---
title: "呼叫中心录音转文字：完整流水线与代码 | BroadRouter"
description: "按声道拆分立体声通话、切分说话轮次、转写阿拉伯语和英语、脱敏个人信息，再用大模型总结每通电话。附可运行的 Python 流水线和成本。"
url: https://broadrouter.com/zh/blog/transcribe-call-center-recordings/
lang: zh-Hans
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。[阅读英文原文](https://broadrouter.com/blog/transcribe-call-center-recordings/)（2026-11-14 更新）。

# 呼叫中心录音怎么转写：一条支持阿拉伯语的流水线

BroadNet Inference 团队 · 阅读约 4 分钟 · 发布于 2026-11-14

转写呼叫中心录音时，先把立体声文件拆成坐席和客户两个声道，再把每个声道切成说话轮次，用正确的语言代码转写每个轮次，然后按开始时间合并。在大模型总结通话之前，先从转写文本中脱敏卡号和电话号码。单声道录音需要额外的说话人分离步骤。

## 要点

-   大多数通话录音系统把坐席和客户分别存放在立体声的两个声道上。拆开声道就能得到准确的说话人标签，无需说话人分离。
-   在静音处切分每个声道，既能得到轮次顺序，也不用为静音付费。
-   脱敏之前先规范化东阿拉伯数字，否则卡号和电话号码会漏网。
-   在总结步骤之前对转写文本脱敏，并要求大模型输出结构化 JSON。
-   按每分钟 $0.0042 计算，转写 1,000 小时阿拉伯语语音需要 $252.00。

**本页内容**

1.  第 1 步：录音是立体声还是单声道？
2.  第 2 步：怎样用 ffmpeg 拆分立体声声道？
3.  第 3 步：怎样把每个声道切成说话轮次？
4.  第 4 步：怎样转写每个轮次？
5.  第 5 步：怎样把轮次合并成对话？
6.  单声道录音怎么办？
7.  第 6 步：怎样脱敏个人信息，包括阿拉伯数字？
8.  第 7 步：怎样用大模型总结每通电话？
9.  做分析之前要做哪些质量检查？
10.  通话转写要花多少钱？
11.  BroadNet Inference 的定位

_[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.

呼叫中心每月产生数千小时的音频，几乎没有人去听。转写文本让通话可以搜索，摘要让通话可以复核。本文从头到尾搭建这条流水线，并特别照顾阿拉伯语：方言、阿拉伯语和英语混杂，以及东阿拉伯数字。

步骤如下：

1.  检查录音：立体声还是单声道？
2.  把立体声拆成坐席和客户两个声道。
3.  把每个声道切成说话轮次。
4.  用正确的语言转写每个轮次。
5.  按开始时间把轮次合并成对话。
6.  从文本中脱敏个人信息（PII）。
7.  用大模型把通话总结成结构化字段。

## 第 1 步：录音是立体声还是单声道？

```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
```

许多呼叫中心录音系统把坐席放在一个声道、客户放在另一个声道。[AssemblyAI 的呼叫中心指南](https://www.assemblyai.com/docs/contact-center-best-practices)也指出了这一点：声道分开时，不用说话人分离就能区分说话人。用几通电话确认哪个声道是哪一方；坐席并不总在左声道。

## 第 2 步：怎样用 ffmpeg 拆分立体声声道？

```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
```

`pan` 滤镜保留一个声道，`-ar 16000` 重采样到 16 kHz，也就是 BroadNet 文档中电话录音使用的格式。

## 第 3 步：怎样把每个声道切成说话轮次？

这是一种简单的[语音活动检测](https://broadrouter.com/zh/glossary/vad/)。整段发送每个声道也可以，但对方说话时这边的每一秒静音你都要付费，立体声通话的账单大约会翻倍，而且还会丢失轮次顺序。在静音处切分能同时解决这两个问题：

```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
```

