客户支持呼叫拥有大量信息，但是找时间手动梳理这些录音以获取见解并不容易。想象一下，如果您可以立即将这些长录音变成清晰的摘要，请跟踪情感在整个通话过程中的变化，甚至根据您想要分析对话的方式而获得量身定制的见解。听起来有用吗？
在本文中，我们将浏览创建一个实用的工具，我构建了Snapsynapse（单击此处），以便做到这一点！使用Pyannote.audio进行言语诊断（标识），转录的耳语和Gemini-1.5 Pro来生成AI驱动的摘要，我将展示如何自动化将支持呼叫录音转换为可行的见解的过程。在此过程中，您将看到如何清洁和完善转录，根据用户输入生成自定义摘要以及跟踪情感趋势 - 所有这些都具有易于遵循的代码段。这是一个动手指南，用于构建超越转录的工具，以帮助您了解和改善客户支持体验。
本文作为数据科学博客马拉松的一部分发表。
Snapsynapse是将客户支持呼叫变成宝贵见解的方便工具。它打破了演讲者的对话，转录所有内容，并突出了整体的情绪和关键点，因此团队可以快速了解客户的需求。使用Pyannote诸如诊断的模型，用于转录的窃窃私语以及Gemini进行摘要，Snapsynapse，snapsynapse提供明确的摘要和情感趋势。它旨在帮助支持团队与客户更好地联系并改善服务，一次进行一次对话。
以下是Snapsynapse的重要关键特征：
在本节中，我们将探讨使Snapsynapse成为客户支持分析的强大工具的核心功能。从自动诊断和转录电话到生成动态对话摘要，这些功能旨在提高支持团队效率。 Snapsynapse具有检测情感趋势并提供可行的见解的能力，简化了了解客户互动的过程。
如果您想查看整个源代码，请参阅repo中的thefiles：repo_link
我们需要打开AI API和Gemini API来运行此项目。您可以在这里获得API - Gemini API，OpenAI API
项目流：
扬声器诊断 - >转录 - >时间戳 - >清洁 - >摘要 - >情感分析
在第一步中，我们将使用一个脚本来获取音频文件，将扬声器分开（诊断），生成转录并分配时间戳。脚本的工作方式是，包括代码和密钥函数的故障：
这个Python脚本一口气执行三个主要任务：
核心函数Transcribe_with_diarization（）结合了所有步骤：
def tresscribe_with_diarization（file_path）：
diarization_result = persim_diarization（file_path）
音频= audiosegend.from_file（file_path）
转录= []
对于段，_，diarization_result.itertracks中的扬声器（fard_label = true）：
start_time_ms = int（segment.start * 1000）
end_time_ms = int（segment.end * 1000）
块=音频[start_time_ms：end_time_ms]
chunk_filename = f“ {sezyer} _sement_ {int（segment.start）}。wav”
chunk.export（chunk_filename，格式=“ wav”）
用audio_file开放（chunk_filename，“ rb”）：
转录= client.audio.transcript。
型号=“ hisper-1”，
file = audio_file，
response_format =“ json”
）
encrpriptions.append（{{
“发言人”：发言人，
“ start_time”：segment.start，
“ end_time”：segment.end，
“转录”：转录
}））
打印（{chunk_filename}的{speaker}完成的转录。”）
瞥见生成的输出并保存在diarized_transcription.py文件中：
＃清洁转录文本的功能
def clean_transcription（文本）：
＃常见填充单词列表
filler_words = [
“ um”，“ uh”，“喜欢”，“你知道”，“实际上”，“基本上”，“我的意思”，
“有点”，“”，“右”，“好”，“ so”，“好”，“ Just”
这是给出的
＃匹配填充单词（案例不敏感）的正则格式模式
filler_pattern = re.compile（r'\ b（'|'.join（filler_words）r'）\ b'，re.ignorecase）
＃删除填充单词
cleaned_text = filler_pattern.sub（''，text）
＃删除额外的空格
cleaned_text = re.sub（r'\ s'，''，cleaned_text）.strip（）
返回cleaned_text在下一步中，我们使用Gemini API根据清洁的转录生成结构化的见解和摘要。我们利用Gemini 1.5 Pro模型进行自然语言处理来分析客户支持呼叫并提供可行的摘要。
这是功能的细分：
简短了解所使用的不同提示：
一瞥生成的输出：
此外，在下一步中，我们对客户支持呼叫转录进行情感分析，以评估整个对话中的情感语气。它使用来自NLTK的Vader情感分析工具来确定对话每个段的情感分数。
这是该过程的细分：
＃计算整体情感得分
总_sentiment_score = total_compound / len（sentiment_results）
