---
title: "Call center transcription: pipeline na may code | BroadRouter"
description: "Hatiin ang stereo na tawag kada channel, putulin sa speech turn, i-transcribe ang Arabic at English, i-redact ang PII at ibuod gamit ang LLM. May code at gastos."
url: https://broadrouter.com/fil/blog/transcribe-call-center-recordings/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/transcribe-call-center-recordings/) (na-update noong 2026-11-14).

# Paano i-transcribe ang call center recording: pipeline para sa Arabic

Ng BroadNet Inference team · 4 minutong basa · Nailathala 2026-11-14

Para i-transcribe ang mga call center recording, hatiin ang mga stereo file sa channel ng agent at ng customer, putulin ang bawat channel sa mga speech turn, i-transcribe ang bawat turn gamit ang tamang language code, saka pagsamahin ang mga turn ayon sa oras ng simula. I-redact ang card number at phone number sa transcript bago ito ibuod ng LLM. Kailangan ng hiwalay na diarization step ang mga mono recording.

## Mga pangunahing punto

-   Karamihan ng call recorder ay nag-i-store ng agent at customer sa magkahiwalay na stereo channel. Kapag hinati mo ang mga ito, perpekto ang speaker label kahit walang diarization.
-   Kapag pinutol ang bawat channel sa mga katahimikan, nakukuha mo ang pagkakasunod ng mga turn at hindi ka nagbabayad para sa katahimikan.
-   I-normalize ang Eastern Arabic na digit bago mag-redact, kung hindi ay makakalusot ang mga card at phone number.
-   I-redact ang transcript bago ang summary step, at humingi sa LLM ng structured JSON.
-   Sa $0.0042 kada minuto, $252.00 ang gastos sa pag-transcribe ng 1,000 oras ng Arabic na pananalita.

**Sa page na ito**

1.  Step 1: stereo ba o mono ang recording?
2.  Step 2: paano hatiin ang mga stereo channel gamit ang ffmpeg?
3.  Step 3: paano putulin ang bawat channel sa mga speech turn?
4.  Step 4: paano i-transcribe ang bawat turn?
5.  Step 5: paano pagsamahin ang mga turn sa isang dialogue?
6.  Paano naman ang mga mono recording?
7.  Step 6: paano i-redact ang PII, kasama ang Arabic na digit?
8.  Step 7: paano ibuod ang bawat tawag gamit ang LLM?
9.  Aling mga quality check ang nauuna bago ang analytics?
10.  Magkano ang call transcription?
11.  Saan pumapasok ang 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.

Libu-libong oras ng audio kada buwan ang nagagawa ng isang call centre, at halos wala rito ang nababasa. Ginagawang searchable ng transcript ang mga tawag. Ginagawang reviewable ng buod ang mga ito. Binubuo ng post na ito ang pipeline mula umpisa hanggang dulo, na may anggulong Arabic: mga dialect, halong Arabic at English, at Eastern Arabic na digit.

Ang mga step:

1.  Suriin ang recording: stereo o mono?
2.  Hatiin ang stereo sa channel ng agent at ng customer.
3.  Putulin ang bawat channel sa mga speech turn.
4.  I-transcribe ang bawat turn gamit ang tamang wika.
5.  Pagsamahin ang mga turn sa isang dialogue ayon sa oras ng simula.
6.  I-redact ang PII sa text.
7.  Ibuod gamit ang LLM sa mga structured field.

## Step 1: stereo ba o mono ang recording?

```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
```

Maraming contact-centre recorder ang nag-i-store ng agent sa isang channel at ng customer sa kabila. Ganito rin ang sinasabi ng [contact-centre guide ng AssemblyAI](https://www.assemblyai.com/docs/contact-center-best-practices): kapag magkahiwalay ang channel, may speaker separation ka nang walang diarization. Tingnan sa ilang tawag kung aling panig ang alin; hindi laging nasa kaliwa ang agent.