在你自己的录音上调整 `noise`：噪声大的线路需要更高的阈值，比如 `-30dB`。

## 第 4 步：怎样转写每个轮次？

```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
```

始终传入 `language`。不传的话，阿拉伯语可能以拉丁字母返回。英语队列使用 `broadnet/cohere-transcribe` 并设 `language="en"`。工作线程池要小一些：按量付费的密钥同时允许 4 个请求、每分钟 30 个，[错误与重试指南](https://broadrouter.com/zh/guides/errors-and-retries/)介绍了遇到 429 时如何退避。

单个文件必须小于 25 MiB。16 kHz 单声道 WAV（每秒约 32 KB）的长段独白大约 13 分钟就会超过这个限制；用 `-f segment -segment_time 600` 切分。

## 第 5 步：怎样把轮次合并成对话？

```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"]))
```

重叠的说话会表现为两个开始时间相近的轮次，这也正是人工复核员所预期的。

## 单声道录音怎么办？

没有分开的声道，就需要\*\*[说话人分离](https://broadrouter.com/zh/glossary/diarization/)\*\*：判断谁在什么时候说话。可选方案：

| 方案 | 做法 | 取舍 |
| --- | --- | --- |
| 开源说话人分离 | 在你的服务器上运行 [pyannote.audio](https://github.com/pyannote/pyannote-audio)，再转写每个说话人片段 | 需要自己托管模型；音频留在你这里 |
| 内置说话人分离的服务商 | 一些语音识别 API 会返回说话人标签；附加费用见[价格对比](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/) | 数据路径上多了一个供应商 |
| 用大模型标注角色 | 先转写轮次，再让大模型根据上下文把每个轮次标为坐席或客户 | 便宜；在简短或含糊的轮次上会出错 |
| 从源头解决 | 把录音系统切换为双声道 | 长期来看最好的办法 |

BroadNet 没有列出说话人分离功能，所以对单声道音频，请搭配前三种方案之一使用。

## 第 6 步：怎样脱敏个人信息，包括阿拉伯数字？

来电者会把卡号、IBAN 和电话号码念出来。转写文本中可能用西方数字（0-9）书写，也可能用东阿拉伯数字（٠-٩）。先规范化，再脱敏：

```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
```

数字也可能以单词形式说出（“خمسة أربعة…”），正则表达式会漏掉。人工抽查转写文本，根据发现的情况补充规则。更全面的做法见[向大模型 API 发送敏感数据](https://broadrouter.com/zh/blog/llm-api-sensitive-data/)。

