ٹرانسکرپشن آوازوں کو الگ کرتی ہے مگر یہ نہیں جان سکتی کہ ان میں ایجنٹ کون سی ہے۔ ہر ایجنٹ کو ایک بار، اس کی اپنی کسی کال سے، محفوظ کریں، اور اس کے بعد ہر کال ایجنٹ کے نام، اوپر خلاصے اور کوالٹی کنٹرول کے لیے تیار اسپریڈشیٹ کے ساتھ واپس آتی ہے۔
جو کوالٹی کنٹرول لیڈ سپورٹ کالز سن کر ان کا جائزہ لیتا ہے وہ دن بھر میں مٹھی بھر ہی نمٹا پاتا ہے، اور سات منٹ کی کال میں سات منٹ لگتے ہیں چاہے آپ کتنی ہی تیزی سے کلک کریں۔ متن کے طور پر پڑھی جائے تو وہی کال تقریباً ایک ہزار الفاظ کی ہوتی ہے، ایک صفحہ، اور صفحے کو سرسری نظر سے دیکھا، تلاش کیا اور ٹکٹ میں چسپاں کیا جا سکتا ہے۔ کسٹمر سروس کال ٹرانسکرپشن وہ ریکارڈنگز جو آپ کا فون سسٹم پہلے ہی رکھتا ہے ایسے ہی صفحات میں بدل دیتی ہے۔ تین چیزیں طے کرتی ہیں کہ یہ صفحات کسی کام کے ہیں یا نہیں: کیا ہر لائن بتاتی ہے کہ کون بولا، ایجنٹ یا کسٹمر؛ کیا کال کے ساتھ ایک مختصر خلاصہ آتا ہے کہ کیا پوچھا گیا اور کیا طے ہوا؛ اور کیا نتیجہ وہاں پہنچتا ہے جہاں ٹیم کام کرتی ہے، یعنی CRM نوٹ یا کوالٹی کنٹرول اسپریڈشیٹ میں۔
یہ مضمون VocalStack کے ساتھ اسی طریقِ کار سے گزرتا ہے: API کے ذریعے بھیجی گئی ریکارڈ شدہ کالز، نام سے پہچانا گیا ایجنٹ، ہر کال کے لیے لکھا گیا خلاصہ، اور JSON اور Excel میں ایکسپورٹس۔ یہ سیدھے لفظوں میں یہ بھی بتاتا ہے کہ VocalStack سپورٹ ٹیم کے لیے کیا نہیں کرتا، کیونکہ ان میں سے کچھ باتیں پہلی کال اپ لوڈ کرنے سے پہلے اہم ہیں۔
زیادہ تر فون اور کانٹیکٹ سینٹر سسٹم کال ریکارڈنگز کو آڈیو فائلوں کے طور پر ایکسپورٹ کر سکتے ہیں، یا ہر ایک کے لیے ڈاؤن لوڈ لنک دے سکتے ہیں۔ دونوں چلتے ہیں۔ POST /v1/transcriptions فائل کو ملٹی پارٹ اپ لوڈ کے طور پر لیتا ہے، یا ایسی JSON باڈی لیتا ہے جس میں url ہو جسے سرور خود حاصل کر لیتا ہے۔ فائل ٹیوٹوریل کال کی تفصیل بتاتا ہے؛ کالز کے لیے یہ سیٹنگز اہم ہیں، سب settings کے اندر:
speakerLabels: اسے on پر رکھیں، تاکہ دو لوگوں کی کال کی ہر لائن پر اسپیکر درج ہو۔ ڈیفالٹ When Needed (auto) لائنوں پر لیبل تب لگاتا ہے جب دوسرا اسپیکر سنائی دے، جو کال کے بجائے لیکچر کے لیے زیادہ موزوں ہے۔summary اور title: دونوں بند ہیں جب تک آپ مانگیں نہیں۔ آن ہوں تو کال ٹرانسکرائب ہونے کے بعد اس کا ٹائٹل اور مختصر خلاصہ لکھا جاتا ہے۔spokenLanguage: جب آپ کو معلوم ہو تو بتا دیں، جیسے ایسی قطار میں جو صرف ایک زبان کی کالز لیتی ہے۔ چھوڑ دیں تو زبان 100 میں سے پہچانی جاتی ہے۔اپ لوڈ فوراً ٹرانسکرپشن id کے ساتھ جواب دیتا ہے؛ الفاظ کچھ دیر بعد آتے ہیں۔ ہر اپ لوڈ کے ساتھ Idempotency-Key بھیجیں: 24 گھنٹوں کے اندر اسی کلید اور باڈی کے ساتھ دوبارہ کوشش دوسری ٹرانسکرپشن بنانے اور اس کا بل لگانے کے بجائے پہلی لوٹا دیتی ہے۔ آپ کے فون سسٹم سے کال کی اپنی id ایک فطری کلید ہے۔
