---
title: "Транскрибация звонков колл-центра: конвейер с кодом | BroadRouter"
description: "Разделите стерео по каналам, нарежьте реплики, распознайте арабскую и английскую речь, скройте ПДн и получите сводку звонка от LLM. Код на Python и цены."
url: https://broadrouter.com/ru/blog/transcribe-call-center-recordings/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/transcribe-call-center-recordings/) (обновлён 2026-11-14).

# Транскрибация записей колл-центра: конвейер с поддержкой арабского

Команда BroadNet Inference · 4 мин чтения · Опубликовано 2026-11-14

Чтобы транскрибировать записи колл-центра, разделите стереофайлы на каналы оператора и клиента, нарежьте каждый канал на реплики, распознайте каждую реплику с правильным кодом языка и объедините реплики по времени начала. Перед тем как LLM сделает сводку звонка, замаскируйте в расшифровке номера карт и телефонов. Для моно-записей нужна отдельная диаризация.

## Главное

-   Большинство систем записи звонков хранят оператора и клиента в разных стереоканалах. Разделение по каналам даёт идеальную разметку говорящих без диаризации.
-   Нарезка каждого канала по паузам даёт порядок реплик и избавляет от оплаты тишины.
-   Нормализуйте восточноарабские цифры до маскирования, иначе номера карт и телефонов проскочат.
-   Маскируйте расшифровку до шага сводки и просите у LLM структурированный JSON.
-   При цене $0.0042 за минуту распознавание 1000 часов арабской речи стоит $252.00.

**На этой странице**

1.  Шаг 1: запись стерео или моно?
2.  Шаг 2: как разделить стереоканалы с помощью ffmpeg?
3.  Шаг 3: как нарезать каждый канал на реплики?
4.  Шаг 4: как распознать каждую реплику?
5.  Шаг 5: как объединить реплики в диалог?
6.  А что с моно-записями?
7.  Шаг 6: как замаскировать ПДн, включая арабские цифры?
8.  Шаг 7: как сделать сводку звонка в LLM?
9.  Какие проверки качества нужны до аналитики?
10.  Сколько стоит транскрибация звонков?
11.  Где здесь 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.

Колл-центр производит тысячи часов аудио в месяц, и почти ничего из этого никто не слушает. Расшифровки делают звонки доступными для поиска. Сводки делают их пригодными для разбора. В этой статье мы строим конвейер от начала до конца с арабской спецификой: диалекты, смесь арабского и английского и восточноарабские цифры.

Шаги:

1.  Изучить запись: стерео или моно?
2.  Разделить стерео на каналы оператора и клиента.
3.  Нарезать каждый канал на реплики.
4.  Распознать каждую реплику с правильным языком.
5.  Объединить реплики в диалог по времени начала.
6.  Замаскировать ПДн в тексте.
7.  Сделать сводку в LLM по структурированным полям.

## Шаг 1: запись стерео или моно?

```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
```

Многие системы записи в контакт-центрах хранят оператора в одном канале, а клиента в другом. [Руководство AssemblyAI для контакт-центров](https://www.assemblyai.com/docs/contact-center-best-practices) говорит о том же: с раздельными каналами вы получаете разделение говорящих без диаризации. Проверьте на нескольких звонках, где какая сторона: оператор не всегда в левом канале.

## Шаг 2: как разделить стереоканалы с помощью 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
```

Фильтр `pan` оставляет один канал, а `-ar 16000` передискретизирует звук в 16 кГц — формат, который документация BroadNet использует для телефонных записей.

## Шаг 3: как нарезать каждый канал на реплики?

Это простая форма [детекции голосовой активности](https://broadrouter.com/ru/glossary/vad/). Можно отправлять каждый канал целиком, но тогда вы платите за каждую секунду тишины, пока говорит другая сторона, а на стереозвонке это примерно удваивает счёт. К тому же теряется порядок реплик. Нарезка по паузам решает обе проблемы:

```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
```

Подберите `noise` на своих записях: для зашумлённых линий нужен более высокий порог, например `-30dB`.

## Шаг 4: как распознать каждую реплику?