## 第 7 步：怎样用大模型总结每通电话？

```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 支持[结构化输出](https://broadrouter.com/zh/glossary/structured-output/)；始终要解析并校验回复（[方法](https://broadrouter.com/zh/blog/structured-output-json-schema/)）。BroadNet 自己的测试还发现它能理解海湾方言和埃及方言。如果你的仪表盘是英文的，即使通话是阿拉伯语，也要求输出英文 JSON。

## 做分析之前要做哪些质量检查？

基于糟糕转写文本做出的仪表盘，看上去和基于优质转写的一样笃定。在流水线中加入这些检查：

-   **声道颠倒。** 如果某个录音系统或队列上的坐席和客户标签反了，所有 “坐席说了什么” 的指标都是错的。检查第一个轮次：坐席通常以问候语和公司名称开场。
-   **空的或极短的转写。** 某个轮次没有返回文本，或者整通电话不到 20 个词，通常意味着静音、等待音乐或文件损坏。标记出来，而不是去总结它。
-   **语言不匹配。** 英语队列突然产出阿拉伯语文本，或者阿拉伯语以拉丁字母返回，说明 `language` 值设错了。
-   **摘要偏差。** 每周让主管把 20 份摘要与完整转写对照。跟踪 `resolved` 出错的频率。

保存每个轮次的转写，而不只是摘要。摘要有争议时，轮次就是你的证据。

## 通话转写要花多少钱？

切分轮次后，计费的音频时长接近说话时长。以 1,000 小时阿拉伯语语音为例：

-   转写：在 [BroadNet Transcribe Arabic](https://broadrouter.com/zh/models/cohere-transcribe-arabic/) 上按每分钟 $0.0042 计为 $252.00；英语队列使用支持 14 种语言的 [BroadNet Transcribe](https://broadrouter.com/zh/models/cohere-transcribe/)，为 $120.00。
-   摘要：一通 7 分钟的电话通常是几千个 token。用你真实的转写长度在[大模型 API 成本计算器](https://broadrouter.com/tools/llm-api-cost-calculator/)里估价，音频部分用[语音转文字成本计算器](https://broadrouter.com/tools/speech-to-text-cost-calculator/)。

## BroadNet Inference 的定位

BroadNet 用一个密钥和一个 [base URL](https://broadrouter.com/zh/glossary/base-url/) 覆盖第 4 步和第 7 步：转写支持阿拉伯语及另外 13 种语言，摘要则使用经过阿拉伯语测试的对话模型。音频、转写文本和提示词都不会被保留（[零数据保留](https://broadrouter.com/zh/privacy/)），BroadNet 报告其阿拉伯语模型在 Open Universal Arabic ASR Leaderboard 上位列 第 2 名（共 37 个）（这是 2026年9月的数据；2026年11月15日实时榜单上为 39 个中的第 4 名）。

它不替你做说话人分离、实时转写或脱敏；这些都留在你的流水线里。在决定之前，用[阿拉伯语方言语音识别](https://broadrouter.com/zh/blog/arabic-dialect-speech-recognition/)中的方法测试你的方言。

相关免费工具（英文）

-   [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.

[免费工具（英文）](https://broadrouter.com/tools/)

## 本文涉及的术语

[语音转文字（speech-to-text）](https://broadrouter.com/zh/glossary/speech-to-text/)

语音转文字，也叫自动语音识别（ASR），是把口语音频转换成书面文字的技术。语音转文字 API 接收音频文件或音频流并返回转写文本，通常按音频分钟计价。准确率用词错误率衡量，会随口音、方言和录音质量变化。

[个人身份信息（PII）](https://broadrouter.com/zh/glossary/pii/)

个人身份信息（PII）是可用于区分或追溯个人身份的信息，例如姓名、身份证号或生物特征记录，以及与该人关联或可关联的其他信息。GDPR 用的是更宽泛的“个人数据”。在大模型应用中，PII 脱敏会在提示词离开你的系统之前将其移除。

[按量付费（pay-as-you-go）](https://broadrouter.com/zh/glossary/pay-as-you-go/)

按量付费是一种计价模式：你只为实际用量付费，按 token、请求次数或音频分钟等单位计量，没有订阅费，也没有最低消费承诺。大多数大模型 API 都这样计费，从预付余额中扣减或定期开具账单。

[工具调用（tool calling / function calling）](https://broadrouter.com/zh/glossary/tool-calling/)

工具调用（也叫函数调用，function calling）是大模型 API 的一项功能：模型返回一个结构化请求，要求执行开发者定义的某个函数，并附上 JSON 参数。应用执行该函数并把结果发回；模型自己从不执行代码。

[说话人分离（speaker diarization）](https://broadrouter.com/zh/glossary/diarization/)

说话人分离是把一段录音按说话人切分成片段的任务，回答“谁在何时说话”。它给每段语音打上 SPEAKER\_00 这样的匿名说话人标签，通常与转写文本结合，显示每句话是谁说的。

