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:
- Periksa rekaman: stereo atau mono?
- Pisahkan stereo menjadi kanal agen dan pelanggan.
- Potong setiap kanal menjadi giliran bicara.
- Transkripsikan setiap giliran dengan bahasa yang tepat.
- Gabungkan giliran menjadi dialog berdasarkan waktu mulai.
- Samarkan PII dari teks.
- Ringkas dengan LLM menjadi field terstruktur.
Langkah 1: rekamannya stereo atau 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
Banyak perekam contact center menyimpan agen di satu kanal dan pelanggan di kanal lainnya. Panduan contact center AssemblyAI 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?
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). 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:
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?
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 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?
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: menentukan siapa berbicara kapan. Pilihannya:
| Pilihan | Caranya | Trade-off |
|---|---|---|
| Diarization open source | Jalankan 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 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:
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.
Langkah 7: bagaimana meringkas setiap panggilan dengan 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 mendukung output terstruktur; selalu parse dan validasi balasannya (caranya). 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
languageyang salah. - Ringkasan melenceng. Setiap minggu, minta supervisor membandingkan 20 ringkasan dengan transkrip lengkapnya. Pantau seberapa sering
resolvedsalah.
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, atau $120.00 di BroadNet Transcribe 14 bahasa untuk antrean berbahasa Inggris.
- Ringkasan: panggilan 7 menit sering kali berjumlah beberapa ribu token. Hitung harganya di kalkulator biaya API LLM dengan panjang transkrip Anda yang sebenarnya, dan sisi audionya di kalkulator biaya speech-to-text.
Posisi BroadNet Inference
BroadNet menangani langkah 4 dan 7 dengan satu kunci dan satu 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), 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.