```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
```

Всегда передавайте `language`. Без него арабский может вернуться латиницей. Для англоязычных очередей используйте `broadnet/cohere-transcribe` с `language="en"`. Держите небольшой пул воркеров: ключи с оплатой по факту допускают 4 одновременных запросов и 30 в минуту, а [руководство по ошибкам и повторам](https://broadrouter.com/ru/guides/errors-and-retries/) показывает, как отступать при 429.

Один файл должен быть меньше 25 МиБ. Длинный монолог в WAV 16 кГц моно (около 32 КБ в секунду) превышает этот лимит примерно на 13-й минуте; разрежьте его с `-f segment -segment_time 600`.

## Шаг 5: как объединить реплики в диалог?

```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"]))
```

Одновременная речь выглядит как две реплики с близким временем начала — именно этого и ожидает человек, который проверяет расшифровку.

## А что с моно-записями?

Без каналов нужна **[диаризация говорящих](https://broadrouter.com/ru/glossary/diarization/)**: определение, кто и когда говорил. Варианты:

| Вариант | Как | Компромисс |
| --- | --- | --- |
| Диаризация с открытым исходным кодом | Запустить [pyannote.audio](https://github.com/pyannote/pyannote-audio) на своих серверах, затем распознать сегмент каждого говорящего | Модель хостите вы; аудио остаётся у вас |
| Провайдер со встроенной диаризацией | Несколько STT API возвращают метки говорящих; стоимость доплат — в [сравнении цен](https://broadrouter.com/ru/blog/speech-to-text-api-pricing-compared/) | Ещё один поставщик на пути данных |
| Разметка ролей через LLM | Распознать реплики, затем попросить LLM пометить каждую как Agent или Customer по контексту | Дёшево; ошибается на коротких или неоднозначных репликах |
| Исправить на источнике | Переключить систему записи на двухканальный режим | Лучшее решение в долгосрочной перспективе |

Диаризации в списке BroadNet нет, так что для моно-аудио сочетайте её с одним из первых трёх вариантов.

## Шаг 6: как замаскировать ПДн, включая арабские цифры?

Звонящие диктуют номера карт, IBAN и телефонов. В расшифровках они могут быть записаны западными (0-9) или восточноарабскими цифрами (٠-٩). Сначала нормализуйте, потом маскируйте:

```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
```

Числа можно произнести и словами («خمسة أربعة…»), а регулярные выражения их пропустят. Просматривайте выборку расшифровок вручную и добавляйте правила для того, что найдёте. Общий подход описан в статье [как отправлять чувствительные данные в LLM API](https://broadrouter.com/ru/blog/llm-api-sensitive-data/).

## Шаг 7: как сделать сводку звонка в 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))
```

Qwen3.8 27B поддерживает [структурированный вывод](https://broadrouter.com/ru/glossary/structured-output/); всегда разбирайте и валидируйте ответ ([как это сделать](https://broadrouter.com/ru/blog/structured-output-json-schema/)). Собственный тест BroadNet также показал, что модель понимает диалекты Залива и египетский. Если ваши дашборды на английском, просите JSON на английском, даже когда звонок на арабском.

## Какие проверки качества нужны до аналитики?

Дашборды на плохих расшифровках выглядят так же уверенно, как и на хороших. Добавьте в конвейер такие проверки:

-   **Перепутанные каналы.** Если на какой-то системе записи или очереди метки оператора и клиента перепутаны, все метрики «оператор сказал» неверны. Проверяйте первую реплику: операторы обычно начинают с приветствия и названия компании.
-   **Пустые или крошечные расшифровки.** Реплика без текста или звонок короче 20 слов обычно означают тишину, музыку на удержании или битый файл. Помечайте их, а не делайте по ним сводку.
-   **Несовпадение языка.** Англоязычная очередь, которая вдруг выдаёт арабский текст, или арабский, вернувшийся латиницей, указывают на неверное значение `language`.
-   **Дрейф сводок.** Каждую неделю пусть супервайзер сравнивает 20 сводок с полными расшифровками. Отслеживайте, как часто ошибочно поле `resolved`.

