Một bản phiên âm phân biệt được các giọng nói nhưng không thể biết giọng nào là nhân viên. Hãy lưu mỗi nhân viên một lần, từ một cuộc gọi của chính họ, và mọi cuộc gọi sau đó sẽ trả về với tên nhân viên, bản tóm tắt ở trên cùng và bảng tính sẵn sàng cho QA.
Một trưởng nhóm QA xem lại các cuộc gọi hỗ trợ bằng cách nghe chỉ xử lý được vài cuộc mỗi ngày, và một cuộc gọi bảy phút mất bảy phút dù bạn bấm nhanh đến đâu. Đọc dưới dạng văn bản, cũng cuộc gọi đó chỉ khoảng một nghìn từ, một trang, và một trang thì có thể lướt qua, tìm kiếm và dán vào phiếu hỗ trợ. Phiên âm cuộc gọi chăm sóc khách hàng biến các bản ghi mà hệ thống điện thoại của bạn đã lưu thành những trang đó. Ba điều quyết định những trang ấy có dùng được không: mỗi dòng có cho biết ai nói, nhân viên hay khách hàng; cuộc gọi có đi kèm một bản tóm tắt ngắn về điều đã hỏi và điều đã thống nhất không; và kết quả có đến được nơi nhóm làm việc không, một ghi chú CRM hay một bảng tính QA.
Bài viết này đi qua quy trình đó với VocalStack: các cuộc gọi đã ghi âm được gửi qua API, nhân viên được nhận ra theo tên, một bản tóm tắt được viết cho mỗi cuộc gọi, và xuất ra JSON và Excel. Bài cũng nói thẳng những gì VocalStack không làm cho một nhóm hỗ trợ, vì một số điều trong đó quan trọng trước khi tải cuộc gọi đầu tiên lên.
Phần lớn hệ thống điện thoại và trung tâm liên lạc có thể xuất bản ghi cuộc gọi thành tệp âm thanh, hoặc cung cấp liên kết tải xuống cho từng bản. Cách nào cũng được. POST /v1/transcriptions nhận một tệp dưới dạng tải lên multipart, hoặc một nội dung JSON có url mà máy chủ tự tải. Hướng dẫn về tệp trình bày chi tiết lệnh gọi này; với cuộc gọi, những cài đặt sau quan trọng, tất cả nằm trong settings:
speakerLabels: đặt thành on, để mọi dòng của cuộc gọi hai người đều có người nói. Mặc định, When Needed (auto), chỉ gắn nhãn dòng khi nghe thấy người nói thứ hai, phù hợp với một bài giảng hơn là một cuộc gọi.summary và title: cả hai đều tắt trừ khi bạn yêu cầu. Khi bật, một tiêu đề và bản tóm tắt ngắn được viết cho cuộc gọi sau khi nó được phiên âm.spokenLanguage: hãy chỉ định khi bạn biết, như ở một hàng đợi chỉ nhận cuộc gọi bằng một ngôn ngữ. Bỏ qua thì ngôn ngữ được tự phát hiện, trong số 100.Lượt tải lên trả lời ngay với một id phiên âm; các từ đến sau một lúc. Hãy gửi Idempotency-Key với mỗi lần tải lên: thử lại với cùng khóa và nội dung trong vòng 24 giờ sẽ trả về phiên âm đầu tiên thay vì tạo, và tính phí, một phiên âm thứ hai. Id của chính cuộc gọi từ hệ thống điện thoại của bạn là một khóa tự nhiên.
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 ?? ''}`);
Bản ghi của cả một đêm có thể được tải lên trong một vòng lặp. Mỗi gói đặt ra số phiên âm chạy cùng lúc, và một tệp vượt quá con số đó không bị từ chối: nó được tạo, chờ ở trạng thái queued, và tự bắt đầu khi một tệp trước đó kết thúc. Giới hạn bạn có thể chạm tới là số phiên âm mà một tài khoản được bắt đầu qua API trong một giờ; số liệu của từng gói nằm trên trang bảng giá. Không có webhook, nên script của bạn thăm dò từng tác vụ cho đến khi xong, việc mà waitForJob làm giúp bạn.
Nhãn người nói đến từ phân tách người nói: bản ghi được chia thành các lượt, và các lượt được gom theo giọng. Kết quả trả về là "Speaker 1" và "Speaker 2". Hệ thống có thể phân biệt hai giọng, nhưng không có gì trong âm thanh cho biết giọng nào do bạn thuê. Phân tách người nói so với nhận dạng giọng nói giải thích cơ chế; với cuộc gọi hỗ trợ, câu trả lời thực tế là lưu mỗi nhân viên một lần.
