BroadRouter

Transcrire les enregistrements d’un centre d’appels, arabe compris

Par l’équipe BroadNet Inference · 4 min de lecture · Publié

Pour transcrire les enregistrements d’un centre d’appels, séparez les fichiers stéréo en canal agent et canal client, découpez chaque canal en tours de parole, transcrivez chaque tour avec le bon code de langue, puis fusionnez les tours par heure de début. Masquez les numéros de carte et de téléphone dans la transcription avant qu’un LLM ne résume l’appel. Les enregistrements mono demandent une étape de diarisation séparée.

A support agent with a headset beside a screen showing a call transcript, with the text "Every call becomes insight."
Illustration of an app you could build; not a BroadNet product screenshot.

Un centre d’appels produit des milliers d’heures d’audio par mois, et presque rien n’en est jamais lu. Les transcriptions rendent les appels consultables. Les résumés permettent de les passer en revue. Cet article construit le pipeline de bout en bout, sous un angle arabe : dialectes, arabe et anglais mêlés, et chiffres arabes orientaux.

Les étapes :

  1. Examiner l’enregistrement : stéréo ou mono ?
  2. Séparer la stéréo en canal agent et canal client.
  3. Découper chaque canal en tours de parole.
  4. Transcrire chaque tour avec la bonne langue.
  5. Fusionner les tours en dialogue par heure de début.
  6. Masquer les PII dans le texte.
  7. Résumer avec un LLM en champs structurés.

Étape 1 : l’enregistrement est-il en stéréo ou en mono ?

ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6   -> stereo, 8 kHz telephone audio, 6.9 minutes

Beaucoup d’enregistreurs de centres de contact stockent l’agent sur un canal et le client sur l’autre. Le guide d’AssemblyAI pour les centres de contact fait la même remarque : avec des canaux séparés, vous obtenez la séparation des locuteurs sans diarisation. Vérifiez sur quelques appels quel côté correspond à qui ; l’agent n’est pas toujours à gauche.

Étape 2 : comment séparer les canaux stéréo avec ffmpeg ?

ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav

Le filtre pan conserve un seul canal, et -ar 16000 rééchantillonne en 16 kHz, le format qu’utilise la documentation de BroadNet pour les enregistrements téléphoniques.

Étape 3 : comment découper chaque canal en tours de parole ?

C’est une forme simple de détection d’activité vocale. Envoyer chaque canal en entier fonctionne, mais vous payez chaque seconde de silence pendant que l’autre partie parle, ce qui double à peu près la facture d’un appel stéréo. Vous perdez aussi l’ordre des tours. Découper aux silences règle les deux problèmes :

import re, subprocess

def speech_turns(wav, noise="-35dB", min_silence=0.6):
    """Return (start, end) seconds of speech, using ffmpeg silencedetect."""
    log = subprocess.run(
        ["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
        capture_output=True, text=True).stderr
    dur = float(subprocess.run(
        ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
        capture_output=True, text=True).stdout)
    starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
    ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
    turns, cursor = [], 0.0
    for s, e in zip(starts, ends + [dur]):
        if s - cursor > 0.4:
            turns.append((cursor, s))
        cursor = e
    if dur - cursor > 0.4:
        turns.append((cursor, dur))
    return turns

Réglez noise sur vos propres enregistrements : les lignes bruyantes demandent un seuil plus élevé, comme -30dB.

Étape 4 : comment transcrire chaque tour ?

import os, tempfile
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def transcribe_turns(wav, speaker, language="ar"):
    out = []
    for start, end in speech_turns(wav):
        with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
            subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
                            "-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
            with open(seg.name, "rb") as audio:
                text = client.audio.transcriptions.create(
                    model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
        out.append({"start": start, "speaker": speaker, "text": text.strip()})
    return out

Envoyez toujours language. Sans lui, l’arabe peut revenir en lettres latines. Pour les files en anglais, utilisez broadnet/cohere-transcribe avec language="en". Gardez un petit pool de workers : les clés en paiement à l’usage autorisent 4 requêtes simultanées et 30 par minute, et le guide des erreurs et nouvelles tentatives montre comment temporiser sur un 429.

Chaque fichier doit rester sous 25 Mio. Un long monologue en WAV mono 16 kHz (environ 32 Ko par seconde) dépasse cette limite vers 13 minutes ; découpez-le avec -f segment -segment_time 600.

Étape 5 : comment fusionner les tours en dialogue ?

turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))

Les paroles qui se chevauchent apparaissent comme deux tours aux heures de début proches, ce qu’attend un relecteur humain.

Et les enregistrements mono ?

Sans canaux, il vous faut une diarisation des locuteurs : déterminer qui a parlé quand. Les options :

Option Comment Compromis
Diarisation open source Exécuter pyannote.audio sur vos serveurs, puis transcrire chaque segment de locuteur Vous hébergez un modèle ; l’audio reste chez vous
Un fournisseur avec diarisation intégrée Plusieurs API STT renvoient des étiquettes de locuteur ; voir la comparaison des prix pour le coût des options Un fournisseur de plus sur le chemin des données
Étiquetage des rôles par LLM Transcrire les tours, puis demander à un LLM d’étiqueter chaque tour Agent ou Client d’après le contexte Peu coûteux ; se trompe sur les tours courts ou ambigus
Corriger à la source Passer l’enregistreur en double canal La meilleure solution à long terme

BroadNet ne propose pas de diarisation : sur de l’audio mono, associez-le donc à l’une des trois premières options.