Храните расшифровки по репликам, а не только сводку. Когда сводку оспаривают, реплики — ваше доказательство.

## Сколько стоит транскрибация звонков?

С нарезкой по репликам оплачиваемое аудио близко к времени разговора. Для 1000 часов арабской речи:

-   Распознавание: $252.00 при цене $0.0042 за минуту на [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) или $120.00 на [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-transcribe/) с 14 языками для англоязычных очередей.
-   Сводки: 7-минутный звонок часто занимает несколько тысяч токенов. Посчитайте стоимость в [калькуляторе стоимости LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/) с реальной длиной ваших расшифровок, а аудио — в [калькуляторе стоимости распознавания речи](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Где здесь BroadNet Inference

BroadNet закрывает шаги 4 и 7 одним ключом и одним [базовым URL](https://broadrouter.com/ru/glossary/base-url/): арабский и ещё 13 языков для транскрибации и проверенные на арабском чат-модели для сводки. Аудио, расшифровки и промпты не хранятся ([нулевое хранение данных](https://broadrouter.com/ru/privacy/)), а BroadNet сообщает, что её арабская модель занимает позицию № 2 из 37 (данные за сентябрь 2026 г.; в живом рейтинге на 15 ноября 2026 г. — № 4 из 39) в Open Universal Arabic ASR Leaderboard.

Диаризацию, распознавание в реальном времени и маскирование BroadNet за вас не делает — они остаются в вашем конвейере. Прежде чем принимать решение, проверьте свои диалекты по методу из статьи [распознавание речи на арабских диалектах](https://broadrouter.com/ru/blog/arabic-dialect-speech-recognition/).

Бесплатные инструменты по теме (на английском)

-   [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.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/)

Распознавание речи (speech-to-text, автоматическое распознавание речи, ASR) — это технология, которая превращает устную речь в письменный текст. API распознавания речи принимает аудиофайл или поток и возвращает расшифровку, обычно с оплатой за минуту аудио. Точность измеряют долей ошибок в словах (WER), и она зависит от акцента, диалекта и качества записи.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Диаризация дикторов (speaker diarization)](https://broadrouter.com/ru/glossary/diarization/)

Диаризация дикторов — это задача разбиения аудиозаписи на сегменты по говорящим, то есть ответ на вопрос «кто и когда говорил». Каждый отрезок речи получает анонимную метку диктора, например SPEAKER\_00, и обычно её совмещают с расшифровкой, чтобы показать, кто произнёс каждую реплику.

[Оплата по факту (pay-as-you-go)](https://broadrouter.com/ru/glossary/pay-as-you-go/)

Оплата по факту (pay-as-you-go) — это модель ценообразования, при которой вы платите только за то, что использовали, по счётчику в единицах вроде токенов, запросов или минут аудио, без подписки и минимальных обязательств. Так тарифицирует большинство LLM API — с предоплаченного баланса или по периодическому счёту.

[Параллельность (concurrency)](https://broadrouter.com/ru/glossary/concurrency/)

Параллельность (concurrency) — это число запросов, которые клиент одновременно держит в работе. LLM API часто ограничивают её на ключ или тариф отдельно от лимита запросов в минуту, потому что каждый открытый запрос занимает мощности GPU, пока ответ не будет готов.

[Персональные данные (PII)](https://broadrouter.com/ru/glossary/pii/)

PII (personally identifiable information) — это информация, с помощью которой можно отличить или отследить личность человека, например имя, номер удостоверения или биометрические данные, а также другая информация, связанная или связываемая с ним. В GDPR используется более широкий термин «персональные данные». В работе с LLM маскирование PII удаляет их из промптов до того, как те покинут ваши системы.

[Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/)

Частота дискретизации — это число отсчётов звука, записываемых за секунду, в герцах (Гц). Модели распознавания речи обычно ожидают моно-аудио с частотой 16 000 Гц (16 кГц). Вместе с разрядностью и числом каналов частота дискретизации определяет, сколько весит минута несжатого аудио.

[Детекция речевой активности (VAD)](https://broadrouter.com/ru/glossary/vad/)

Детекция речевой активности (voice activity detection, VAD) — это этап обработки сигнала, который помечает короткие кадры аудио как речь или не речь. Речевые системы используют её, чтобы пропускать тишину, делить длинные записи по паузам, понимать, что собеседник договорил, и не транскрибировать фоновый шум.

## Вопросы и ответы

### Как разделить оператора и клиента в записи звонка?

Если запись стерео, оператор и клиент обычно в разных каналах. Разделите их с помощью ffmpeg и распознавайте каждый канал отдельно. Если запись моно, нужна диаризация говорящих.

### Придётся ли платить дважды, если распознавать оба стереоканала?

Если отправлять каждый канал целиком — да, потому что каждый канал длится столько же, сколько звонок. Если нарезать каждый канал на реплики и отправлять только их, оплачиваемое аудио приближается к реальному времени разговора.

### Можно ли транскрибировать арабские звонки с вкраплениями английских слов?

Да, но проверьте. Операторы из стран Залива и Леванта часто переходят на английский для названий продуктов и чисел. Посмотрите, как эти слова распознаются на 20 реальных звонках, прежде чем полагаться на поиск по ключевым словам или аналитику.

### Что маскировать — аудио или текст?

Маскируйте текстовую расшифровку до того, как она попадёт в LLM, аналитику или поиск. Если вы храните аудио, в нём по-прежнему есть произнесённые номера, так что ограничьте доступ к аудио и задайте срок его хранения.

### Какой длины может быть один аудиофайл?

BroadNet принимает WAV или MP3 до 26 214 400 байт (25 МиБ) на запрос. WAV 16 кГц моно — это около 32 КБ в секунду, так что держите сегменты короче примерно 13 минут или используйте MP3.

## Читайте также

-   [Протокол арабской встречи по записи: конвейер на API](https://broadrouter.com/ru/blog/arabic-meeting-minutes-from-recordings/)
-   [Транскрибация аудио больше 25 МБ: разрезать, отправить, склеить](https://broadrouter.com/ru/blog/transcribe-long-audio-files-api/)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Конфиденциальные данные в LLM API: маскирование, минимизация, логи](https://broadrouter.com/ru/blog/llm-api-sensitive-data/)
-   [Распознавание арабских диалектов: Залив, Египет, Левант, Магриб](https://broadrouter.com/ru/blog/arabic-dialect-speech-recognition/)
-   [Цены API распознавания речи: сравнение стоимости минуты в 2026 году](https://broadrouter.com/ru/blog/speech-to-text-api-pricing-compared/)
-   [Огласовки в арабском тексте через LLM: промпт, проверка, DER](https://broadrouter.com/ru/blog/arabic-diacritization-llm/)
-   [Проверка арабской орфографии и грамматики через LLM: руководство](https://broadrouter.com/ru/blog/arabic-grammar-spelling-correction-llm/)
-   [Руководство: API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/)
-   [Руководство: Коды ошибок BroadNet Inference и когда повторять запрос](https://broadrouter.com/ru/guides/errors-and-retries/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Документация фильтров FFmpeg (pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, рекомендации для контакт-центров (многоканальное аудио)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, диаризация говорящих с открытым исходным кодом](https://github.com/pyannote/pyannote-audio)
-   [Справочник BroadNet Inference API, транскрибация и лимиты (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-transcribe-call-center-recordings&utm_content=sources)
-   [Машиночитаемые цены BroadNet Inference (pricing.json) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-transcribe-call-center-recordings&utm_content=sources)
