BroadRouter

コールセンターの通話録音を文字起こしする:アラビア語対応のパイプライン

BroadNet Inference チーム · 約 4 分で読めます · 公開日

コールセンターの録音を文字起こしするには、ステレオファイルをオペレーターと顧客のチャンネルに分け、各チャンネルを発話ターンに切り、正しい言語コードで各ターンを文字起こしし、開始時刻順に結合します。LLM で要約する前に、カード番号や電話番号をマスキングします。モノラル録音には別途話者分離が必要です。

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.

コールセンターは毎月何千時間もの音声を生み出しますが、そのほとんどは誰にも読まれません。文字起こしがあれば通話を検索でき、要約があれば通話をレビューできます。この記事では、方言、アラビア語と英語の混在、東アラビア数字といったアラビア語の観点を含めて、パイプラインを端から端まで構築します。

手順は次のとおりです。

  1. 録音を調べる:ステレオかモノラルか。
  2. ステレオをオペレーターと顧客のチャンネルに分ける。
  3. 各チャンネルを発話ターンに切る。
  4. 各ターンを正しい言語で文字起こしする。
  5. 開始時刻順にターンを会話として結合する。
  6. テキストから個人情報(PII)をマスキングする。
  7. LLM で構造化された項目に要約する。

ステップ 1:録音はステレオかモノラルか

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

多くのコンタクトセンターの録音システムは、オペレーターを一方のチャンネルに、顧客をもう一方に保存しています。AssemblyAI のコンタクトセンターガイドも同じ点を挙げています。チャンネルが分かれていれば、話者分離なしで話者を区別できます。どちらがどちらかは何件かの通話で確認してください。オペレーターがいつも左とは限りません。

ステップ 2:ffmpeg でステレオのチャンネルを分けるには

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 フィルターで 1 チャンネルだけを残し、-ar 16000 で 16 kHz にリサンプリングします。これは BroadNet のドキュメントが電話録音に使っている形式です。

ステップ 3:各チャンネルを発話ターンに切るには

これは音声区間検出(VAD)の簡単な形です。各チャンネルを丸ごと送っても動きますが、相手が話している間の無音にも 1 秒ごとに料金を払うことになり、ステレオ通話ではおおよそ料金が倍になります。ターンの順序も失われます。無音で切ればどちらも解決します。

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

noise は自分の録音で調整してください。ノイズの多い回線では -30dB のように高めのしきい値が必要です。

ステップ 4:各ターンを文字起こしするには

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

language は必ず送ってください。送らないと、アラビア語がラテン文字で返ってくることがあります。英語のキューでは broadnet/cohere-transcribe を language="en" で使います。ワーカープールは小さめに保ちます。従量課金のキーは同時実行 4、1 分あたり 30 リクエストまでで、429 のときのバックオフ方法はエラーとリトライのガイドにあります。

1 つのファイルは 25 MiB 未満でなければなりません。16 kHz モノラル WAV(1 秒あたり約 32 KB)の長い独白は約 13 分でこれを超えるので、-f segment -segment_time 600 で分割してください。

ステップ 5:ターンを会話として結合するには

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"]))

発話の重なりは開始時刻の近い 2 つのターンとして表れ、これは人のレビュー担当者が期待する形です。

モノラル録音はどうしますか?

チャンネルがなければ、誰がいつ話したかを判定する**話者分離**が必要です。選択肢は次のとおりです。

選択肢 方法 トレードオフ
オープンソースの話者分離 自社サーバーで pyannote.audio を動かし、話者ごとのセグメントを文字起こし モデルを自前でホストする。音声は手元に残る
話者分離を内蔵したプロバイダー いくつかの音声認識 API は話者ラベルを返す。追加料金は価格比較を参照 データの経路にベンダーが 1 社増える
LLM による役割ラベル付け ターンを文字起こしし、文脈から各ターンをオペレーターか顧客か LLM にラベル付けさせる 安い。短いターンや曖昧なターンでは誤る
発生源で直す 録音システムを 2 チャンネルに切り替える 長期的には最善

BroadNet は話者分離を提供していないので、モノラル音声では最初の 3 つのいずれかと組み合わせてください。

ステップ 6:アラビア数字も含めて個人情報をマスキングするには

発信者はカード番号、IBAN、電話番号を読み上げます。文字起こしでは西洋数字(0-9)で書かれることも、東アラビア数字(٠-٩)で書かれることもあります。先に正規化し、それからマスキングします。