## Step 2: paano hatiin ang mga stereo channel gamit ang 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
```

Isang channel lang ang itinatago ng filter na `pan`, at nire-resample ng `-ar 16000` sa 16 kHz, ang format na ginagamit ng docs ng BroadNet para sa mga phone recording.

## Step 3: paano putulin ang bawat channel sa mga speech turn?

Simpleng anyo ito ng [voice activity detection](https://broadrouter.com/fil/glossary/vad/). Gumagana ang pagpapadala ng buong channel, pero nagbabayad ka para sa bawat segundo ng katahimikan habang nagsasalita ang kabilang panig, na halos dumodoble sa bill ng stereo na tawag. Nawawala rin ang pagkakasunod ng mga turn. Inaayos ng pagputol sa mga katahimikan ang dalawa:

```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
```

I-tune ang `noise` sa sarili mong mga recording: kailangan ng mas mataas na threshold gaya ng `-30dB` ang maiingay na linya.

## Step 4: paano i-transcribe ang bawat turn?

```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
```

Laging ipadala ang `language`. Kung wala ito, puwedeng bumalik ang Arabic sa Latin na letra. Para sa mga English na queue, gamitin ang `broadnet/cohere-transcribe` na may `language="en"`. Panatilihing maliit ang worker pool: pinapayagan ng pay-as-you-go na key ang 4 request nang sabay at 30 kada minuto, at ipinapakita ng [gabay sa mga error at retry](https://broadrouter.com/fil/guides/errors-and-retries/) kung paano mag-back off sa 429.

Dapat mas maliit sa 25 MiB ang bawat file. Lalampas dito ang mahabang monologue sa 16 kHz mono WAV (mga 32 KB kada segundo) sa bandang 13 minuto; hatiin ito gamit ang `-f segment -segment_time 600`.

## Step 5: paano pagsamahin ang mga turn sa isang dialogue?

```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"]))
```

Lumalabas ang nagsasabay na pananalita bilang dalawang turn na magkalapit ang oras ng simula, na siyang inaasahan ng taong reviewer.

## Paano naman ang mga mono recording?

Kung walang channel, kailangan mo ng **[speaker diarization](https://broadrouter.com/fil/glossary/diarization/)**: pagpapasya kung sino ang nagsalita at kailan. Mga opsyon:

| Opsyon | Paano | Kapalit |
| --- | --- | --- |
| Open-source na diarization | Patakbuhin ang [pyannote.audio](https://github.com/pyannote/pyannote-audio) sa mga server mo, saka i-transcribe ang bawat speaker segment | Ikaw ang magho-host ng model; nasa iyo ang audio |
| Provider na may built-in na diarization | May ilang STT API na nagbabalik ng speaker label; tingnan ang [paghahambing ng presyo](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/) para sa gastos ng add-on | Isa pang vendor sa daanan ng data |
| Paglalagay ng role gamit ang LLM | I-transcribe ang mga turn, saka ipalagay sa LLM kung Agent o Customer ang bawat turn batay sa context | Mura; nagkakamali sa maiikli o malabong turn |
| Ayusin sa pinagmulan | Ilipat ang recorder sa dual-channel | Pinakamagandang pangmatagalang sagot |

Hindi naglilista ang BroadNet ng diarization, kaya sa mono audio, ipares ito sa isa sa unang tatlong opsyon.

## Step 6: paano i-redact ang PII, kasama ang Arabic na digit?

Binabasa nang malakas ng mga tumatawag ang card number, IBAN at phone number. Puwedeng isulat ang mga ito ng transcript sa Western na digit (0-9) o Eastern Arabic na digit (٠-٩). I-normalize muna, saka mag-redact:

```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
```

Puwede ring bigkasin bilang salita ang mga numero (“خمسة أربعة…”), na hindi mahuhuli ng regex. Mag-sample ng mga transcript nang mano-mano at magdagdag ng rule para sa makikita mo. Nasa [pagpapadala ng sensitibong data sa LLM API](https://broadrouter.com/fil/blog/llm-api-sensitive-data/) ang mas malawak na approach.

## Step 7: paano ibuod ang bawat tawag gamit ang 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))
```

Sinusuportahan ng Qwen3.8 27B ang [structured output](https://broadrouter.com/fil/glossary/structured-output/); laging i-parse at i-validate ang sagot ([paano](https://broadrouter.com/fil/blog/structured-output-json-schema/)). Nakita rin ng sariling test ng BroadNet na naiintindihan nito ang mga dialect ng Gulf at Egypt. Humingi ng English na JSON kung naka-English ang mga dashboard mo, kahit Arabic ang tawag.