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

base URL 是 API 固定的根地址，例如 https://api.example.com/v1，客户端会把它加在每个端点路径（例如 /chat/completions）前面。在 OpenAI 兼容 SDK 中，修改 base URL，再配合 API 密钥和模型 ID，就能让同一份代码改用另一家服务商。

[并发（concurrency）](https://broadrouter.com/zh/glossary/concurrency/)

并发（concurrency）是客户端在同一时刻正在进行中的请求数。大模型 API 往往按密钥或套餐单独限制并发，与每分钟请求数分开计算，因为每个未完成的请求在响应结束前都会占用 GPU 资源。

[结构化输出（structured output）](https://broadrouter.com/zh/glossary/structured-output/)

结构化输出是大模型 API 的一项功能，它把模型的回复约束为开发者指定的格式（通常是 JSON Schema），让代码能可靠地解析。它比 JSON mode 更严格：JSON mode 只保证输出是合法 JSON，不保证特定结构。

## 常见问题

### 通话录音里怎么把坐席和客户分开？

如果录音是立体声，坐席和客户通常在不同的声道上。用 ffmpeg 拆开，分别转写每个声道。如果是单声道，就需要说话人分离。

### 两个立体声声道都转写，要付两次钱吗？

如果把每个声道整段发送，是的，因为每个声道都和通话一样长。把每个声道切成说话轮次、只发送这些轮次，计费的音频时长就接近实际说话时间。

### 阿拉伯语通话里夹杂英语单词，能转写吗？

能，但要测试。海湾和黎凡特地区的坐席经常在说产品名称和数字时切换到英语。在依赖关键词搜索或分析之前，先用 20 通真实通话检查这些词的转写效果。

### 应该对音频脱敏还是对文本脱敏？

在转写文本进入大模型、分析或搜索之前对文本脱敏。如果保留音频，音频里仍有说出的数字，所以也要限制访问并设置过期。

### 每个音频文件最长可以多长？

BroadNet 每个请求接受最大 26,214,400 字节（25 MiB）的 WAV 或 MP3。16 kHz 单声道 WAV 每秒约 32 KB，所以每段控制在约 13 分钟以内，或者使用 MP3。

## 继续阅读

-   [用 API 把阿拉伯语会议录音生成会议纪要](https://broadrouter.com/zh/blog/arabic-meeting-minutes-from-recordings/)
-   [转写超过 25 MB 的长音频：切分、发送、拼接](https://broadrouter.com/zh/blog/transcribe-long-audio-files-api/)
-   [阿拉伯语语音转文字 API：2026 年怎么选](https://broadrouter.com/zh/blog/arabic-speech-to-text-api-buyers-guide/)
-   [把敏感数据发给大模型 API：脱敏、最小化、少记日志](https://broadrouter.com/zh/blog/llm-api-sensitive-data/)
-   [阿拉伯语方言语音识别：海湾、埃及、黎凡特、马格里布](https://broadrouter.com/zh/blog/arabic-dialect-speech-recognition/)
-   [语音转文字 API 价格对比：2026 年每分钟多少钱](https://broadrouter.com/zh/blog/speech-to-text-api-pricing-compared/)
-   [用大模型给阿拉伯语加注音符号：提示词、校验与 DER](https://broadrouter.com/zh/blog/arabic-diacritization-llm/)
-   [用大模型做阿拉伯语语法和拼写纠错：实操指南](https://broadrouter.com/zh/blog/arabic-grammar-spelling-correction-llm/)
-   [指南：阿拉伯语语音转文字 API 分步教程](https://broadrouter.com/zh/guides/arabic-speech-to-text-api/)
-   [指南：BroadNet Inference 错误码，以及什么时候该重试](https://broadrouter.com/zh/guides/errors-and-retries/)

用你的真实业务负载试一试。新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [FFmpeg 滤镜文档（pan、silencedetect）](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI：呼叫中心最佳实践（多声道音频）](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio：开源说话人分离](https://github.com/pyannote/pyannote-audio)
-   [BroadNet Inference API 参考：转写与限制（英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-transcribe-call-center-recordings&utm_content=sources)
-   [BroadNet Inference 机器可读价格（pricing.json）（英文）](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-blog-transcribe-call-center-recordings&utm_content=sources)