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

数字は単語として話されることもあり(「خمسة أربعة…」)、正規表現では見逃します。文字起こしを手作業で抜き取って確認し、見つけたものに対するルールを追加してください。より広い取り組み方は機密データを LLM API に送るにあります。

ステップ 7:LLM で通話ごとに要約するには

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 は構造化出力に対応しています。返答は必ずパースして検証してください(方法)。BroadNet 自身のテストでは、湾岸方言とエジプト方言も理解できることがわかっています。ダッシュボードが英語なら、通話がアラビア語でも英語の JSON を求めてください。

分析の前にどんな品質チェックをしますか?

質の悪い文字起こしに基づくダッシュボードも、質のよい文字起こしに基づくものと同じくらい自信ありげに見えます。パイプラインに次のチェックを加えてください。

  • チャンネルの取り違え。 ある録音システムやキューでオペレーターと顧客のラベルが逆になっていると、「オペレーターの発言」に関する指標はすべて誤りになります。最初のターンを確認してください。オペレーターは通常、あいさつと社名で話し始めます。
  • 空またはごく短い文字起こし。 テキストが返らないターンや、20 語未満の通話は、たいてい無音、保留音、壊れたファイルです。要約せずにフラグを立ててください。
  • 言語の不一致。 英語のキューが急にアラビア語のテキストを出したり、アラビア語がラテン文字で返ってきたりするのは、language の値が誤っている兆候です。
  • 要約のずれ。 毎週、スーパーバイザーに要約 20 件を文字起こし全文と比べてもらい、resolved が誤っている頻度を追跡します。

要約だけでなく、ターンごとの文字起こしも保存してください。要約に異論が出たとき、ターンが証拠になります。

通話の文字起こしにいくらかかりますか?

ターンに切れば、課金される音声は発話時間に近くなります。アラビア語音声 1,000 時間の場合:

BroadNet Inference の位置づけ

BroadNet は、1 つのキーと 1 つのベース URL でステップ 4 と 7 をカバーします。文字起こしはアラビア語とほか 13 言語、要約はアラビア語でテスト済みのチャットモデルです。音声、文字起こし、プロンプトは保持されず(ゼロデータ保持)、BroadNet は同社のアラビア語モデルが Open Universal Arabic ASR Leaderboard で 37 件中 2 位(2026年9月時点の数値。2026年11月15日のライブのリーダーボードでは 39 件中 4 位) だと報告しています。

話者分離、リアルタイム文字起こし、マスキングは行いません。これらは自分のパイプラインに残ります。決める前に、アラビア語方言の音声認識の方法で自分の方言をテストしてください。

よくある質問

通話録音でオペレーターと顧客を分けるには?

録音がステレオなら、オペレーターと顧客は通常別々のチャンネルにいます。ffmpeg で分け、チャンネルごとに文字起こししてください。モノラルなら話者分離が必要です。

ステレオの両チャンネルを文字起こしすると料金は 2 倍ですか?

各チャンネルを丸ごと送るならそうなります。どちらのチャンネルも通話と同じ長さだからです。各チャンネルを発話ターンに切ってターンだけを送れば、課金される音声は実際の発話時間に近づきます。

英単語が混じったアラビア語の通話も文字起こしできますか?

できますが、テストしてください。湾岸やレバントのオペレーターは、製品名や数字で英語に切り替えることがよくあります。キーワード検索や分析に頼る前に、実際の通話 20 件でそうした単語がどう出力されるかを確認してください。

マスキングは音声とテキストのどちらにすべきですか?

文字起こしのテキストが LLM、分析、検索に渡る前にマスキングします。音声を保管する場合、音声には読み上げられた番号がそのまま残っているので、音声もアクセスを制限し、期限を設けて削除してください。

音声ファイル 1 つの長さの上限は?

BroadNet はリクエストあたり最大 26,214,400 バイト(25 MiB)の WAV または MP3 を受け付けます。16 kHz モノラル WAV は 1 秒あたり約 32 KB なので、セグメントは約 13 分未満に抑えるか、MP3 を使ってください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く