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 ?? ''}`);
ایک رات کی ریکارڈنگز ایک ہی لوپ میں اپ لوڈ ہو سکتی ہیں۔ ہر پلان طے کرتا ہے کہ ایک ساتھ کتنی ٹرانسکرپشنز چلیں، اور اس تعداد سے زیادہ فائل مسترد نہیں ہوتی: وہ بنتی ہے، queued حالت میں انتظار کرتی ہے، اور جب کوئی پچھلی ختم ہو تو خود شروع ہو جاتی ہے۔ جو حد آپ کو لگ سکتی ہے وہ یہ ہے کہ ایک اکاؤنٹ ایک گھنٹے میں API کے ذریعے کتنی ٹرانسکرپشنز شروع کر سکتا ہے؛ ہر پلان کے اعداد قیمتوں کے صفحے پر ہیں۔ ویب ہکس نہیں ہیں، اس لیے آپ کا اسکرپٹ ہر جاب کو اس کے مکمل ہونے تک پوچھتا رہتا ہے، جو waitForJob آپ کے لیے کر دیتا ہے۔
اسپیکر لیبلز ڈائریزیشن سے آتے ہیں: ریکارڈنگ کو باریوں میں توڑا جاتا ہے، اور باریوں کو آواز کے لحاظ سے گروپ کیا جاتا ہے۔ جو واپس آتا ہے وہ “Speaker 1” اور “Speaker 2” ہے۔ سسٹم دو آوازوں کو الگ پہچان سکتا ہے، لیکن آڈیو میں کچھ نہیں بتاتا کہ ان میں سے کون آپ کا ملازم ہے۔ ڈائریزیشن بمقابلہ اسپیچ ریکگنیشن میکانزم سمجھاتا ہے؛ سپورٹ کالز کے لیے عملی جواب یہ ہے کہ ہر ایجنٹ کو ایک بار محفوظ کریں۔
محفوظ شدہ اسپیکر ایک آواز کا فنگر پرنٹ ہے جس کے ساتھ نام ہو۔ جب وہ بن جائے تو اکاؤنٹ کی ہر نئی ٹرانسکرپشن سنی گئی آوازوں کا آپ کے محفوظ اسپیکرز سے موازنہ کرتی ہے، اور مطابقت ملنے پر نام ٹرانسکرپٹ میں آ جاتا ہے۔ فائلیں خودکار طور پر ملائی جاتی ہیں، اس لیے ایجنٹ کی لائنیں “Speaker 1” کے بجائے “Dana” کے نام سے آتی ہیں۔ کسٹمر اس وقت تک نمبر ہی رہتا ہے جب تک آپ اسے نام نہ دیں۔
فنگر پرنٹ ایجنٹ کی اپنی کسی کال سے لیں، نہ کہ ڈیسک پر بنائی گئی ریکارڈنگ سے۔ پرسکون کمرے میں ہیڈسیٹ پر ایک آواز اور وہی آواز فون لائن پر مشین کو ایک ہی طریقے سے ریکارڈ کیے گئے دو مختلف لوگوں سے کم ملتی جلتی لگ سکتی ہے، اور فنگر پرنٹ اس آڈیو سے سب سے بہتر ملتا ہے جو اس آڈیو جیسی ہو جس سے وہ بنا۔ POST /v1/speakers/from-appearance اسپیکر کو براہِ راست ٹرانسکرپشن سے محفوظ کرتا ہے، اس اسپیکر کے اپنے حصوں کو نمونے کے طور پر استعمال کرتے ہوئے۔ appearance وہ speaker انڈیکس ہے جو اس کی لائنوں پر ہوتا ہے۔
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
