---
title: "Transkripsi rekaman call center: pipeline dengan kode"
description: "Pisahkan panggilan stereo per kanal, potong giliran bicara, transkripsikan bahasa Arab dan Inggris, samarkan PII, lalu ringkas dengan LLM. Kode Python dan biaya."
url: https://broadrouter.com/id/blog/transcribe-call-center-recordings/
lang: id
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan dari bahasa Inggris dengan bantuan AI. [Baca versi asli bahasa Inggris](https://broadrouter.com/blog/transcribe-call-center-recordings/) (diperbarui 2026-11-14).

# Cara transkripsi rekaman call center: pipeline siap bahasa Arab

Oleh tim BroadNet Inference · 4 menit baca · Dipublikasikan 2026-11-14

Untuk mentranskripsi rekaman call center, pisahkan file stereo menjadi kanal agen dan pelanggan, potong setiap kanal menjadi giliran bicara, transkripsikan setiap giliran dengan kode bahasa yang tepat, lalu gabungkan giliran berdasarkan waktu mulai. Samarkan nomor kartu dan nomor telepon dari transkrip sebelum LLM meringkas panggilan. Rekaman mono memerlukan langkah diarization terpisah.

## Poin penting

-   Sebagian besar perekam panggilan menyimpan agen dan pelanggan di kanal stereo terpisah. Memisahkannya memberi label pembicara yang sempurna tanpa diarization.
-   Memotong setiap kanal di titik hening memberi Anda urutan giliran dan menghindari membayar untuk keheningan.
-   Normalkan digit Arab Timur sebelum penyamaran, atau nomor kartu dan telepon akan lolos.
-   Samarkan transkrip sebelum tahap ringkasan, dan minta LLM menghasilkan JSON terstruktur.
-   Dengan harga $0.0042 per menit, transkripsi 1.000 jam percakapan bahasa Arab menelan biaya $252.00.

**Di halaman ini**

1.  Langkah 1: rekamannya stereo atau mono?
2.  Langkah 2: bagaimana memisahkan kanal stereo dengan ffmpeg?
3.  Langkah 3: bagaimana memotong setiap kanal menjadi giliran bicara?
4.  Langkah 4: bagaimana mentranskripsi setiap giliran?
5.  Langkah 5: bagaimana menggabungkan giliran menjadi dialog?
6.  Bagaimana dengan rekaman mono?
7.  Langkah 6: bagaimana menyamarkan PII, termasuk digit Arab?
8.  Langkah 7: bagaimana meringkas setiap panggilan dengan LLM?
9.  Pengecekan kualitas apa yang perlu dilakukan sebelum analitik?
10.  Berapa biaya transkripsi panggilan?
11.  Posisi BroadNet Inference

_[image: 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.

Sebuah call center menghasilkan ribuan jam audio setiap bulan, dan hampir tidak ada yang dibaca. Transkrip membuat panggilan bisa dicari. Ringkasan membuatnya bisa ditinjau. Artikel ini membangun pipeline-nya dari awal sampai akhir, dengan sudut pandang bahasa Arab: dialek, campuran bahasa Arab dan Inggris, serta digit Arab Timur.

Langkah-langkahnya:

1.  Periksa rekaman: stereo atau mono?
2.  Pisahkan stereo menjadi kanal agen dan pelanggan.
3.  Potong setiap kanal menjadi giliran bicara.
4.  Transkripsikan setiap giliran dengan bahasa yang tepat.
5.  Gabungkan giliran menjadi dialog berdasarkan waktu mulai.
6.  Samarkan PII dari teks.
7.  Ringkas dengan LLM menjadi field terstruktur.

## Langkah 1: rekamannya stereo atau mono?

```bash
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
```

Banyak perekam contact center menyimpan agen di satu kanal dan pelanggan di kanal lainnya. [Panduan contact center AssemblyAI](https://www.assemblyai.com/docs/contact-center-best-practices) menyampaikan hal yang sama: dengan kanal terpisah, Anda mendapat pemisahan pembicara tanpa diarization. Cek sisi mana milik siapa pada beberapa panggilan; agen tidak selalu di kanal kiri.

