дзвінок приходить із коротким підсумком того, про що просили й про що домовилися; і чи результат потрапляє туди, де працює команда, у нотатку CRM або в таблицю QA.
Ця стаття проходить цим робочим процесом із VocalStack: записані дзвінки, надіслані через API, агент, упізнаний за іменем, підсумок, написаний для кожного дзвінка, та експорти в JSON і Excel. Вона також прямо каже, чого VocalStack не робить для команди підтримки, бо дещо з цього має значення ще до завантаження першого дзвінка.
Більшість телефонних систем і контакт-центрів можуть експортувати записи дзвінків як аудіофайли або давати посилання для завантаження кожного. Обидва варіанти підходять. POST /v1/transcriptions приймає файл як multipart-завантаження або тіло JSON з url, яке сервер завантажує сам. Посібник про файли докладно розглядає виклик; для дзвінків важливі такі налаштування, усі в settings:
speakerLabels: поставте on, щоб кожен рядок розмови двох людей мав мовця. Типове When Needed (auto) позначає рядки лише після того, як почуто другого мовця, що краще пасує лекції, ніж дзвінку.summary і title: обидва вимкнені, поки ви про них не попросите. Коли вони ввімкнені, після транскрибування дзвінка пишуться назва й короткий підсумок.spokenLanguage: вкажіть її, коли знаєте, наприклад у черзі, що приймає дзвінки лише однією мовою. Якщо пропустити, мову буде визначено зі 100.Завантаження відповідає одразу ідентифікатором транскрипції; слова надходять трохи пізніше. Надсилайте Idempotency-Key із кожним завантаженням: повторна спроба з тим самим ключем і тілом протягом 24 годин повертає першу транскрипцію замість створення та виставлення рахунку за другу. Власний ідентифікатор дзвінка з вашої телефонної системи є природним ключем.
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 ?? ''}`);
Записи цілої ночі можна завантажити одним циклом. Кожен план визначає, скільки транскрипцій виконується одночасно, і файл понад це число не відхиляється: він створюється, чекає в стані queued і стартує сам, коли закінчується попередній. Ліміт, на який можна наштовхнутися, це кількість транскрипцій, які акаунт може запустити через API за годину; цифри для кожного плану на сторінці цін. Вебхуків немає, тож ваш скрипт опитує кожне завдання, доки воно не завершиться, що waitForJob робить за вас.
Мітки мовців походять від діаризації: запис поділяється на репліки, а репліки групуються за голосом. Повертається «Speaker 1» і «Speaker 2». Система вміє розрізнити два голоси, але ніщо в аудіо не каже, який із них працює у вас. Діаризація мовців проти розпізнавання мовлення пояснює механіку; для дзвінків підтримки практична відповідь полягає в тому, щоб зберегти кожного агента один раз.
Збережений мовець (saved speaker) це голосовий відбиток з іменем. Коли він існує, кожна нова транскрипція в акаунті порівнює голоси, які чує, з вашими збереженими мовцями, і збіг переносить ім’я до транскрипту. Файли зіставляються автоматично, тож рядки агента приходять як «Dana» замість «Speaker 1». Клієнт лишається пронумерованим, доки ви його не назвете.
Беріть відбиток із власного дзвінка агента, а не із запису, зробленого за столом. Голос у гарнітурі в тихій кімнаті й той самий голос на телефонній лінії можуть для машини звучати менш схоже, ніж двоє різних людей, записаних однаково, а відбиток найкраще збігається з аудіо, схожим на те, з якого він походить. POST /v1/speakers/from-appearance зберігає мовця прямо з транскрипції, використовуючи власні ділянки цього мовця в дзвінку як зразок. appearance це індекс speaker, який несуть його рядки.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Збереження мовця таким способом зберігає лише його відбиток, щонайменше з 5 секунд його мовлення; дзвінок, у якому агент говорить хвилину чи більше, дає стійкіший. Клонування голосу це окремий крок, що потребує згоди людини, і робочий процес підтримки не має для нього застосування.
Відтоді транскрипт завершеного дзвінка каже, кого впізнано. GET /v1/transcriptions/{id}/transcript перелічує speakers, а мовець, що збігся зі збереженим, має identified: true і збережене ім’я. Решту можна назвати одним викликом кожного, PUT /v1/transcriptions/{id}/appearances/{number}, де number це відображуваний номер мовця. Назва зберігається в транскрипції, тож кожен експорт після цього читає «Customer» замість номера.
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');
}
Ставтеся до «кожен невпізнаний це клієнт» як до практичного правила й перевіряйте його на власних дзвінках. Переведення додає другого агента, записане голосове меню може прозвучати як окремий голос, а агент, якого ще не збережено, виглядає точнісінько як клієнт. Зверніть також увагу, як обмежено порівняння: кожна транскрипція порівнюється з 64 збереженими мовцями, оновленими в акаунті останніми, тож більша команда не повинна розраховувати, що кожного агента буде впізнано в кожному дзвінку.
Дві властивості телефонного аудіо варто знати, перш ніж судити про мітки. Двоканальний запис, де агент ліворуч, а клієнт праворуч, під час транскрибування зводиться в один канал, тож мовці розділяються за голосами, а не за каналами. А вузькосмугова телефонна лінія не передає нічого вище приблизно 3.4 kHz, що прибирає частину того, що робить два голоси різними; короткі репліки, що накладаються («yes», «mm-hm», «sorry, go on»), це місця, де мітки помиляються найчастіше.