اس طرح اسپیکر محفوظ کرنے سے صرف اس کا فنگر پرنٹ رکھا جاتا ہے، اس کی کم از کم 5 سیکنڈ کی تقریر سے؛ جس کال میں ایجنٹ ایک منٹ یا زیادہ بولے وہ زیادہ مستحکم فنگر پرنٹ دیتی ہے۔ آواز کی کلوننگ ایک الگ مرحلہ ہے جس کے لیے شخص کی رضامندی چاہیے، اور سپورٹ کے طریقِ کار میں اس کا کوئی استعمال نہیں۔
اس کے بعد، مکمل ہو چکی کال کا ٹرانسکرپٹ آپ کو بتاتا ہے کہ کون پہچانا گیا۔ GET /v1/transcriptions/{id}/transcript speakers کی فہرست دیتا ہے، اور جو اسپیکر کسی محفوظ شدہ سے مل جائے اس میں identified: true اور محفوظ کیا گیا نام ہوتا ہے۔ باقیوں کو ایک ایک کال سے نام دیا جا سکتا ہے، PUT /v1/transcriptions/{id}/appearances/{number}، جہاں number اسپیکر کا ظاہر ہونے والا نمبر ہے۔ نام ٹرانسکرپشن پر محفوظ ہوتا ہے، اس لیے اس کے بعد ہر ایکسپورٹ میں نمبر کی جگہ “Customer” لکھا ہوتا ہے۔
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');
}
“جو پہچانا نہ جائے وہ کسٹمر ہے” کو موٹا اصول سمجھیں اور اپنی کالز پر اسے جانچ لیں۔ ٹرانسفر سے دوسرا ایجنٹ آ جاتا ہے، ریکارڈ شدہ مینو پرامپٹ الگ آواز کے طور پر سنا جا سکتا ہے، اور جو ایجنٹ ابھی محفوظ نہیں ہوا وہ بالکل کسٹمر جیسا لگتا ہے۔ یہ بھی دھیان رکھیں کہ موازنہ کس طرح محدود ہے: ہر ٹرانسکرپشن کا موازنہ اکاؤنٹ میں سب سے حال ہی میں اپ ڈیٹ ہونے والے 64 محفوظ اسپیکرز سے ہوتا ہے، اس لیے اس سے بڑی ٹیم کو یہ توقع نہیں رکھنی چاہیے کہ ہر کال میں ہر ایجنٹ پہچانا جائے گا۔
لیبلز کو پرکھنے سے پہلے فون آڈیو کی دو خصوصیات جان لینا مفید ہے۔ دو چینل والی ریکارڈنگ، جس میں ایجنٹ بائیں اور کسٹمر دائیں ہو، ٹرانسکرپشن کے وقت ایک چینل میں مکس ہو جاتی ہے، اس لیے اسپیکرز کو ان کی آوازوں سے الگ کیا جاتا ہے، چینل سے نہیں۔ اور تنگ بینڈ والی فون لائن تقریباً 3.4 kHz سے اوپر کچھ نہیں لے جاتی، جس سے وہ حصہ کم ہو جاتا ہے جو دو آوازوں کو مختلف بناتا ہے؛ چھوٹی، ایک دوسرے پر چڑھتی باریاں (“yes”، “mm-hm”، “sorry, go on”) وہ جگہ ہیں جہاں لیبلز سب سے زیادہ غلط ہوتے ہیں۔
summary اور title آن ہوں تو ٹرانسکرپٹ حتمی ہونے کے بعد ہر کال کو ایک ٹائٹل اور چند جملے ملتے ہیں کہ وہ کس بارے میں تھی۔ یہی ٹکٹ میں جاتا ہے، تاکہ اگلے ایجنٹ کو کچھ کھولے بغیر تاریخ معلوم ہو۔ خلاصہ ٹرانسکرپٹ کے بعد لکھا جاتا ہے، اس لیے اسے GET /v1/transcriptions/{id}/summary سے پڑھیں اور جب تک اس کا state pending ہو انتظار کریں:
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);
}