Người nói đã lưu là một dấu giọng nói kèm tên. Khi nó đã tồn tại, mọi phiên âm mới trong tài khoản đều so sánh những giọng nghe được với các người nói đã lưu của bạn, và khi khớp thì tên được mang vào bản phiên âm. Tệp được so khớp tự động, nên các dòng của nhân viên đến với tên "Dana" thay vì "Speaker 1". Khách hàng vẫn được đánh số cho đến khi bạn đặt tên.
Hãy lấy dấu giọng nói từ một cuộc gọi của chính nhân viên, thay vì từ một bản ghi thực hiện ở bàn làm việc. Một giọng trên tai nghe trong phòng yên tĩnh và cũng giọng đó trên đường dây điện thoại có thể nghe ít giống nhau với máy hơn hai người khác nhau được ghi theo cùng một cách, và dấu giọng nói khớp nhất với âm thanh giống thứ nó được tạo ra từ đó. POST /v1/speakers/from-appearance lưu một người nói trực tiếp từ một phiên âm, dùng các đoạn nói của chính người đó trong cuộc gọi làm mẫu. appearance là chỉ số speaker mà các dòng của họ mang.
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
Lưu người nói theo cách này chỉ giữ lại dấu giọng nói, từ ít nhất 5 giây lời nói của họ; một cuộc gọi mà nhân viên nói một phút trở lên cho dấu ổn định hơn. Nhân bản giọng nói là một bước riêng cần sự đồng ý của người đó, và quy trình hỗ trợ không có nhu cầu dùng đến nó.
Từ đó, bản phiên âm của một cuộc gọi đã xong cho bạn biết ai được nhận ra. GET /v1/transcriptions/{id}/transcript liệt kê speakers, và một người nói khớp với người đã lưu có identified: true cùng tên đã lưu. Những người còn lại có thể đặt tên bằng một lệnh gọi mỗi người, PUT /v1/transcriptions/{id}/appearances/{number}, trong đó number là số hiển thị của người nói. Tên được lưu trên phiên âm, nên mọi bản xuất sau đó đọc "Customer" thay vì một con số.
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');
}
Hãy coi "mọi người không được nhận ra đều là khách hàng" là quy tắc kinh nghiệm và kiểm tra nó trên các cuộc gọi của chính bạn. Chuyển cuộc gọi đưa vào một nhân viên thứ hai, một lời nhắc menu được ghi sẵn có thể bị nghe như một giọng riêng, và một nhân viên chưa được lưu trông hệt như một khách hàng. Cũng cần lưu ý phép so sánh bị giới hạn thế nào: mỗi phiên âm được so với 64 người nói đã lưu được cập nhật gần đây nhất trong tài khoản, nên một nhóm lớn hơn con số đó không nên trông chờ mọi nhân viên đều được nhận ra trong mọi cuộc gọi.
Có hai đặc tính của âm thanh điện thoại đáng biết trước khi bạn đánh giá các nhãn. Bản ghi hai kênh, với nhân viên ở bên trái và khách hàng ở bên phải, được trộn xuống một kênh khi phiên âm, nên người nói được tách theo giọng, không phải theo kênh. Và đường dây điện thoại băng tần hẹp không truyền gì trên khoảng 3.4 kHz, làm mất một phần những gì khiến hai giọng khác nhau; các lượt ngắn chồng lên nhau ("yes", "mm-hm", "sorry, go on") là nơi nhãn sai nhiều nhất.
Với summary và title được bật, mỗi cuộc gọi nhận một tiêu đề và vài câu về nội dung của nó khi bản phiên âm đã chốt. Đó là thứ đi vào phiếu hỗ trợ, để nhân viên tiếp theo biết lịch sử mà không phải mở gì cả. Bản tóm tắt được viết sau bản phiên âm, nên hãy đọc nó bằng GET /v1/transcriptions/{id}/summary và đợi khi state của nó còn là 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);
}
Khi state là ready, title và summary chứa văn bản. Một bản ghi ngắn hơn một phút không bao giờ có bản tóm tắt (not_requested), điều quan trọng với hộp thư thoại: hầu hết tin nhắn thoại đủ ngắn để chính bản phiên âm là bản tóm tắt của nó. Một cuộc gọi thực hiện không có summary có thể được thêm bản tóm tắt sau bằng POST /v1/transcriptions/{id}/summarize. Bản tóm tắt được bao gồm trong mọi gói mà không tính thêm phí.
GET /v1/transcriptions/{id}/export trả về một tệp ở một trong bảy định dạng: json, xlsx, pdf, srt, vtt, txt hoặc md. Mọi bản xuất đều bao gồm các lần sửa và tên người nói bạn đã đặt. Với một nhóm hỗ trợ, hai trong số đó làm phần lớn công việc.
JSON cho mã của chính bạn. Bản xuất JSON có name, language, durationS của cuộc gọi và, với summary=true, cả summary, rồi segments: một mục cho mỗi dòng, với start và end tính bằng giây, speaker, speakerName, text, một confidence, dòng đó có được corrected không, và các words với thời điểm riêng. Như vậy là đủ để một script dựng ghi chú CRM (tiêu đề, bản tóm tắt, tên nhân viên, độ dài cuộc gọi), hoặc lấy ra mọi dòng khách hàng đã nói.
