콜센터는 한 달에 수천 시간의 오디오를 만들어 내지만, 그중 읽히는 것은 거의 없습니다. 전사본이 있으면 통화를 검색할 수 있고, 요약이 있으면 검토할 수 있습니다. 이 글은 방언, 아랍어와 영어의 혼용, 동부 아랍 숫자라는 아랍어 관점을 담아 파이프라인을 처음부터 끝까지 만듭니다.
단계는 다음과 같습니다.
- 녹음 확인: 스테레오인가, 모노인가?
- 스테레오를 상담원과 고객 채널로 분리.
- 채널마다 발화 구간으로 자르기.
- 구간마다 올바른 언어로 전사.
- 시작 시각 순으로 구간을 합쳐 대화로 만들기.
- 텍스트에서 개인정보(PII) 가리기.
- LLM으로 구조화된 필드에 요약.
1단계: 녹음이 스테레오인가요, 모노인가요?
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
콘택트 센터 녹음기 중에는 상담원을 한 채널에, 고객을 다른 채널에 저장하는 것이 많습니다. AssemblyAI의 콘택트 센터 가이드도 같은 점을 지적합니다. 채널이 분리되어 있으면 화자 분리 없이도 화자를 구분할 수 있습니다. 몇 건의 통화로 어느 쪽이 누구인지 확인하세요. 상담원이 항상 왼쪽에 있는 것은 아닙니다.
2단계: ffmpeg로 스테레오 채널을 어떻게 나누나요?
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
pan 필터는 채널 하나만 남기고, -ar 16000은 BroadNet 문서가 전화 녹음에 쓰는 형식인 16kHz로 리샘플링합니다.
3단계: 채널을 발화 구간으로 어떻게 자르나요?
이것은 음성 활동 감지(VAD)의 간단한 형태입니다. 채널 전체를 보내도 작동하지만, 상대방이 말하는 동안의 무음 1초 1초에 모두 비용을 내게 되어 스테레오 통화에서는 청구액이 대략 두 배가 됩니다. 발화 순서도 잃게 됩니다. 무음 지점에서 자르면 둘 다 해결됩니다.
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
noise는 자체 녹음으로 조정하세요. 잡음이 많은 회선에는 -30dB처럼 더 높은 임계값이 필요합니다.
4단계: 구간마다 어떻게 전사하나요?
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
language는 항상 보내세요. 지정하지 않으면 아랍어가 라틴 문자로 돌아올 수 있습니다. 영어 상담 큐에는 broadnet/cohere-transcribe를 language="en"과 함께 쓰세요. 워커 풀은 작게 유지하세요. 종량제 키는 동시 요청 4개, 분당 30개를 허용하며, 오류와 재시도 가이드에서 429 발생 시 백오프하는 법을 보여 줍니다.
파일 하나는 25MiB 미만이어야 합니다. 16kHz 모노 WAV(초당 약 32KB)로 된 긴 독백은 약 13분에서 이 한도를 넘으므로 -f segment -segment_time 600으로 나누세요.
5단계: 구간을 어떻게 대화로 합치나요?
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"]))
겹쳐서 말한 부분은 시작 시각이 가까운 구간 두 개로 나타나는데, 사람 검토자가 기대하는 모습도 이와 같습니다.
모노 녹음은 어떻게 하나요?
채널이 없으면 누가 언제 말했는지 판단하는 화자 분리 단계가 필요합니다. 선택지는 다음과 같습니다.
| 선택지 | 방법 | 장단점 |
|---|---|---|
| 오픈소스 화자 분리 | 자체 서버에서 pyannote.audio를 실행한 뒤 화자 구간마다 전사 | 모델을 직접 호스팅하며, 오디오가 내부에 머뭅니다 |
| 화자 분리를 내장한 제공업체 | 여러 STT API가 화자 라벨을 반환합니다. 추가 비용은 가격 비교를 참고하세요 | 데이터 경로에 공급업체가 하나 더 늘어납니다 |
| LLM 역할 라벨링 | 구간을 전사한 다음, LLM에게 문맥으로 각 구간을 상담원 또는 고객으로 라벨링하게 함 | 저렴하지만, 짧거나 모호한 구간에서는 틀립니다 |
| 근본적으로 해결 | 녹음기를 듀얼 채널로 전환 | 장기적으로 가장 좋은 답 |
BroadNet은 화자 분리를 제공하지 않으므로, 모노 오디오에는 처음 세 가지 선택지 중 하나와 함께 쓰세요.