جب state ready ہو تو title اور summary میں متن ہوتا ہے۔ ایک منٹ سے چھوٹی ریکارڈنگ کو کبھی خلاصہ نہیں ملتا (not_requested)، جو وائس میل کے لیے اہم ہے: زیادہ تر وائس میلز اتنے مختصر ہوتے ہیں کہ ٹرانسکرپٹ خود ہی اپنا خلاصہ ہے۔ جو کال summary کے بغیر بنی ہو اسے بعد میں POST /v1/transcriptions/{id}/summarize سے خلاصہ دیا جا سکتا ہے۔ خلاصے ہر پلان میں بغیر اضافی لاگت کے شامل ہیں۔
GET /v1/transcriptions/{id}/export سات فارمیٹس میں سے کسی ایک میں فائل لوٹاتا ہے: json، xlsx، pdf، srt، vtt، txt یا md۔ ہر ایکسپورٹ میں اصلاحات اور آپ کے دیے ہوئے اسپیکر نام شامل ہوتے ہیں۔ سپورٹ ٹیم کے لیے ان میں سے دو زیادہ تر کام کرتے ہیں۔
آپ کے اپنے کوڈ کے لیے JSON۔ JSON ایکسپورٹ میں کال کا name، language، durationS ہوتا ہے اور، summary=true کے ساتھ، اس کا summary، پھر segments: ہر لائن کی ایک اندراج، جس میں سیکنڈوں میں start اور end، speaker، speakerName، text، ایک confidence، یہ کہ لائن corrected تھی یا نہیں، اور اپنے وقت کے ساتھ words ہیں۔ یہ اسکرپٹ کے لیے کافی ہے کہ CRM نوٹ بنا لے (ٹائٹل، خلاصہ، ایجنٹ کا نام، کال کا دورانیہ)، یا کسٹمر کی کہی ہوئی ہر لائن نکال لے۔
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.
جائزہ لینے والے کے لیے Excel۔ XLSX ایکسپورٹ میں Transcript شیٹ ہوتی ہے جس میں ہر لائن کی ایک قطار اور کالم #، Start، End، Start (s)، End (s)، Speaker، Text، Confidence اور Corrected ہوتے ہیں۔ summary=true کے ساتھ About شیٹ کال کے نام، زبان اور دورانیے کے ساتھ خلاصہ رکھتی ہے۔ QA لیڈ ایجنٹ کی قطاریں فلٹر کر سکتا ہے، اسکور یا تبصروں کے لیے کالم جوڑ سکتا ہے، اور ہر جائزے کے لیے ایک ورک بک رکھ سکتا ہے۔
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
ایک سے زیادہ زبانوں میں سپورٹ بھی اسی طرح چلتی ہے۔ ایکسپورٹ میں lang=en جوڑیں اور فائل انگریزی میں پڑھی جاتی ہے، ہر جملے کی ایک لائن، وہاں ترجمہ شدہ جہاں کال ہسپانوی یا پولش میں تھی؛ جو جائزہ لینے والا ایک زبان پڑھتا ہو وہ کئی زبانوں میں لی گئی کالز کو اسکور کر سکتا ہے۔ PDF ایکسپورٹ اس شخص کے لیے موزوں ہے جو پوری کال کاغذ پر پڑھنا چاہے، اسپیکرز اور ٹائم اسٹیمپس کے ساتھ۔
ایکسپورٹ کے بعد بھی ٹرانسکرپشن اکاؤنٹ میں رہتی ہے، اس لیے کالز ایک لائبریری بنتی جاتی ہیں۔ ٹیگز انہیں گروپ کرتے ہیں: POST /v1/tags سے ہر قطار یا ٹیم کے لیے ایک بنائیں، پھر POST /v1/tags/{id}/transcriptions سے اسے ٹرانسکرپشنز پر لگائیں۔
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