## Aling mga quality check ang nauuna bago ang analytics?

Kasing-kumpiyansa ang itsura ng mga dashboard na nakabatay sa masasamang transcript gaya ng mga nakabatay sa maayos. Idagdag ang mga check na ito sa pipeline:

-   **Napagpalit na channel.** Kung baligtad ang label ng agent at customer sa ilang recorder o queue, mali ang bawat “sinabi ng agent” na metric. Tingnan ang unang turn: kadalasang nagsisimula ang mga agent sa pagbati at pangalan ng kumpanya.
-   **Walang laman o napakaliit na transcript.** Ang turn na walang ibinalik na text, o tawag na wala pang 20 salita, ay kadalasang katahimikan, hold music o sirang file. I-flag ito sa halip na ibuod.
-   **Hindi tugmang wika.** Ang English na queue na biglang naglalabas ng Arabic na text, o Arabic na bumalik sa Latin na letra, ay tanda ng maling value ng `language`.
-   **Paglihis ng buod.** Linggo-linggo, ipakumpara sa isang supervisor ang 20 buod sa buong transcript. Bantayan kung gaano kadalas mali ang `resolved`.

I-store ang transcript kada turn, hindi lang ang buod. Kapag may tumutol sa isang buod, ang mga turn ang ebidensya mo.

## Magkano ang call transcription?

Sa pagputol ng mga turn, halos kasinghaba ng pag-uusap ang sinisingil na audio. Para sa 1,000 oras ng Arabic na pananalita:

-   Transcription: $252.00 sa $0.0042 kada minuto sa [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/), o $120.00 sa 14-wikang [BroadNet Transcribe](https://broadrouter.com/fil/models/cohere-transcribe/) para sa mga English na queue.
-   Mga buod: kadalasang ilang libong token ang 7 minutong tawag. Kuwentahin ito sa [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) gamit ang totoong haba ng transcript mo, at ang audio sa [speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Saan pumapasok ang BroadNet Inference

Sakop ng BroadNet ang step 4 at 7 gamit ang isang key at isang [base URL](https://broadrouter.com/fil/glossary/base-url/): Arabic at 13 iba pang wika para sa transcription, at mga chat model na nasubukan sa Arabic para sa buod. Hindi itinatago ang audio, transcript at prompt ([zero data retention](https://broadrouter.com/fil/privacy/)), at iniulat ng BroadNet na ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ang Arabic model nito sa Open Universal Arabic ASR Leaderboard.

Hindi nito ginagawa para sa iyo ang diarization, real-time na transcription o redaction; nananatili ang mga iyon sa pipeline mo. Bago mag-commit, subukan ang mga dialect mo gamit ang paraan sa [Arabic dialect speech recognition](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/).

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Speaker diarization](https://broadrouter.com/fil/glossary/diarization/)

Ang speaker diarization ay ang task ng paghahati ng audio recording sa mga segment ayon sa nagsasalita, na sumasagot sa tanong na "sino ang nagsalita at kailan". Nilalagyan nito ang bawat bahagi ng pananalita ng anonymous na speaker ID gaya ng SPEAKER\_00, at kadalasang isinasama sa transcript para makita kung sino ang nagsabi ng bawat linya.

[AI agent](https://broadrouter.com/fil/glossary/agent/)

Ang AI agent ay isang system kung saan ang language model mismo ang nagdidirekta ng mga hakbang nito tungo sa isang layunin: pinipili nito kung aling tools ang tatawagin, binabasa ang mga resulta at umuulit hanggang makabuo ng huling sagot o maabot ang limit. Workflow naman ang karaniwang tawag sa fixed na script na tumatawag sa model sa takdang punto.