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 cho người xem lại. Bản xuất XLSX có một trang tính Transcript với mỗi dòng phiên âm là một hàng và các cột #, Start, End, Start (s), End (s), Speaker, Text, Confidence và Corrected. Với summary=true, trang tính About chứa bản tóm tắt bên cạnh tên, ngôn ngữ và độ dài của cuộc gọi. Một trưởng nhóm QA có thể lọc ra các hàng của nhân viên, thêm một cột cho điểm hoặc nhận xét, và giữ một sổ làm việc cho mỗi lần xem xét.
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
Hỗ trợ bằng nhiều ngôn ngữ hoạt động theo cùng cách. Thêm lang=en vào bản xuất và tệp được đọc bằng tiếng Anh, mỗi câu một dòng, được dịch ở những chỗ cuộc gọi bằng tiếng Tây Ban Nha hoặc tiếng Ba Lan; một người xem lại chỉ đọc một ngôn ngữ vẫn có thể chấm điểm các cuộc gọi thực hiện bằng nhiều ngôn ngữ. Bản xuất PDF phù hợp với người muốn đọc cả cuộc gọi trên giấy, kèm người nói và mốc thời gian.
Một phiên âm vẫn ở trong tài khoản sau khi đã xuất, nên các cuộc gọi dần thành một thư viện. Thẻ gom chúng lại: tạo một thẻ cho mỗi hàng đợi hoặc nhóm bằng POST /v1/tags, rồi gắn nó lên các phiên âm bằng 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 sau đó tìm những gì đã được nói trong mọi cuộc gọi, thu hẹp theo thẻ và ngày: mọi cuộc gọi của hàng đợi thanh toán trong tháng này mà ai đó nói "cancel", mỗi kết quả kèm cuộc gọi của nó và giây mà câu đó được nói.
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
Mọi thứ trên cũng dùng được mà không cần mã. Một tệp tải lên tại Transcriptions → New được gắn nhãn, tóm tắt và xuất từ trang của nó, người nói được lưu trong Speakers, còn thẻ và tìm kiếm nằm trong danh sách Transcriptions.
Một số khoảng trống đáng biết trước khi thiết lập bất cứ thứ gì.
Thời gian lưu trữ phụ thuộc vào gói; trang bảng giá cho biết âm thanh và phiên âm được giữ bao lâu ở từng gói. Một phiên âm có thể được lưu trữ, và một phiên âm đã lưu trữ có thể bị xóa hẳn bằng POST /v1/transcriptions/{id}/purge, lệnh này xóa nó cùng mọi thứ trong đó vĩnh viễn.
Với giá ra mắt, các cuộc gọi đã ghi âm là $0.20 cho mỗi giờ âm thanh, tính theo giây ($0.0033 một phút), với mức tối thiểu 5 phút cho mỗi phiên âm ở gói Trả theo mức dùng (không có ở Premium hay Enterprise). Mức giá hiện hành nằm trên trang bảng giá. Nhãn người nói, đặt tên người nói, bản tóm tắt, bản dịch và bản xuất không bao giờ làm tăng hóa đơn.
Cuộc gọi hỗ trợ thường ngắn, nên mức tối thiểu quyết định phần lớn hóa đơn của một nhóm hỗ trợ hơn là đơn giá. Ở gói Trả theo mức dùng:
Ở Premium và Enterprise không có mức tối thiểu, nên mỗi cuộc gọi được tính theo số giây của chính nó: tin nhắn thoại 40 giây tốn khoảng một phần năm xu, và 1,000 cuộc gọi ba phút khoảng $10. Một nhóm chủ yếu nhận cuộc gọi ngắn nên so sánh hai gói trên độ dài cuộc gọi của chính họ.
Với giá ra mắt, một nhóm ghi âm 2,000 cuộc gọi mỗi tháng, trung bình 8 phút, gửi 16,000 phút âm thanh: khoảng $53 tín dụng mỗi tháng ở Premium, đã bao gồm bản tóm tắt và bảng tính. Ở gói Trả theo mức dùng, mỗi cuộc gọi dưới 5 phút làm con số đó tăng thêm.
Phiên âm trực tiếp tốn nhiều hơn ($0.60 một giờ với giá ra mắt), vì nó theo kịp nhịp cuộc gọi; nếu không ai cần các từ trong lúc gọi, hãy phiên âm bản ghi sau đó. Tài khoản mới bắt đầu với một khoản tín dụng đăng ký dùng một lần và không cần thẻ, nên có thể thử các bước trên với một loạt cuộc gọi của chính bạn trước khi mua bất cứ thứ gì.