转录能分辨不同的声音,却不知道哪一个是坐席。把每位坐席用他们自己的一通电话保存一次,之后的每通电话都会带着坐席姓名、顶部的摘要和一份可直接用于质检的电子表格回来。
靠听录音来复核客服电话的质检负责人,一天只能听完寥寥几通,而一通七分钟的电话,无论点击多快,都要花七分钟。读成文字,同一通电话大约一千字,一页纸,一页纸可以快速浏览、搜索,也可以粘贴进工单。客服通话转录,就是把你的电话系统本来就保存的录音变成这样的页面。三件事决定这些页面有没有用:每一行是否标明了谁在说话,是坐席还是客户;通话是否附带一份简短摘要,说明问了什么、约定了什么;结果是否落在团队工作的地方,也就是 CRM 备注或质检电子表格里。
本文用 VocalStack 走一遍这套工作流:通过 API 提交通话录音、按姓名识别出坐席、为每通电话生成摘要,以及导出 JSON 和 Excel。文中也会直接说明 VocalStack 对客服团队不做什么,因为其中一些在上传第一通电话之前就值得了解。
大多数电话和联络中心系统可以把通话录音导出为音频文件,或者为每条录音提供下载链接。两种方式都可以。POST /v1/transcriptions 接受以 multipart 上传的文件,也接受带有 url 的 JSON 请求体,由服务器自己去获取。文件教程详细介绍了这个调用;对通话来说,以下这些设置很重要,都位于 settings 之内:
speakerLabels:设为 on,这样双人通话的每一行都带有说话人。默认值 When Needed(auto)只在听到第二位说话人后才给行加标签,这更适合讲座而不是通话。summary 和 title:除非你要求,否则两者都是关闭的。开启后,通话转录完成时会生成一个标题和一段简短摘要。spokenLanguage:知道语言时就指定,比如某个队列只接某一种语言的来电。省略则会在 100 种语言中自动检测。上传会立即返回转录 id;文字稍后才会生成。每次上传都请附带一个 Idempotency-Key:24 小时内使用相同的键和请求体重试,会返回第一次的转录,而不是新建并再次计费。你电话系统里这通电话自己的 id 就是天然的键。
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 ?? ''}`);
一整晚的录音可以在一个循环里全部上传。每个套餐规定了可同时运行的转录数量,超出该数量的文件不会被拒绝:它会被创建,处于 queued 状态等待,并在前面的转录结束时自动开始。你可能碰到的限制是一个账户每小时可通过 API 启动的转录数量;各套餐的具体数字见价格页面。没有 webhook,所以你的脚本需要轮询每个任务直到完成,waitForJob 会替你做这件事。
说话人标签来自说话人分离:录音被切分成一段段发言,再按声音归组。返回的结果是“Speaker 1”和“Speaker 2”。系统能分辨两个声音,但音频里没有任何信息说明哪一个是你雇的人。说话人分离与语音识别解释了其中的机制;对客服通话来说,实用的办法是把每位坐席保存一次。
已保存的说话人就是带有名字的声纹。一旦存在,账户中的每一次新转录都会把听到的声音与你已保存的说话人比对,匹配成功就会把名字带入转录文本。文件是自动匹配的,所以坐席的行会显示为“Dana”,而不是“Speaker 1”。客户保持编号,直到你给他们命名。
请从坐席自己的某一通电话中提取声纹,而不是从在办公桌前录的音。戴耳机在安静房间里的声音,和同一个人在电话线路上的声音,对机器来说可能比用同样方式录下的两个不同的人还要不像,而声纹与来源相似的音频匹配得最好。POST /v1/speakers/from-appearance 直接从一份转录保存说话人,用该说话人在通话中自己的片段作为样本。appearance 是他们的行所带的 speaker 索引。
await vs.speakers.createFromAppearance({ transcriptionId: tx.id, appearance: 0, name: 'Dana (Billing)' });
用这种方式保存说话人只会保留他们的声纹,取自至少 5 秒的语音;坐席讲了一分钟或更长的通话能得到更稳定的声纹。声音克隆是单独的一步,需要本人同意,而客服工作流用不到它。
此后,已完成通话的转录会告诉你识别出了谁。GET /v1/transcriptions/{id}/transcript 会列出 speakers,与已保存说话人匹配上的说话人带有 identified: true 和已保存的名字。其余的说话人可以各用一次调用命名,即 PUT /v1/transcriptions/{id}/appearances/{number},其中 number 是说话人的显示编号。命名保存在该转录上,因此之后的每一份导出都会显示“Customer”而不是编号。
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');
}
不妨把“所有没被识别的人都是客户”当作经验法则,并在你自己的通话上检验。转接会带来第二位坐席,录制的菜单语音可能被当成独立的一个声音,而尚未保存的坐席看起来与客户毫无区别。还要注意比对的范围是有限的:每份转录只与账户中最近更新的 64 位已保存说话人比对,所以更大的团队不应指望每位坐席在每通电话里都被识别出来。
在评判标签之前,有两点关于电话音频的特性值得了解。双声道录音(坐席在左、客户在右)在转录时会被混成单声道,所以说话人是靠声音而不是声道区分的。窄带电话线路无法传输约 3.4 kHz 以上的内容,这去掉了使两个声音各具特点的一部分;简短、重叠的发言(“yes”“mm-hm”“sorry, go on”)是标签最容易出错的地方。