[Pay-as-you-go](https://broadrouter.com/fil/glossary/pay-as-you-go/)

Ang pay-as-you-go ay paraan ng pagpepresyo kung saan ang nagamit mo lang ang binabayaran mo, sinusukat kada yunit gaya ng token, request o minuto ng audio, nang walang subscription o minimum na commitment. Ganito naniningil ang karamihan ng LLM API, mula sa prepaid na balance o sa pana-panahong invoice.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

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

Ang PII (personally identifiable information) ay impormasyong magagamit para makilala o ma-trace ang pagkakakilanlan ng isang tao, gaya ng pangalan, ID number o biometric record, pati ibang impormasyong naka-link o mali-link sa taong iyon. Personal data ang mas malawak na termino ng GDPR. Sa LLM, tinatanggal ng PII redaction ito sa mga prompt bago lumabas sa system mo.

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

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

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

Ang voice activity detection (VAD) ay isang signal-processing step na nag-uuri sa maiikling frame ng audio bilang speech o non-speech. Ginagamit ito ng mga speech system para laktawan ang katahimikan, hatiin ang mahahabang recording sa mga pause, malaman kung tapos nang magsalita ang speaker, at iwasang i-transcribe ang ingay sa background.

## Mga tanong

### Paano ko paghihiwalayin ang agent at customer sa isang call recording?

Kung stereo ang recording, kadalasang nasa magkaibang channel ang agent at customer. Hatiin ang mga ito gamit ang ffmpeg at i-transcribe nang hiwalay ang bawat channel. Kung mono, kailangan mo ng speaker diarization.

### Dalawang beses ba akong magbabayad kapag tina-transcribe ko ang dalawang stereo channel?

Oo, kung ipapadala mo ang buong channel, dahil kasinghaba ng tawag ang bawat channel. Kapag pinutol mo ang bawat channel sa mga speech turn at ang mga turn lang ang ipinadala, halos kasinghaba na lang ng aktuwal na pag-uusap ang sisingilin na audio.

### Puwede ko bang i-transcribe ang mga Arabic na tawag na may halong English na salita?

Oo, pero subukan muna. Madalas lumipat sa English ang mga agent sa Gulf at Levant para sa pangalan ng produkto at mga numero. Tingnan kung paano lumalabas ang mga salitang iyon sa 20 totoong tawag bago umasa sa keyword search o analytics.

### Audio ba o text ang dapat i-redact?

I-redact ang text transcript bago ito mapunta sa LLM, analytics o search. Kung itinatago mo ang audio, nandoon pa rin ang mga binigkas na numero, kaya limitahan din ang access at itakda ang expiry ng audio.

### Gaano kahaba ang puwedeng bawat audio file?

Tumatanggap ang BroadNet ng WAV o MP3 hanggang 26,214,400 byte (25 MiB) kada request. Mga 32 KB kada segundo ang 16 kHz mono WAV, kaya panatilihing mas maikli sa mga 13 minuto ang bawat segment, o gumamit ng MP3.

## Magbasa pa

-   [Arabic meeting minutes mula sa recording: isang API pipeline](https://broadrouter.com/fil/blog/arabic-meeting-minutes-from-recordings/)
-   [Pag-transcribe ng audio na lampas 25 MB: hatiin, ipadala, pagdugtungin](https://broadrouter.com/fil/blog/transcribe-long-audio-files-api/)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Sensitive data sa LLM API: mag-redact, magbawas, mag-log nang kaunti](https://broadrouter.com/fil/blog/llm-api-sensitive-data/)
-   [Arabic dialect speech recognition: Gulf, Egyptian, Levantine, Maghrebi](https://broadrouter.com/fil/blog/arabic-dialect-speech-recognition/)
-   [Presyo ng speech-to-text API, ikinumpara: kada minuto sa 2026](https://broadrouter.com/fil/blog/speech-to-text-api-pricing-compared/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Gabay: Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [Dokumentasyon ng FFmpeg filters (pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, contact center best practices (multichannel audio)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, open-source na speaker diarization](https://github.com/pyannote/pyannote-audio)
-   [API reference ng BroadNet Inference, transcription at mga limit (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-transcribe-call-center-recordings&utm_content=sources)
-   [Machine-readable na presyo ng BroadNet Inference (pricing.json) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-transcribe-call-center-recordings&utm_content=sources)
