Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Output analitik pasca-panggilan
Transkrip analitik pasca-panggilan ditampilkan dalam turn-by-turn format berdasarkan segmen. Mereka termasuk kategorisasi panggilan, karakteristik panggilan (skor kenyaringan, interupsi, waktu non-bicara, kecepatan bicara), ringkasan panggilan (masalah, hasil, dan item tindakan), redaksi, dan sentimen. Selain itu, ringkasan karakteristik percakapan disediakan di akhir transkrip.
Untuk meningkatkan akurasi dan lebih lanjut menyesuaikan transkrip Anda dengan kasus penggunaan Anda, seperti menyertakan istilah khusus industri, tambahkan kosakata khusus atau model bahasa khusus ke permintaan Analisis Panggilan Anda. Untuk menutupi, menghapus, atau menandai kata-kata yang tidak Anda inginkan dalam hasil transkripsi Anda, seperti kata-kata kotor, tambahkan pemfilteran kosakata. Jika Anda tidak yakin kode bahasa yang akan diteruskan ke file media, Anda dapat mengaktifkan identifikasi bahasa batch untuk secara otomatis mengidentifikasi bahasa dalam file media Anda.
Bagian berikut menunjukkan contoh JSON output pada tingkat wawasan. Untuk output yang dikompilasi, lihatOutput analitik pasca-panggilan yang dikompilasi.
Kategorisasi panggilan
Inilah yang terlihat seperti kecocokan kategori dalam keluaran transkripsi Anda. Contoh ini menunjukkan bahwa audio dari stempel waktu 40040 milidetik ke stempel waktu 42460 milidetik cocok dengan kategori 'resolusi positif'. Dalam hal ini, kategori 'resolusi positif' khusus membutuhkan sentimen positif dalam beberapa detik terakhir pidato.
"Categories": { "MatchedDetails": { "positive-resolution": { "PointsOfInterest": [ { "BeginOffsetMillis":40040, "EndOffsetMillis":42460} ] } }, "MatchedCategories": [ "positive-resolution" ] },
Karakteristik panggilan
Inilah yang terlihat seperti karakteristik panggilan dalam keluaran transkripsi Anda. Perhatikan bahwa skor kenyaringan disediakan untuk setiap giliran percakapan, sementara semua karakteristik lainnya disediakan di akhir transkrip.
"LoudnessScores": [87.54,88.74,90.16,86.36,85.56,85.52,81.79,87.74,89.82],..."ConversationCharacteristics": { "NonTalkTime": { "Instances": [], "TotalTimeMillis":0}, "Interruptions": { "TotalCount":2, "TotalTimeMillis":10700, "InterruptionsByInterrupter": { "AGENT": [ { "BeginOffsetMillis":26040, "DurationMillis":5510, "EndOffsetMillis":31550} ], "CUSTOMER": [ { "BeginOffsetMillis":770, "DurationMillis":5190, "EndOffsetMillis":5960} ] } }, "TotalConversationDurationMillis":42460,..."TalkSpeed": { "DetailsByParticipant": { "AGENT": { "AverageWordsPerMinute":150}, "CUSTOMER": { "AverageWordsPerMinute":167} } }, "TalkTime": { "DetailsByParticipant": { "AGENT": { "TotalTimeMillis":32750}, "CUSTOMER": { "TotalTimeMillis":18010} }, "TotalTimeMillis":50760} },
Masalah, Item Tindakan, dan Langkah Selanjutnya
-
Dalam contoh berikut, masalah diidentifikasi sebagai mulai dari karakter 7 dan berakhir pada karakter 51, yang mengacu pada bagian teks ini: "Saya ingin membatalkan langganan resep saya”.
"Content": "Well, I would like to cancel my recipe subscription.", "IssuesDetected": [ { "CharacterOffsets": { "Begin":7, "End":51} } ], -
Dalam contoh berikut, hasil diidentifikasi sebagai mulai dari karakter 12 dan berakhir pada karakter 78, yang mengacu pada bagian teks ini: "Saya membuat semua perubahan pada akun Anda dan sekarang diskon ini diterapkan”.
"Content": "Wonderful. I made all changes to your account and now this discount is applied, please check.", "OutcomesDetected": [ { "CharacterOffsets": { "Begin":12, "End":78} } ], -
Dalam contoh berikut, item tindakan diidentifikasi sebagai mulai dari karakter 0 dan berakhir pada karakter 103, yang mengacu pada bagian teks ini: "Saya akan mengirim email dengan semua detail kepada Anda hari ini, dan saya akan menghubungi Anda kembali minggu depan untuk menindaklanjuti”.