## Langkah 2: bagaimana memisahkan kanal stereo dengan ffmpeg?

```bash
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
```

Filter `pan` mempertahankan satu kanal, dan `-ar 16000` melakukan resample ke 16 kHz, format yang dipakai dokumentasi BroadNet untuk rekaman telepon.

## Langkah 3: bagaimana memotong setiap kanal menjadi giliran bicara?

Ini bentuk sederhana dari [voice activity detection (VAD)](https://broadrouter.com/id/glossary/vad/). Mengirim setiap kanal secara utuh memang bisa, tetapi Anda membayar setiap detik keheningan selama pihak lain berbicara, yang kira-kira melipatgandakan tagihan pada panggilan stereo. Urutan giliran juga hilang. Memotong di titik hening menyelesaikan keduanya:

```python
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
```

Sesuaikan `noise` dengan rekaman Anda sendiri: saluran yang berisik butuh ambang lebih tinggi seperti `-30dB`.

## Langkah 4: bagaimana mentranskripsi setiap giliran?

```python
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
```

Selalu kirim `language`. Tanpa itu, bahasa Arab bisa kembali dalam huruf Latin. Untuk antrean berbahasa Inggris, pakai `broadnet/cohere-transcribe` dengan `language="en"`. Jaga worker pool tetap kecil: kunci bayar sesuai pemakaian mengizinkan 4 permintaan bersamaan dan 30 per menit, dan [panduan error dan retry](https://broadrouter.com/id/guides/errors-and-retries/) menunjukkan cara melakukan backoff saat menerima 429.

Setiap file harus di bawah 25 MiB. Monolog panjang dalam WAV mono 16 kHz (sekitar 32 KB per detik) melewati batas itu di sekitar 13 menit; pisahkan dengan `-f segment -segment_time 600`.

## Langkah 5: bagaimana menggabungkan giliran menjadi dialog?

```python
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"]))
```

Ucapan yang tumpang tindih muncul sebagai dua giliran dengan waktu mulai yang berdekatan, dan itulah yang diharapkan peninjau manusia.

## Bagaimana dengan rekaman mono?

Tanpa kanal terpisah, Anda memerlukan **[speaker diarization](https://broadrouter.com/id/glossary/diarization/)**: menentukan siapa berbicara kapan. Pilihannya:

| Pilihan | Caranya | Trade-off |
| --- | --- | --- |
| Diarization open source | Jalankan [pyannote.audio](https://github.com/pyannote/pyannote-audio) di server Anda, lalu transkripsikan setiap segmen pembicara | Anda meng-host model sendiri; audio tetap di tangan Anda |
| Provider dengan diarization bawaan | Beberapa API STT mengembalikan label pembicara; lihat [perbandingan harga](https://broadrouter.com/id/blog/speech-to-text-api-pricing-compared/) untuk biaya tambahannya | Satu vendor lagi di jalur data |
| Pelabelan peran dengan LLM | Transkripsikan giliran, lalu minta LLM melabeli setiap giliran sebagai Agen atau Pelanggan berdasarkan konteks | Murah; salah pada giliran yang pendek atau ambigu |
| Perbaiki di sumbernya | Ubah perekam menjadi dual-channel | Jawaban terbaik untuk jangka panjang |

BroadNet tidak mencantumkan diarization, jadi untuk audio mono, padukan dengan salah satu dari tiga pilihan pertama.