开启 summary 和 title 后,转录定稿时每通电话都会得到一个标题和几句话,说明通话讲了什么。这就是要放进工单的内容,让下一位坐席无需打开任何东西就了解来龙去脉。摘要是在转录之后生成的,所以请用 GET /v1/transcriptions/{id}/summary 读取,并在其 state 为 pending 时等待:
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);
}
当 state 为 ready 时,title 和 summary 里就有文本了。短于一分钟的录音永远不会生成摘要(not_requested),这对语音信箱留言很重要:大多数留言都足够短,转录文本本身就是摘要。没有开启 summary 的通话,之后可以用 POST /v1/transcriptions/{id}/summarize 补上。摘要包含在所有套餐中,不另收费。
GET /v1/transcriptions/{id}/export 会返回七种格式之一的文件:json、xlsx、pdf、srt、vtt、txt 或 md。每种导出都包含修正和你命名的说话人姓名。对客服团队来说,其中两种承担了大部分工作。
给你自己代码用的 JSON。 JSON 导出包含通话的 name、language、durationS,在 summary=true 时还有它的 summary,然后是 segments:每行一条,带有以秒为单位的 start 和 end、speaker、speakerName、text、confidence、该行是否被 corrected,以及带有各自时间的 words。这足以让脚本构建一条 CRM 备注(标题、摘要、坐席姓名、通话时长),或者把客户说的每一行都提取出来。
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.
给复核人用的 Excel。 XLSX 导出有一个 Transcript 工作表,每行一条记录,列为 #、Start、End、Start (s)、End (s)、Speaker、Text、Confidence 和 Corrected。在 summary=true 时,About 工作表会把摘要与通话的名称、语言和时长放在一起。质检负责人可以筛选出坐席的行,添加一列用于打分或备注,并为每次复核保存一个工作簿。
curl -sSf "$API/v1/transcriptions/$TX/export?format=xlsx&summary=true" -H "$AUTH" -o ticket-48213.xlsx
多语言客服的做法完全相同。在导出请求中加上 lang=en,文件就会以英文呈现,每句一行,西班牙语或波兰语的通话会被翻译;只读一种语言的复核人也能为多种语言的通话打分。PDF 导出适合想在纸上通读整通电话的人,附有说话人和时间戳。
转录在导出之后仍保留在账户中,所以通话会逐渐积累成一个资料库。标签可以把它们分组:用 POST /v1/tags 为每个队列或团队创建一个,再用 POST /v1/tags/{id}/transcriptions 把它添加到转录上。
const billing = await vs.tags.create({ name: 'Billing queue' });
await vs.tags.tagTranscriptions(billing.id, { add: [tx.id] });
GET /v1/search 随后可以在所有通话中搜索说过的内容,并按标签和日期缩小范围:本月账单队列中有人说过“cancel”的每一通电话,每个结果都附有对应的通话和说出那句话的秒数。
curl -sSfG "$API/v1/search" -H "$AUTH" --data-urlencode "q=cancel" \
--data-urlencode "tag=Billing queue" --data-urlencode "createdAfter=2026-11-01"
以上所有操作也可以不写代码完成。在Transcriptions → New上传的文件,可以在它自己的页面上加标签、生成摘要并导出,说话人保存在Speakers下,标签和搜索则位于 Transcriptions 列表中。
在开始设置之前,有些缺口值得先了解。
保留期限取决于套餐;价格页面列出了各套餐保留音频和转录的时长。转录可以归档,已归档的转录可以用 POST /v1/transcriptions/{id}/purge 清除,它会永久删除该转录及其中的一切。
按上线时的价格,录制的通话每小时音频 $0.20,按秒计费(每分钟 $0.0033),在按量付费套餐下每次转录最少 5 分钟(Premium 和 Enterprise 没有最低限制)。当前费率见价格页面。说话人标签、说话人命名、摘要、翻译和导出都不会增加账单。
客服电话通常很短,所以对客服团队的账单而言,最低计费时长比费率影响更大。在按量付费套餐下:
Premium 和 Enterprise 没有最低计费时长,所以每通电话按各自的实际秒数计费:40 秒的语音留言约合五分之一美分,1,000 通三分钟的电话约 $10。主要处理短通话的团队,应该用自己的通话时长来比较这两种方案。
按上线时的价格,一个团队每月录制 2,000 通平均 8 分钟的电话,就是 16,000 分钟的音频:在 Premium 上每月约 $53 的额度,其中已包含摘要和电子表格。在按量付费套餐下,每通不足 5 分钟的电话都会让这个数字更高。
实时转录的费用更高(上线时为每小时 $0.60),因为它要跟上通话的节奏;如果没有人需要在通话期间看到文字,就在事后转录录音。新账户会获得一次性注册额度,无需绑定银行卡,所以你可以先用自己的一批通话试一试上面的各个步骤,再决定是否购买。