"Content": "I will send an email with all the details to you today, and I will call you back next week to follow up. Have a wonderful evening.", "ActionItemsDetected": [ { "CharacterOffsets": { "Begin":0, "End":103} } ],
Ringkasan panggilan generatif
Inilah yang terlihat seperti ringkasan panggilan generatif dalam keluaran transkripsi Anda:
"ContactSummary": { "AutoGenerated": { "OverallSummary": { "Content": "A customer wanted to check to see if we had a bag allowance. We told them that we didn't have it, but we could add the bag from Canada to Calgary and then do the one coming back as well." } } }
Pekerjaan analitik akan selesai tanpa pembuatan ringkasan dalam kasus berikut:
-
Konten percakapan tidak mencukupi: Percakapan harus mencakup setidaknya satu putaran dari agen dan pelanggan. Ketika konten percakapan tidak mencukupi, layanan akan mengembalikan kode kesalahan INSUFFICIENT _ CONVERSATION _CONTENT.
-
Pagar pengaman: Percakapan harus memenuhi pagar pengaman di tempat untuk memastikan ringkasan yang tepat dihasilkan. Ketika pagar pembatas ini tidak terpenuhi, layanan akan mengembalikan kode kesalahan FAILED _ _SAFETY. GUIDELINES
Kode kesalahan dapat ditemukan di Skipped bagian AnalyticsJobDetails dalam output. Anda juga dapat menemukan alasan kesalahan CallAnalyticsJobDetails dalam GetCallAnalyticsJobAPIRespons.
Contoh Kesalahan Output
{ "JobStatus": "COMPLETED", "AnalyticsJobDetails": { "Skipped": [ { "Feature": "GENERATIVE_SUMMARIZATION", "ReasonCode": "INSUFFICIENT_CONVERSATION_CONTENT", "Message": "The conversation needs to have at least one turn from both the participants to generate summary" } ] }, "LanguageCode": "en-US", "AccountId": "***************", "JobName": "Test2-copy",...}
Analisis sentimen
Inilah yang terlihat seperti analisis sentimen dalam output transkripsi Anda.
-
Nilai turn-by-turn sentimen kualitatif:
"Content": "That's very sad to hear. Can I offer you a 50% discount to have you stay with us?",..."BeginOffsetMillis":12180, "EndOffsetMillis":16960, "Sentiment": "NEGATIVE", "ParticipantRole": "AGENT"..."Content": "That is a very generous offer. And I accept.",..."BeginOffsetMillis":17140, "EndOffsetMillis":19860, "Sentiment": "POSITIVE", "ParticipantRole": "CUSTOMER" -
Nilai sentimen kuantitatif untuk seluruh panggilan:
"Sentiment": { "OverallSentiment": { "AGENT":2.5, "CUSTOMER":2.1}, -
Nilai sentimen kuantitatif per peserta dan per kuartal panggilan:
"SentimentByPeriod": { "QUARTER": { "AGENT": [ { "Score":0.0, "BeginOffsetMillis":0, "EndOffsetMillis":9862}, { "Score":-5.0, "BeginOffsetMillis":9862, "EndOffsetMillis":19725}, { "Score":5.0, "BeginOffsetMillis":19725, "EndOffsetMillis":29587}, { "Score":5.0, "BeginOffsetMillis":29587, "EndOffsetMillis":39450} ], "CUSTOMER": [ { "Score":-2.5, "BeginOffsetMillis":0, "EndOffsetMillis":10615}, { "Score":5.0, "BeginOffsetMillis":10615, "EndOffsetMillis":21230}, { "Score":2.5, "BeginOffsetMillis":21230, "EndOffsetMillis":31845}, { "Score":5.0, "BeginOffsetMillis":31845, "EndOffsetMillis":42460} ] } }
PIIredaksi
Inilah yang tampak seperti PII redaksi dalam keluaran transkripsi Anda.
"Content": "[PII], my name is [PII], how can I help?", "Redaction": [{ "Confidence": "0.9998", "Type": "NAME", "Category": "PII" }]
Untuk informasi lebih lanjut, lihat Menyunting PII dalam pekerjaan batch Anda.
Identifikasi bahasa
Seperti inilah tampilan Identifikasi Bahasa dalam keluaran transkripsi Anda jika fitur tersebut diaktifkan.
"LanguageIdentification": [{ "Code": "en-US", "Score": "0.8299" }, { "Code": "en-NZ", "Score": "0.0728" }, { "Code": "zh-TW", "Score": "0.0695" }, { "Code": "th-TH", "Score": "0.0156" }, { "Code": "en-ZA", "Score": "0.0121" }]
Dalam contoh keluaran di atas, Identifikasi Bahasa akan mengisi kode bahasa dengan skor kepercayaan. Hasil dengan skor tertinggi akan dipilih sebagai kode bahasa untuk transkripsi. Untuk detail mode lihat Mengidentifikasi bahasa dominan di media Anda.
Output analitik pasca-panggilan yang dikompilasi
Untuk singkatnya, beberapa konten diganti dengan elips dalam keluaran transkripsi berikut.
Sampel ini mencakup fitur opsional - Ringkasan panggilan generatif.