پھر GET /v1/search ہر کال میں کہی گئی بات تلاش کرتا ہے، ٹیگ اور تاریخ سے محدود: اس مہینے بلنگ قطار کی ہر وہ کال جس میں کسی نے “cancel” کہا، ہر نتیجہ اپنی کال اور اس سیکنڈ کے ساتھ جب وہ کہا گیا۔
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
اوپر کی ہر بات کوڈ کے بغیر بھی چلتی ہے۔ Transcriptions → New پر اپ لوڈ کی گئی فائل اپنے صفحے سے لیبل، خلاصہ اور ایکسپورٹ ہوتی ہے، اسپیکرز Speakers کے تحت محفوظ ہوتے ہیں، اور ٹیگز اور سرچ Transcriptions کی فہرست میں ہیں۔
کچھ کمیاں کچھ بھی سیٹ اپ کرنے سے پہلے جان لینے کے قابل ہیں۔
ریٹینشن پلان پر منحصر ہے؛ قیمتوں کا صفحہ دکھاتا ہے کہ ہر ایک پر آڈیو اور ٹرانسکرپشنز کتنی دیر رکھی جاتی ہیں۔ ٹرانسکرپشن کو آرکائیو کیا جا سکتا ہے، اور آرکائیو شدہ کو POST /v1/transcriptions/{id}/purge سے حذف کیا جا سکتا ہے، جو اسے اور اس کے اندر سب کچھ ہمیشہ کے لیے مٹا دیتا ہے۔
لانچ قیمتوں پر ریکارڈ شدہ کالز $0.20 فی گھنٹہ آڈیو ہیں، فی سیکنڈ کے حساب سے بل شدہ ($0.0033 فی منٹ)، استعمال کے مطابق ادائیگی پر ہر ٹرانسکرپشن کے لیے 5 منٹ کی کم از کم حد کے ساتھ (Premium یا Enterprise پر کوئی نہیں)۔ موجودہ ریٹس قیمتوں کے صفحے پر ہیں۔ اسپیکر لیبلز، اسپیکر کو نام دینا، خلاصے، تراجم اور ایکسپورٹس بل میں کبھی کچھ نہیں جوڑتے۔
سپورٹ کالز اکثر مختصر ہوتی ہیں، اس لیے سپورٹ ٹیم کے بل کا فیصلہ ریٹ سے زیادہ کم از کم حد کرتی ہے۔ استعمال کے مطابق ادائیگی پر:
Premium اور Enterprise پر کوئی کم از کم حد نہیں، اس لیے ہر کال اپنے ہی سیکنڈوں کے حساب سے بل ہوتی ہے: 40 سیکنڈ کے وائس میل کی لاگت تقریباً ایک سینٹ کا پانچواں حصہ ہے، اور تین منٹ کی 1,000 کالز کی تقریباً $10۔ جو ٹیم زیادہ تر مختصر کالز لیتی ہے اسے دونوں کا موازنہ اپنی کالز کے دورانیوں پر کرنا چاہیے۔
لانچ قیمتوں پر، جو ٹیم ماہانہ اوسطاً 8 منٹ کی 2,000 کالز ریکارڈ کرتی ہے وہ 16,000 منٹ آڈیو بھیجتی ہے: Premium پر ماہانہ تقریباً $53 کا کریڈٹ، خلاصوں اور اسپریڈشیٹس سمیت۔ استعمال کے مطابق ادائیگی پر 5 منٹ سے چھوٹی ہر کال اس میں اضافہ کرتی ہے۔
لائیو ٹرانسکرپشن زیادہ مہنگی ہے (لانچ قیمتوں پر $0.60 فی گھنٹہ)، کیونکہ یہ کال کے ساتھ ساتھ چلتی ہے؛ اگر کال کے دوران کسی کو الفاظ کی ضرورت نہیں تو ریکارڈنگ بعد میں ٹرانسکرائب کریں۔ نیا اکاؤنٹ ایک بار کے سائن اپ کریڈٹ کے ساتھ شروع ہوتا ہے اور کارڈ درکار نہیں، اس لیے اوپر کے مراحل کچھ بھی خریدنے سے پہلے آپ کی اپنی کالز کے ایک بیچ پر آزمائے جا سکتے ہیں۔