＃计算客户和代理商的平均情感
平均_customer_sentiment = customer_sentiment / customer_count如果custerut_count else 0 0
平均_agent_sentiment = agent_sentiment / agent_count如果agent_count else 0 0
＃确定整体情绪为正，中性或负面
如果总_sentiment_score> 0.05：
总体_sentiment =“正”
elif usital_sentiment_score <h4>用于生成图的代码</h4><pre class="brush:php;toolbar:false">def plot_sentiment_trend（sentiment_results）：
＃提取绘图的补充情感分数
compound_scores = [entriment'] ['compound']用于sentiment_results中的输入]
＃创建一个单线图显示情感趋势
plt.figure（无花果=（12，6））
plt.plot（compound_scores，color ='purple'，linestyle =' - '，标记='o'，markersize = 5，label =“情感趋势”）
plt.axhline（0，color ='灰色'，linestyle =' - '）＃为中性情绪添加零行
plt.title（“客户支持对话的情感趋势”，fontsize = 16，fontWeight ='Bold'，color =“ darkblue”）
plt.xlabel（“段索引”）
plt.ylabel（“复合情绪得分”）
plt.grid（true，linestyle =' - '，alpha = 0.5）
plt.legend（）
plt.show（）情感分析得分生成：
产生的情感分析图：
您可以在此处找到代码存储库 - repo_link
现在，让我们浏览如何在本地机器上设置并运行Snapsynapse：
首先将项目存储库克隆到您的本地计算机，以开始使用Snapsynapse。这提供了对应用程序源代码及其所有基本组件的访问。
git克隆https://github.com/keerthanareddy95/snapsynapse.git CD Snapsynapse
虚拟环境有助于隔离依赖性并确保您的项目顺利运行。此步骤为Snapsynapse设置了一个独立的工作区，可以在没有其他软件包干扰的情况下操作。
＃对于Windows： Python -M Venv Venv ＃对于MacOS和Linux： Python3 -M Venv Venv
＃对于Windows： 。\ venv \ scripts \ activate ＃对于MacOS和Linux： 来源VENV/bin/activate
有了虚拟环境，下一步是安装所有必要的库和工具。这些依赖性使Snapsynapse的核心功能包括转录本的产生，说话者诊断，时间邮票的产生，摘要生成，情感分析分数，可视化等。
pip install -r要求.txt
为了利用AI驱动的见解，诊断，转录和摘要，您需要为Google Gemini配置API键，并打开AI Whisper。
在项目的根部创建.ENV文件，并为Google Gemini添加您的API键，然后打开AI Whisper。
Google_api_key =“ your_google_api_key” openai_api_key =“ your_open_ai_api_key”
现在让我们查看以下用于Snapsynapse的开发工具：
简而言之，Snapsynapse通过将原始的呼叫记录转换为可行的见解，从而彻底改变了客户支持分析。从说话者的诊断和转录到产生结构化的摘要和情感分析，Snapsynapse简化了每一步，以全面了解客户互动。借助Gemini模型量身定制的提示和详细的情感跟踪的力量，用户可以轻松获得摘要和趋势，以突出关键的见解和支持结果。
对Google Gemini，Pyannote Audio和Whisper的大喊大叫，可以通过其创新工具为该项目供电！
您可以在此处查看回购。
答：Snapsynapse可以处理格式MP3和WAV的音频文件。
Q2。 Snapsynapse如何处理转录精度和清理？答：Snapsynapse使用耳语进行转录，然后进行清理过程，以消除填充单词，暂停和无关紧要的内容。
Q3。我可以自定义呼叫分析的摘要格式吗？答：是的！ Snapsynapse提供了五个不同的及时选择，使您可以选择满足您需求的摘要格式。这些包括焦点领域，例如行动项目，升级需求和技术问题。
Q4。情感分析提供了哪些见解，如何显示？答：Snapsynapse的情感分析评估了对话的情感基调，提供了情感分数和趋势图。
Q5。什么是客户调用分析，如何使企业受益？A.客户呼叫分析使用AI驱动的工具来转录，分析和从客户互动中提取有价值的见解，帮助企业改善服务，确定趋势并提高客户满意度。
Q6。客户调用分析如何提高客户支持质量？答：通过客户通话分析，企业可以更深入地了解客户情绪，常见问题和代理绩效，从而导致更明智的决策和改进的客户服务策略。
本文所示的媒体不由Analytics Vidhya拥有，并由作者酌情使用。
以上是Snapsynapse使客户呼叫分析变得容易的详细内容。更多信息请关注PHP中文网其他相关文章！