{ "JobStatus": "COMPLETED", "LanguageCode": "en-US", "Transcript": [ { "LoudnessScores": [ 78.63, 78.37, 77.98, 74.18 ], "Content": "[PII], my name is [PII], how can I help?",..."Content": "Well, I would like to cancel my recipe subscription.", "IssuesDetected": [ { "CharacterOffsets": { "Begin": 7, "End": 51 } } ],..."Content": "That's very sad to hear. Can I offer you a 50% discount to have you stay with us?", "Items": [...], "Id": "649afe93-1e59-4ae9-a3ba-a0a613868f5d", "BeginOffsetMillis": 12180, "EndOffsetMillis": 16960, "Sentiment": "NEGATIVE", "ParticipantRole": "AGENT" }, { "LoudnessScores": [ 80.22, 79.48, 82.81 ], "Content": "That is a very generous offer. And I accept.", "Items": [...], "Id": "f9266cba-34df-4ca8-9cea-4f62a52a7981", "BeginOffsetMillis": 17140, "EndOffsetMillis": 19860, "Sentiment": "POSITIVE", "ParticipantRole": "CUSTOMER" }, {..."Content": "Wonderful. I made all changes to your account and now this discount is applied, please check.", "OutcomesDetected": [ { "CharacterOffsets": { "Begin": 12, "End": 78 } } ],..."Content": "I will send an email with all the details to you today, and I will call you back next week to follow up. Have a wonderful evening.", "Items": [...], "Id": "78cd0923-cafd-44a5-a66e-09515796572f", "BeginOffsetMillis": 31800, "EndOffsetMillis": 39450, "Sentiment": "POSITIVE", "ParticipantRole": "AGENT" }, { "LoudnessScores": [ 78.54, 68.76, 67.76 ], "Content": "Thank you very much, sir. Goodbye.", "Items": [...], "Id": "5c5e6be0-8349-4767-8447-986f995af7c3", "BeginOffsetMillis": 40040, "EndOffsetMillis": 42460, "Sentiment": "POSITIVE", "ParticipantRole": "CUSTOMER" } ],..."Categories": { "MatchedDetails": { "positive-resolution": { "PointsOfInterest": [ { "BeginOffsetMillis": 40040, "EndOffsetMillis": 42460 } ] } }, "MatchedCategories": [ "positive-resolution" ] },..."ConversationCharacteristics": { "NonTalkTime": { "Instances": [], "TotalTimeMillis": 0 }, "Interruptions": { "TotalCount": 2, "TotalTimeMillis": 10700, "InterruptionsByInterrupter": { "AGENT": [ { "BeginOffsetMillis": 26040, "DurationMillis": 5510, "EndOffsetMillis": 31550 } ], "CUSTOMER": [ { "BeginOffsetMillis": 770, "DurationMillis": 5190, "EndOffsetMillis": 5960 } ] } }, "TotalConversationDurationMillis": 42460, "Sentiment": { "OverallSentiment": { "AGENT": 2.5, "CUSTOMER": 2.1 }, "SentimentByPeriod": { "QUARTER": { "AGENT": [ { "Score": 0.0, "BeginOffsetMillis": 0, "EndOffsetMillis": 9862 }, { "Score": -5.0, "BeginOffsetMillis": 9862, "EndOffsetMillis": 19725 }, { "Score": 5.0, "BeginOffsetMillis": 19725, "EndOffsetMillis": 29587 }, { "Score": 5.0, "BeginOffsetMillis": 29587, "EndOffsetMillis": 39450 } ], "CUSTOMER": [ { "Score": -2.5, "BeginOffsetMillis": 0, "EndOffsetMillis": 10615 }, { "Score": 5.0, "BeginOffsetMillis": 10615, "EndOffsetMillis": 21230 }, { "Score": 2.5, "BeginOffsetMillis": 21230, "EndOffsetMillis": 31845 }, { "Score": 5.0, "BeginOffsetMillis": 31845, "EndOffsetMillis": 42460 } ] } } }, "TalkSpeed": { "DetailsByParticipant": { "AGENT": { "AverageWordsPerMinute": 150 }, "CUSTOMER": { "AverageWordsPerMinute": 167 } } }, "TalkTime": { "DetailsByParticipant": { "AGENT": { "TotalTimeMillis": 32750 }, "CUSTOMER": { "TotalTimeMillis": 18010 } }, "TotalTimeMillis": 50760 }, "ContactSummary": { // Optional feature - Generative call summarization "AutoGenerated": { "OverallSummary": { "Content": "The customer initially wanted to cancel but the agent convinced them to stay by offering a 50% discount, which the customer accepted after reconsidering cancelling given the significant savings. The agent ensured the discount was applied and said they would follow up to ensure the customer remained happy with the revised subscription." } } } }, "AnalyticsJobDetails": { "Skipped": [] },...}
