Transcrever ligações de atendimento: o que dá certo e o que não dá

Ligação de suporte é um áudio bem-comportado. Duas pessoas, um assunto, duração entre três e vinte minutos, gravação sempre do mesmo jeito. Isso é uma vantagem grande: o pipeline que funciona na primeira ligação funciona nas próximas cem mil sem ajuste.

O que muda de um acervo de gravações para outro é uma decisão tomada antes da API: se o gravador guarda os dois lados separados ou misturados.

Duas faixas resolvem o problema mais difícil

Se a sua gravação tem o agente num canal e o cliente no outro, você não precisa de diarização. Separe os canais e transcreva cada um. A atribuição fica exata, por construção, e nenhum algoritmo pode competir com isso.

ffmpeg -i ligacao.wav -map_channel 0.0.0 agente.wav -map_channel 0.0.1 cliente.wav

Duas transcrições de uma ligação de dez minutos custam o mesmo que uma de vinte, porque a cobrança é por hora de áudio processada: US$ 0,03 por hora, sem o adicional de speakers. Sai mais barato que a mesma ligação com separação automática, e acerta mais.

Para juntar as duas na ordem certa, os timestamps de palavra são a chave: as duas transcrições compartilham o mesmo relógio, que é o começo do arquivo.

const turnos = [...agente.words.map((w) => ({ ...w, lado: "agente" })), ...cliente.words.map((w) => ({ ...w, lado: "cliente" }))].sort(
	(a, b) => a.start - b.start,
);

O erro mediano do timestamp fica entre 69 e 86 ms, então a intercalação sai na ordem certa mesmo em resposta rápida.

Uma faixa só, com speakers: 2

Quando a gravação vem misturada, aí sim é caso de diarização:

curl https://api.transcrevo.com/v1/transcripts \
  -H "Authorization: Bearer $TRANSCREVO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "uploadId": "0f3c2d11-8a4b-4c6e-b2d9-5e7f1a9c3b42",
    "speakers": 2,
    "language": "pt",
    "webhookUrl": "https://seu-servidor.com/hooks/transcrevo"
  }'

Aqui informar a contagem é seguro, porque numa ligação você sabe mesmo: são dois. Esse é um dos poucos casos em que dar o número exato é claramente melhor que deixar true decidir.

Os rótulos continuam anônimos: "A" e "B" são a primeira e a segunda voz. Descobrir qual é o agente costuma ser trivial na prática, porque quem abre a ligação com a saudação padrão é sempre o mesmo lado.

Onde erra, e por que importa mais aqui

Ligação de atendimento é feita de turno curto. "Pois não", "só um momento", "uhum", "isso mesmo", "consegue confirmar o CPF". E turno curto é exatamente onde a separação de falantes é pior:

Somado a isso, fala sobreposta tem DER de 14,8%, contra 4,6% no geral. Cliente irritado falando por cima do agente é o caso mais comum de sobreposição num acervo de suporte.

A consequência prática:

• Ler a ligação funciona. Explicação do problema, resposta do agente, encaminhamento: são blocos longos, e a atribuição acerta.
• Contar comportamento não funciona. Quantas vezes o agente interrompeu, quanto tempo cada lado ocupou, quem falou mais: essas métricas vivem do turno de dois segundos, e é ali que o acerto cai para dois terços. Se a sua avaliação de qualidade depende disso, o caminho é gravar em duas faixas, não escolher outro algoritmo.

Os números completos, com a metodologia, estão em precisão e qualidade, e o que a separação faz e não faz está em o que é diarização.

O glossário monta sozinho

Suporte é o caso em que o glossário por requisição rende mais, porque você já sabe do que a ligação vai tratar: o nome do cliente está no ticket, o do produto está no cadastro, as siglas internas são fixas.

{
	"uploadId": "0f3c2d11-…",
	"glossary": { "bertual": "Bertuol", "essetá": "SST", "plano prata": "Plano Prata" }
}

Até 100 entradas por requisição, aplicadas só naquele áudio. Nome próprio e sigla são o erro mais comum de qualquer transcrição, e num acervo de suporte eles são justamente o que a busca vai procurar depois. Os detalhes estão em como corrigir nome próprio errado.

O que a API não faz

Ela devolve texto com timestamps e, se você pedir, rótulo de falante. Não devolve resumo, sentimento, tema, nota de qualidade nem alerta de palavra proibida. Isso não é omissão de roadmap: é onde a linha foi traçada. O texto é o insumo, e a análise em cima dele é decisão do seu produto.

Também não existe transcrição ao vivo. O processamento é assíncrono: você cria, ela roda, e você recebe por consulta ou webhook. Supervisor acompanhando a ligação em tempo real não é um caso atendido por esta API.

Volume, retenção e a conta

Um centro de atendimento médio gera bastante áudio, então três coisas operacionais importam mais que no caso avulso.

O saldo. Sem crédito, novas transcrições são recusadas com 402 insufficient_balance e a fila para. Monitore available (que já desconta o que as transcrições em voo seguraram, não o total) ou ligue a recarga automática no painel.

Os tetos. 120 criações de transcrição por minuto. Um lote noturno destravando de uma vez encosta nisso; espalhe pela espera do Retry-After em vez de tentar de novo na hora.

A retenção. DELETE /v1/transcripts/{id} apaga o texto, as palavras e o áudio guardado. O registro de uso continua, porque é dele que sai a fatura, mas o conteúdo some e não tem como recuperar. Numa política de retenção de 90 dias, é um cron.

A conta: 1.000 horas de ligação custam US$ 30 sem separação de falantes e US$ 50 com. Acima de 10.000 horas transcritas pela conta, a tarifa cai sozinha para US$ 0,02. A tabela inteira está em preços e limites.