6단계: 아랍 숫자까지 포함해 개인정보를 어떻게 가리나요?
고객은 카드 번호, IBAN, 전화번호를 소리 내어 읽습니다. 전사본에는 이것이 서양 숫자(0-9)나 동부 아랍 숫자(٠-٩)로 적힐 수 있습니다. 먼저 정규화한 다음 가리세요.
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
숫자를 단어로 말할 수도 있으며(“خمسة أربعة…”), 이런 것은 정규식이 놓칩니다. 전사본을 직접 표본 검사하고 발견한 것에 맞춰 규칙을 추가하세요. 더 넓은 접근법은 민감한 데이터를 LLM API로 보내기에 있습니다.
7단계: LLM으로 통화를 어떻게 요약하나요?
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 27B는 구조화된 출력을 지원합니다. 응답은 항상 파싱하고 검증하세요(방법). BroadNet의 자체 테스트에서는 이 모델이 걸프와 이집트 방언도 이해하는 것으로 나타났습니다. 대시보드가 영어라면 통화가 아랍어여도 영어 JSON을 요청하세요.
분석 전에 어떤 품질 검사를 해야 하나요?
잘못된 전사본으로 만든 대시보드도 좋은 전사본으로 만든 대시보드만큼 그럴듯해 보입니다. 파이프라인에 다음 검사를 추가하세요.
- 채널 뒤바뀜. 어떤 녹음기나 큐에서 상담원과 고객 라벨이 뒤바뀌면 “상담원이 말한” 지표가 모두 틀립니다. 첫 구간을 확인하세요. 상담원은 보통 인사와 회사 이름으로 시작합니다.
- 비어 있거나 아주 짧은 전사본. 텍스트가 나오지 않는 구간이나 20단어 미만인 통화는 대개 무음, 대기 음악, 손상된 파일입니다. 요약하지 말고 표시해 두세요.
- 언어 불일치. 영어 큐에서 갑자기 아랍어 텍스트가 나오거나 아랍어가 라틴 문자로 나오면
language값이 잘못되었다는 뜻입니다. - 요약 품질 저하. 매주 관리자가 요약 20건을 전체 전사본과 비교하게 하세요.
resolved가 얼마나 자주 틀리는지 추적하세요.
요약만이 아니라 구간별 전사본도 저장하세요. 요약에 이의가 제기되면 구간이 근거가 됩니다.
통화 전사 비용은 얼마인가요?
발화 구간으로 자르면 과금되는 오디오가 대화 시간에 가깝습니다. 아랍어 음성 1,000시간 기준으로는 다음과 같습니다.
- 전사: BroadNet Transcribe Arabic에서 분당 $0.0042 요금으로 $252.00 금액, 영어 큐라면 14개 언어를 지원하는 BroadNet Transcribe로 $120.00 금액.
- 요약: 7분짜리 통화는 대개 수천 토큰입니다. 실제 전사본 길이로 LLM API 비용 계산기에서 계산하고, 오디오 쪽은 음성 인식 비용 계산기에서 계산하세요.
BroadNet Inference의 역할
BroadNet은 키 하나와 base URL 하나로 4단계와 7단계를 처리합니다. 전사는 아랍어와 그 밖의 13개 언어를 지원하고, 요약에는 아랍어로 테스트한 채팅 모델을 씁니다. 오디오, 전사본, 프롬프트는 보관되지 않으며(데이터 비보관), BroadNet은 자사 아랍어 모델이 Open Universal Arabic ASR Leaderboard에서 37개 중 2위 (2026년 9월 기준 수치이며, 2026년 11월 15일 실시간 리더보드에서는 39개 중 4위) 순위라고 보고합니다.
화자 분리, 실시간 전사, 개인정보 가리기는 대신 해 주지 않으므로 이는 여러분의 파이프라인에 남습니다. 도입을 결정하기 전에 아랍어 방언 음성 인식의 방법으로 자신이 다루는 방언을 시험해 보세요.