## Langkah 6: bagaimana menyamarkan PII, termasuk digit Arab?

Penelepon membacakan nomor kartu, IBAN, dan nomor telepon. Transkrip bisa menuliskannya dengan digit Barat (0-9) atau digit Arab Timur (٠-٩). Normalkan dulu, lalu samarkan:

```python
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
```

Angka juga bisa diucapkan sebagai kata (“خمسة أربعة…”), yang akan terlewat oleh regex. Ambil sampel transkrip secara manual dan tambahkan aturan untuk apa yang Anda temukan. Pendekatan yang lebih luas ada di [mengirim data sensitif ke API LLM](https://broadrouter.com/id/blog/llm-api-sensitive-data/).

## Langkah 7: bagaimana meringkas setiap panggilan dengan LLM?

```python
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 mendukung [output terstruktur](https://broadrouter.com/id/glossary/structured-output/); selalu parse dan validasi balasannya ([caranya](https://broadrouter.com/id/blog/structured-output-json-schema/)). Pengujian BroadNet sendiri juga menemukan model ini memahami dialek Teluk dan Mesir. Minta JSON berbahasa Inggris jika dashboard Anda berbahasa Inggris, meskipun panggilannya dalam bahasa Arab.

## Pengecekan kualitas apa yang perlu dilakukan sebelum analitik?

Dashboard yang dibangun di atas transkrip buruk terlihat sama meyakinkannya dengan dashboard yang dibangun di atas transkrip bagus. Tambahkan pengecekan berikut ke pipeline:

-   **Kanal tertukar.** Jika label agen dan pelanggan terbalik di perekam atau antrean tertentu, setiap metrik “agen mengatakan” jadi salah. Cek giliran pertama: agen biasanya membuka dengan salam dan nama perusahaan.
-   **Transkrip kosong atau sangat pendek.** Giliran yang tidak menghasilkan teks, atau panggilan dengan kurang dari 20 kata, biasanya berarti keheningan, musik tunggu, atau file rusak. Tandai, jangan diringkas.
-   **Bahasa tidak cocok.** Antrean berbahasa Inggris yang tiba-tiba menghasilkan teks Arab, atau bahasa Arab yang kembali dalam huruf Latin, menandakan nilai `language` yang salah.
-   **Ringkasan melenceng.** Setiap minggu, minta supervisor membandingkan 20 ringkasan dengan transkrip lengkapnya. Pantau seberapa sering `resolved` salah.

Simpan transkrip per giliran, bukan hanya ringkasannya. Saat sebuah ringkasan dipersoalkan, giliran-giliran itulah bukti Anda.

## Berapa biaya transkripsi panggilan?

Dengan pemotongan giliran, audio yang ditagih mendekati durasi bicara. Untuk 1.000 jam percakapan bahasa Arab:

-   Transkripsi: $252.00 dengan harga $0.0042 per menit di [BroadNet Transcribe Arabic](https://broadrouter.com/id/models/cohere-transcribe-arabic/), atau $120.00 di [BroadNet Transcribe](https://broadrouter.com/id/models/cohere-transcribe/) 14 bahasa untuk antrean berbahasa Inggris.
-   Ringkasan: panggilan 7 menit sering kali berjumlah beberapa ribu token. Hitung harganya di [kalkulator biaya API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) dengan panjang transkrip Anda yang sebenarnya, dan sisi audionya di [kalkulator biaya speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Posisi BroadNet Inference

BroadNet menangani langkah 4 dan 7 dengan satu kunci dan satu [base URL](https://broadrouter.com/id/glossary/base-url/): bahasa Arab dan 13 bahasa lain untuk transkripsi, serta model chat yang sudah diuji untuk bahasa Arab untuk ringkasannya. Audio, transkrip, dan prompt tidak disimpan ([zero data retention](https://broadrouter.com/id/privacy/)), dan BroadNet melaporkan model bahasa Arab-nya #2 dari 37 (angka September 2026; papan peringkat langsung mencantumkannya di #4 dari 39 pada 15 November 2026) di Open Universal Arabic ASR Leaderboard.

BroadNet tidak melakukan diarization, transkripsi real-time, atau penyamaran untuk Anda; semua itu tetap ada di pipeline Anda. Sebelum memutuskan, uji dialek Anda dengan metode di [pengenalan ucapan dialek Arab](https://broadrouter.com/id/blog/arabic-dialect-speech-recognition/).

Alat gratis untuk topik ini (bahasa Inggris)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Alat gratis (bahasa Inggris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

[Speech-to-text (ucapan ke teks)](https://broadrouter.com/id/glossary/speech-to-text/)

Speech-to-text, juga disebut automatic speech recognition (ASR), adalah teknologi yang mengubah audio ucapan menjadi teks tertulis. API speech-to-text menerima file atau stream audio dan mengembalikan transkrip, biasanya dihargai per menit audio. Akurasinya diukur dengan word error rate dan bervariasi menurut aksen, dialek, dan kualitas rekaman.

[Speaker diarization (diarisasi pembicara)](https://broadrouter.com/id/glossary/diarization/)

Speaker diarization adalah tugas membagi rekaman audio menjadi segmen per pembicara untuk menjawab "siapa berbicara kapan". Setiap potongan ucapan diberi label ID pembicara anonim seperti SPEAKER\_00, dan biasanya digabungkan dengan transkrip untuk menunjukkan siapa yang mengucapkan setiap baris.

[Voice activity detection (VAD)](https://broadrouter.com/id/glossary/vad/)

Voice activity detection (VAD) adalah tahap pemrosesan sinyal yang mengklasifikasikan frame audio pendek sebagai ucapan atau bukan ucapan. Sistem suara memakainya untuk melewati bagian hening, memecah rekaman panjang di jeda, mendeteksi kapan pembicara selesai, dan menghindari transkripsi noise latar.

[Bayar sesuai pemakaian (pay-as-you-go)](https://broadrouter.com/id/glossary/pay-as-you-go/)

Bayar sesuai pemakaian (pay-as-you-go) adalah model harga di mana Anda hanya membayar yang Anda pakai, dihitung per satuan seperti token, permintaan, atau menit audio, tanpa langganan atau komitmen minimum. Sebagian besar API LLM menagih dengan cara ini, dari saldo prabayar atau tagihan berkala.

[Konkurensi (concurrency)](https://broadrouter.com/id/glossary/concurrency/)

Konkurensi (concurrency) adalah jumlah permintaan yang sedang berjalan dari sebuah client pada saat yang sama. API LLM sering membatasinya per kunci atau per paket, terpisah dari batas permintaan per menit, karena setiap permintaan yang terbuka menahan kapasitas GPU sampai responsnya selesai.

[Base URL](https://broadrouter.com/id/glossary/base-url/)

Base URL adalah alamat root tetap sebuah API, seperti https://api.example.com/v1, yang ditempatkan client di depan setiap path endpoint, seperti /chat/completions. Di SDK yang kompatibel dengan OpenAI, mengganti base URL bersama kunci API dan ID model akan mengarahkan kode yang sama ke penyedia lain.

[PII (personally identifiable information)](https://broadrouter.com/id/glossary/pii/)

PII (personally identifiable information) adalah informasi yang bisa dipakai untuk membedakan atau melacak identitas seseorang, seperti nama, nomor identitas, atau data biometrik, ditambah informasi lain yang terkait atau bisa dikaitkan dengan orang tersebut. Istilah GDPR yang lebih luas adalah data pribadi. Dalam kerja LLM, redaksi PII menghapusnya dari prompt sebelum keluar dari sistem Anda.

[Tool calling (function calling)](https://broadrouter.com/id/glossary/tool-calling/)

Tool calling, disebut juga function calling, adalah fitur API LLM di mana model mengembalikan permintaan terstruktur untuk menjalankan fungsi yang didefinisikan developer, lengkap dengan argumen JSON. Aplikasi yang menjalankan fungsi itu dan mengirim hasilnya kembali; model tidak pernah menjalankan kode sendiri.

## Pertanyaan umum

### Bagaimana memisahkan agen dan pelanggan dalam rekaman panggilan?

Jika rekamannya stereo, agen dan pelanggan biasanya berada di kanal berbeda. Pisahkan dengan ffmpeg dan transkripsikan setiap kanal secara terpisah. Jika mono, Anda memerlukan speaker diarization.

### Apakah saya membayar dua kali jika mentranskripsi kedua kanal stereo?

Jika Anda mengirim setiap kanal secara utuh, ya, karena setiap kanal sama panjangnya dengan panggilan. Memotong setiap kanal menjadi giliran bicara dan hanya mengirim gilirannya membuat audio yang ditagih mendekati durasi bicara yang sebenarnya.

### Bisakah saya mentranskripsi panggilan bahasa Arab yang bercampur kata bahasa Inggris?

Bisa, tetapi uji dulu. Agen di kawasan Teluk dan Levant sering beralih ke bahasa Inggris untuk nama produk dan angka. Cek bagaimana kata-kata itu muncul di 20 panggilan nyata sebelum Anda mengandalkan pencarian kata kunci atau analitik.

### Sebaiknya saya menyamarkan audio atau teks?

Samarkan transkrip teks sebelum masuk ke LLM, analitik, atau pencarian. Jika Anda menyimpan audionya, audio itu tetap berisi angka yang diucapkan, jadi batasi akses dan masa simpan audio juga.

### Berapa panjang maksimal setiap file audio?

BroadNet menerima WAV atau MP3 hingga 26.214.400 byte (25 MiB) per permintaan. WAV mono 16 kHz sekitar 32 KB per detik, jadi jaga setiap segmen di bawah sekitar 13 menit, atau pakai MP3.

## Baca juga

-   [Notulen rapat bahasa Arab dari rekaman: pipeline berbasis API](https://broadrouter.com/id/blog/arabic-meeting-minutes-from-recordings/)
-   [Transkripsi audio panjang di atas 25 MB: pecah, kirim, gabungkan](https://broadrouter.com/id/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text bahasa Arab: cara memilihnya di 2026](https://broadrouter.com/id/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Mengirim data sensitif ke API LLM: redaksi, minimalkan, kurangi log](https://broadrouter.com/id/blog/llm-api-sensitive-data/)
-   [Speech recognition dialek Arab: Teluk, Mesir, Levant, Maghribi](https://broadrouter.com/id/blog/arabic-dialect-speech-recognition/)
-   [Perbandingan harga API speech-to-text: harga per menit di 2026](https://broadrouter.com/id/blog/speech-to-text-api-pricing-compared/)
-   [Menambahkan harakat ke teks Arab dengan LLM: prompt, cek, DER](https://broadrouter.com/id/blog/arabic-diacritization-llm/)
-   [Koreksi tata bahasa dan ejaan Arab dengan LLM: panduan praktis](https://broadrouter.com/id/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: API speech-to-text bahasa Arab, langkah demi langkah](https://broadrouter.com/id/guides/arabic-speech-to-text-api/)
-   [Panduan: Kode error BroadNet Inference dan kapan harus mencoba ulang](https://broadrouter.com/id/guides/errors-and-retries/)

Coba dengan beban kerja Anda yang sebenarnya. Akun baru mendapat kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM, dan Qwen3.8 memerlukan top up.

[Mulai](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-transcribe-call-center-recordings&utm_content=page-cta) ·

**Sumber**

-   [Dokumentasi filter FFmpeg (pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, praktik terbaik contact center (audio multikanal)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, speaker diarization open source](https://github.com/pyannote/pyannote-audio)
-   [Referensi API BroadNet Inference, transkripsi dan batasan (bahasa Inggris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-transcribe-call-center-recordings&utm_content=sources)
-   [Harga BroadNet Inference yang dapat dibaca mesin (pricing.json) (bahasa Inggris)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=id-blog-transcribe-call-center-recordings&utm_content=sources)