З увімкненими summary і title кожен дзвінок отримує назву та кілька речень про те, про що він був, коли транскрипт остаточний. Саме це йде до тікета, щоб наступний агент знав історію, нічого не відкриваючи. Підсумок пишеться після транскрипту, тож читайте його через GET /v1/transcriptions/{id}/summary і чекайте, поки його state дорівнює 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);
}
Коли state має значення ready, title і summary містять текст. Запис коротший за хвилину ніколи не отримує підсумку (not_requested), що важливо для голосової пошти: більшість повідомлень достатньо короткі, щоб транскрипт сам був своїм підсумком. Дзвінок, зроблений без summary, можна забезпечити ним пізніше через POST /v1/transcriptions/{id}/summarize. Підсумки входять до кожного плану без додаткової плати.
GET /v1/transcriptions/{id}/export повертає файл в одному з семи форматів: json, xlsx, pdf, srt, vtt, txt або md. Кожен експорт містить виправлення та імена мовців, які ви дали. Для команди підтримки більшість роботи роблять два з них.
JSON для вашого власного коду. Експорт JSON має name, language, durationS дзвінка і, з summary=true, його summary, а потім segments: один запис на рядок, з start і end у секундах, speaker, speakerName, text, confidence, чи був рядок corrected, і words з власними таймінгами. Цього досить скрипту, щоб зібрати нотатку CRM (назва, підсумок, ім’я агента, тривалість дзвінка) або витягти кожен рядок, який сказав клієнт.
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 для рецензента. Експорт XLSX має аркуш Transcript з одним рядком на репліку та стовпцями #, Start, End, Start (s), End (s), Speaker, Text, Confidence і Corrected. З summary=true аркуш About містить підсумок поруч із назвою, мовою та тривалістю дзвінка. Керівник QA може відфільтрувати рядки агента, додати стовпець для оцінок чи коментарів і вести одну книгу на перевірку.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Підтримка кількома мовами працює так само. Додайте lang=en до експорту, і файл читається англійською, один рядок на речення, перекладений там, де дзвінок був іспанською чи польською; рецензент, який читає однією мовою, може оцінювати дзвінки, прийняті кількома. Експорт PDF підходить тому, хто хоче прочитати цілий дзвінок на папері, з мовцями й часовими позначками.
Транскрипція лишається в акаунті після експорту, тож дзвінки складаються в бібліотеку. Теги групують їх: створіть по одному на чергу чи команду через POST /v1/tags, потім поставте його на транскрипції через POST /v1/tags/{id}/transcriptions.
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
Потім GET /v1/search шукає, що було сказано в усіх дзвінках, звужено за тегом і датою: кожен дзвінок черги білінгу цього місяця, де хтось сказав «cancel», кожен збіг зі своїм дзвінком і секундою, у яку це прозвучало.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Усе вище працює й без коду. Файл, завантажений у Transcriptions → New, позначається, підсумовується й експортується зі своєї сторінки, мовці зберігаються в розділі Speakers, а теги та пошук є у списку Transcriptions.
Про деякі прогалини варто знати, перш ніж щось налаштовувати.
Строк зберігання залежить від плану; сторінка цін показує, як довго зберігаються аудіо й транскрипції в кожному. Транскрипцію можна архівувати, а архівовану видалити назавжди через POST /v1/transcriptions/{id}/purge, що остаточно видаляє її разом з усім вмістом.
За стартовими цінами записані дзвінки коштують $0.20 за годину аудіо, з тарифікацією посекундно ($0.0033 за хвилину), з мінімумом 5 хвилин на транскрипцію в плані Pay as you go (у Premium чи Enterprise його немає). Чинні тарифи на сторінці цін. Мітки мовців, називання мовців, підсумки, переклади та експорти ніколи не збільшують рахунок.
Дзвінки підтримки часто короткі, тож мінімум визначає рахунок команди підтримки більше, ніж тариф. У плані Pay as you go:
У Premium і Enterprise мінімуму немає, тож кожен дзвінок тарифікується за власними секундами: 40-секундне голосове повідомлення коштує приблизно п’яту частину цента, а 1,000 триххвилинних дзвінків близько $10. Команді, яка здебільшого приймає короткі дзвінки, слід порівняти обидва варіанти на тривалостях своїх дзвінків.
За стартовими цінами команда, що записує 2,000 дзвінків на місяць із середньою тривалістю 8 хвилин, надсилає 16,000 хвилин аудіо: близько $53 кредиту на місяць у Premium, разом з підсумками й таблицями. У Pay as you go кожен дзвінок коротший за 5 хвилин додає до цього.
Транскрибування наживо коштує дорожче ($0.60 за годину за стартовими цінами), бо воно йде в темпі дзвінка; якщо ніхто не потребує слів під час дзвінка, транскрибуйте запис потім. Новий акаунт починає з одноразового кредиту за реєстрацію, і картка не потрібна, тож кроки вище можна спробувати на партії власних дзвінків, перш ніж щось купувати.