Étape 6 : comment masquer les PII, chiffres arabes compris ?

Les appelants lisent à voix haute des numéros de carte, des IBAN et des numéros de téléphone. Les transcriptions peuvent les écrire en chiffres occidentaux (0-9) ou en chiffres arabes orientaux (٠-٩). Normalisez d’abord, puis masquez :

EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")

def redact(text):
    text = text.translate(EASTERN)
    text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
    text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
    text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
    return text

Les nombres peuvent aussi être prononcés en toutes lettres (« خمسة أربعة… »), ce qu’une regex ne verra pas. Relisez à la main un échantillon de transcriptions et ajoutez des règles pour ce que vous trouvez. L’approche générale est décrite dans envoyer des données sensibles à une API LLM.

Étape 7 : comment résumer chaque appel avec un LLM ?

import json
summary = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
                                      "reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
        {"role": "user", "content": redact(dialogue)},
    ],
).choices[0].message.content
print(json.loads(summary))

Qwen3.8 27B prend en charge la sortie structurée ; analysez et validez toujours la réponse (comment faire). Le test de BroadNet a aussi montré qu’il comprend les dialectes du Golfe et égyptien. Demandez du JSON en anglais si vos tableaux de bord sont en anglais, même quand l’appel est en arabe.

Quels contrôles qualité placer avant l’analytique ?

Des tableaux de bord construits sur de mauvaises transcriptions ont l’air aussi sûrs d’eux que ceux construits sur de bonnes. Ajoutez ces contrôles au pipeline :

  • Canaux inversés. Si les étiquettes agent et client sont inversées sur un enregistreur ou une file, toutes les métriques « l’agent a dit » sont fausses. Vérifiez le premier tour : les agents ouvrent généralement par une salutation et un nom d’entreprise.
  • Transcriptions vides ou minuscules. Un tour qui ne renvoie aucun texte, ou un appel de moins de 20 mots, signifie généralement du silence, une musique d’attente ou un fichier défectueux. Signalez-le au lieu de le résumer.
  • Langue incohérente. Une file anglaise qui produit soudain du texte arabe, ou de l’arabe renvoyé en lettres latines, indique une mauvaise valeur de language.
  • Dérive des résumés. Chaque semaine, demandez à un superviseur de comparer 20 résumés avec la transcription complète. Suivez la fréquence à laquelle resolved est faux.

Conservez les transcriptions par tour, pas seulement le résumé. Quand un résumé est contesté, les tours sont votre preuve.

Combien coûte la transcription d’appels ?

Avec le découpage en tours, la durée facturée est proche du temps de parole. Pour 1 000 heures de parole arabe :

Où se situe BroadNet Inference

BroadNet couvre les étapes 4 et 7 avec une seule clé et une seule URL de base : l’arabe et 13 autres langues pour la transcription, et des modèles de chat testés en arabe pour le résumé. L’audio, les transcriptions et les prompts ne sont pas conservés (conservation zéro des données), et BroadNet indique #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026) pour son modèle arabe sur l’Open Universal Arabic ASR Leaderboard.

Il ne fait pour vous ni la diarisation, ni la transcription en temps réel, ni le masquage : ces étapes restent dans votre pipeline. Avant de vous engager, testez vos dialectes avec la méthode de la reconnaissance vocale des dialectes arabes.

Questions fréquentes

Comment séparer l’agent et le client dans un enregistrement d’appel ?

Si l’enregistrement est en stéréo, l’agent et le client sont généralement sur des canaux différents. Séparez-les avec ffmpeg et transcrivez chaque canal à part. S’il est en mono, il vous faut une diarisation des locuteurs.

Est-ce que je paie deux fois si je transcris les deux canaux stéréo ?

Si vous envoyez chaque canal en entier, oui, car chaque canal dure autant que l’appel. Découper chaque canal en tours de parole et n’envoyer que ces tours rapproche la durée facturée du temps de parole réel.

Puis-je transcrire des appels en arabe mêlés de mots anglais ?

Oui, mais testez-le. Les agents du Golfe et du Levant passent souvent à l’anglais pour les noms de produits et les chiffres. Vérifiez comment ces mots ressortent sur 20 vrais appels avant de vous fier à la recherche par mot-clé ou à l’analytique.

Faut-il masquer l’audio ou le texte ?

Masquez la transcription texte avant qu’elle aille vers un LLM, l’analytique ou la recherche. Si vous conservez l’audio, il contient toujours les numéros prononcés : restreignez donc aussi l’accès à l’audio et fixez-lui une durée de conservation.

Quelle durée peut avoir chaque fichier audio ?

BroadNet accepte du WAV ou du MP3 jusqu’à 26 214 400 octets (25 Mio) par requête. Un WAV mono en 16 kHz fait environ 32 Ko par seconde : gardez donc les segments sous 13 minutes environ, ou utilisez du MP3.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity