BroadRouter

Trascrivere le chiamate del call center: pipeline pronta per l’arabo

A cura del team di BroadNet Inference · 4 min di lettura · Pubblicato

Per trascrivere le registrazioni del call center, dividi i file stereo nei canali operatore e cliente, taglia ogni canale in turni di parlato, trascrivi ogni turno con il codice lingua giusto e poi unisci i turni per ora di inizio. Oscura numeri di carta e di telefono dalla trascrizione prima che un LLM riassuma la chiamata. Le registrazioni mono richiedono un passaggio di diarizzazione separato.

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 call center produce migliaia di ore di audio al mese, e quasi nessuna viene letta. Le trascrizioni rendono le chiamate ricercabili. I riassunti le rendono verificabili. Questo articolo costruisce la pipeline da capo a fondo, con un’attenzione particolare all’arabo: dialetti, arabo e inglese mescolati e cifre arabo-orientali.

I passaggi:

  1. Esamina la registrazione: stereo o mono?
  2. Dividi lo stereo nei canali operatore e cliente.
  3. Taglia ogni canale in turni di parlato.
  4. Trascrivi ogni turno con la lingua giusta.
  5. Unisci i turni in un dialogo per ora di inizio.
  6. Oscura i dati personali (PII) dal testo.
  7. Riassumi con un LLM in campi strutturati.

Passo 1: la registrazione è stereo o 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

Molti registratori dei contact center salvano l’operatore su un canale e il cliente sull’altro. La guida di AssemblyAI per i contact center dice la stessa cosa: con canali separati ottieni la separazione degli speaker senza diarizzazione. Verifica su qualche chiamata quale lato è quale; l’operatore non è sempre a sinistra.

Passo 2: come si dividono i canali stereo con 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

Il filtro pan mantiene un solo canale, e -ar 16000 ricampiona a 16 kHz, il formato che la documentazione di BroadNet usa per le registrazioni telefoniche.

Passo 3: come si taglia ogni canale in turni di parlato?

È una forma semplice di rilevamento dell’attività vocale. Inviare ogni canale intero funziona, ma paghi ogni secondo di silenzio mentre parla l’altra persona, il che su una chiamata stereo raddoppia più o meno il conto. Inoltre perdi l’ordine dei turni. Tagliare in corrispondenza dei silenzi risolve entrambe le cose:

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

Regola noise sulle tue registrazioni: le linee rumorose richiedono una soglia più alta, per esempio -30dB.

Passo 4: come si trascrive ogni turno?

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

Invia sempre language. Senza, l’arabo può tornare in caratteri latini. Per le code in inglese usa broadnet/cohere-transcribe con language="en". Tieni un pool di worker piccolo: le chiavi a consumo consentono 4 richieste in parallelo e 30 al minuto, e la guida a errori e retry mostra come fare backoff sui 429.

I singoli file devono restare sotto i 25 MiB. Un lungo monologo in WAV mono a 16 kHz (circa 32 KB al secondo) supera quel limite intorno ai 13 minuti; dividilo con -f segment -segment_time 600.

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"]))

Il parlato sovrapposto compare come due turni con orari di inizio vicini, che è proprio ciò che si aspetta un revisore umano.

E le registrazioni mono?

Senza canali ti serve la diarizzazione degli speaker: stabilire chi ha parlato e quando. Le opzioni:

Opzione Come Compromesso
Diarizzazione open source Esegui pyannote.audio sui tuoi server, poi trascrivi ogni segmento di speaker Ospiti tu un modello; l’audio resta da te
Un provider con diarizzazione integrata Diverse API STT restituiscono le etichette degli speaker; vedi il confronto dei prezzi per i costi aggiuntivi Un altro fornitore nel percorso dei dati
Etichettatura dei ruoli con un LLM Trascrivi i turni, poi chiedi a un LLM di etichettare ogni turno come operatore o cliente in base al contesto Economico; sbaglia sui turni brevi o ambigui
Risolvere alla fonte Passa il registratore a doppio canale La soluzione migliore a lungo termine

BroadNet non indica la diarizzazione tra le sue funzioni, quindi sull’audio mono abbinalo a una delle prime tre opzioni.

Passo 6: come si oscurano i dati personali, cifre arabe comprese?

Chi chiama legge ad alta voce numeri di carta, IBAN e numeri di telefono. Le trascrizioni possono scriverli in cifre occidentali (0-9) o arabo-orientali (٠-٩). Prima normalizza, poi oscura:

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

I numeri possono anche essere pronunciati a parole (“خمسة أربعة…”), e le regex non li vedono. Controlla a mano un campione di trascrizioni e aggiungi regole per ciò che trovi. L’approccio più ampio è in inviare dati sensibili a un’API LLM.

Passo 7: come si riassume ogni chiamata con 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 supporta l’output strutturato; analizza e valida sempre la risposta (come). Il test di BroadNet ha anche rilevato che capisce i dialetti del Golfo e quello egiziano. Chiedi un JSON in inglese se le tue dashboard sono in inglese, anche quando la chiamata è in arabo.

Quali controlli di qualità vengono prima delle analisi?

Le dashboard costruite su trascrizioni sbagliate sembrano sicure di sé quanto quelle costruite su trascrizioni buone. Aggiungi questi controlli alla pipeline:

  • Canali invertiti. Se su qualche registratore o coda le etichette operatore e cliente sono invertite, ogni metrica del tipo «l’operatore ha detto» è sbagliata. Controlla il primo turno: di solito l’operatore apre con un saluto e il nome dell’azienda.
  • Trascrizioni vuote o minuscole. Un turno che non restituisce testo, o una chiamata con meno di 20 parole, di solito indica silenzio, musica d’attesa o un file difettoso. Segnalalo invece di riassumerlo.
  • Lingua sbagliata. Una coda in inglese che all’improvviso produce testo arabo, o arabo restituito in caratteri latini, indica un valore di language sbagliato.
  • Deriva dei riassunti. Ogni settimana fai confrontare a un supervisore 20 riassunti con la trascrizione completa. Tieni traccia di quanto spesso resolved è sbagliato.

Conserva le trascrizioni per turno, non solo il riassunto. Quando un riassunto viene contestato, i turni sono la tua prova.

Quanto costa trascrivere le chiamate?

Con il taglio in turni, l’audio fatturato è vicino al tempo di conversazione. Per 1.000 ore di parlato arabo:

Dove si colloca BroadNet Inference

BroadNet copre i passi 4 e 7 con una sola chiave e un solo base URL: arabo e altre 13 lingue per la trascrizione, e modelli di chat testati sull’arabo per il riassunto. Audio, trascrizioni e prompt non vengono conservati (zero data retention), e BroadNet riporta il suo modello arabo #2 su 37 (dato di settembre 2026; la classifica in tempo reale lo indicava #4 su 39 il 15 novembre 2026) sull’Open Universal Arabic ASR Leaderboard.

Non si occupa per te di diarizzazione, trascrizione in tempo reale né oscuramento; restano nella tua pipeline. Prima di impegnarti, prova i tuoi dialetti con il metodo descritto in riconoscimento vocale dei dialetti arabi.

Domande frequenti

Come separo operatore e cliente in una registrazione di chiamata?

Se la registrazione è stereo, di solito operatore e cliente sono su canali diversi. Dividili con ffmpeg e trascrivi ogni canale per conto suo. Se è mono, ti serve la diarizzazione degli speaker.

Se trascrivo entrambi i canali stereo pago due volte?

Se invii ciascun canale intero, sì, perché ogni canale dura quanto la chiamata. Tagliare ogni canale in turni di parlato e inviare solo i turni avvicina l’audio fatturato al tempo effettivo di conversazione.

Posso trascrivere chiamate in arabo con parole inglesi in mezzo?

Sì, ma provalo. Gli operatori del Golfo e del Levante passano spesso all’inglese per nomi di prodotti e numeri. Controlla come escono quelle parole su 20 chiamate reali prima di affidarti alla ricerca per parole chiave o alle analisi.

Devo oscurare l’audio o il testo?

Oscura la trascrizione testuale prima che arrivi a un LLM, alle analisi o alla ricerca. Se conservi l’audio, contiene ancora i numeri pronunciati, quindi limita l’accesso anche all’audio e fallo scadere.

Quanto può essere lungo ogni file audio?

BroadNet accetta WAV o MP3 fino a 26.214.400 byte (25 MiB) per richiesta. Un WAV mono a 16 kHz occupa circa 32 KB al secondo, quindi tieni i segmenti sotto i 13 minuti circa, oppure usa MP3.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity