Голосовой ассистент состоит из пяти звеньев: телефонный канал, распознавание речи, диалоговая логика, синтез речи и интеграции с вашими системами. Слова клиента превращаются в текст, текст разбирается и по нему принимается решение, ответ озвучивается и отправляется обратно в трубку. Главная трудность не в качестве слов, а во времени: если ассистент отвечает с паузой или перебивает человека, разговор разваливается раньше, чем кончится сценарий.
Ниже разбор по звеньям и таблицы того, что где ломается. Услуга описана на странице «Голосовые ИИ-ассистенты»; здесь только устройство и способ проверки.
Пять звеньев: что делает каждое и что в нём ломается
Разговор идёт по кругу: человек говорит, система слышит, думает, отвечает. Звенья можно поменять по отдельности, поэтому ими удобно мерить и управлять.
| Звено | Что делает | Что может сломаться | Что проверять |
|---|---|---|---|
| Телефонный канал | Принимает звонок от АТС или оператора и передаёт звук ассистенту в обе стороны | Обрывы, эхо, потеря начала фразы, разные кодеки у оператора и у вас | Запись нескольких десятков реальных звонков через тот же канал |
| Распознавание речи | Превращает звук в текст, обычно потоком, пока человек говорит | Шум, акцент, названия и фамилии, цифры, перебивающие друг друга голоса | Долю ошибок на вашей выборке, отдельно по именам, адресам и числам |
| Диалог | Понимает намерение, ведёт сценарий, достаёт данные из систем, решает, что сказать | Неверно понятая реплика, потерянный контекст, выдуманный ответ | Долю диалогов, дошедших до цели без оператора, и долю ошибочных действий |
| Синтез речи | Превращает текст ответа в голос | Неверные ударения, механическая интонация, ошибки в числах и аббревиатурах | Прослушивание ответов с вашими словами и адресами |
| Интеграции | Читают и пишут в CRM, расписание, учёт, оператору передают историю | Данные устарели, запись дублируется, оператор получает пустую карточку | Запись в системы по каждому сценарию и поведение при сбое |
Каждое звено добавляет собственную ошибку, и они перемножаются: неверно расслышанная фамилия, верно понятая, но записанная не туда, озвучена правильно, а результат всё равно неверный. Поэтому на тестировании измеряют не только итог, но и каждое звено: так видно, что чинить.
Распознавание речи: почему телефон хуже микрофона
Телефонный звук узкополосный: оператор связи передаёт его в узком диапазоне частот (дискретизация 8 кГц), и многие согласные различаются хуже, чем в записи с хорошего микрофона. Модели, обученные на чистой речи, на телефонном звуке заметно ошибаются чаще. Поэтому проверка начинается с записей ваших же звонков.
Что распознаётся хуже всего
- Имена, фамилии и названия. Нестандартные слова модель не знает. Помогает словарь ваших терминов, список клиентов и подсказки по контексту.
- Цифры. Номер заказа, телефон, дата. Ассистент должен повторить число вслух и получить подтверждение.
- Адреса. Улицу и дом лучше сверять со справочником, а не принимать как есть.
- Перебивания и шум. Улица, ветер, второй голос в комнате. Часть фраз пропадёт, и сценарий должен переспрашивать.
Распознавание делается потоком: текст появляется, пока человек ещё говорит. Это сокращает задержку, но частичный текст меняется по ходу фразы, поэтому решения принимаются только после того, как система решила, что реплика закончена. Как определяется конец реплики, сказано в разделе про задержки.
Диалог: что решает сценарий, а что модель
Языковая модель делает ассистента гибким: человек говорит как хочет, а не по меню. Но у свободы есть цена, поэтому правило такое: модель понимает и формулирует, а действия и факты определяют сценарий и ваши системы.
| Что нужно сделать | Кто решает | Почему так |
|---|---|---|
| Понять, чего хочет человек | Модель | Реплики разные, перечислить все формулировки правилами нельзя |
| Вытащить дату, имя, адрес из речи | Модель, затем проверка по формату и справочнику | Модель может выдумать правдоподобный адрес, а справочник нет |
| Назвать свободное время для записи | Ваша система расписания | Время должно быть настоящим, а не придуманным |
| Сказать условия услуги или график | Поиск по вашим документам, ответ со ссылкой на источник | Принцип описан в статье «Что такое RAG» |
| Изменить цену, оформить возврат, принять претензию | Человек | Деньги и договорные обязательства нельзя отдавать вероятностной системе |
| Решить, что ассистент не понял | Порог уверенности и правила сценария | Выбор порога разобран в статье про порог уверенности |
Сценарий для голоса проще, чем для чата. В тексте человек перечитает длинный ответ, в голосе нет: фразы короткие, вариантов выбора не больше двух-трёх, после важных данных идёт подтверждение. Ассистент, который зачитывает регламент целиком, звучит хуже простого меню. Если вопрос требует длинного ответа, лучше обещать отправить его сообщением.
Синтез речи: что делает голос живым и что его выдаёт
Синтез речи превращает текст ответа в звук. Его качество определяется не тембром, а мелочами: ударениями, паузами и числами. Типичные ошибки: неверное ударение в имени или названии улицы, номер заказа, прочитанный как число вместо чтения по цифрам, аббревиатура, зачитанная по буквам не там, где нужно.
- Словарь произношений. Названия компании, продуктов и улиц с ударениями. Правится без переобучения.
- Правила для чисел. Телефон читается по две-три цифры, сумма как сумма, код заказа по знакам.
- Паузы и разметка. Короткие фразы с паузами звучат естественнее длинных.
- Собственный голос. Клонировать голос реального человека можно только с его письменного согласия, и мы не делаем голоса, имитирующие конкретных людей без разрешения.
Нужно ли скрывать, что на линии ассистент? Мы советуем не скрывать: приветствие называет, с кем говорит человек, и предлагает оператора. Скрытая имитация живого человека разрушает доверие в первую же ошибку, а выигрыша не даёт.
Задержка: откуда берётся неловкая пауза
В живом разговоре пауза между репликами короткая, и длинная молчащая линия воспринимается как обрыв. Задержка складывается из звеньев, и сократить её можно в каждом.
| Источник задержки | Что происходит | Как сокращаем | Цена решения |
|---|---|---|---|
| Определение конца реплики | Система ждёт тишины, чтобы понять, что человек закончил | Подбор порога тишины, учёт смысла фразы | Слишком короткий порог перебивает, слишком длинный тянет паузу |
| Распознавание | Финальная расшифровка последних слов | Потоковое распознавание, обработка на ближних серверах | Нужна своя инфраструктура |
| Ответ модели | Модель формирует ответ целиком | Начинать озвучивать, пока ответ ещё пишется; короткие ответы; модель поменьше для простых реплик | Менее мощная модель чаще ошибается на сложных репликах |
| Запросы к системам | Ожидание ответа CRM или расписания | Заранее подгружать данные клиента, кэшировать справочники | Данные могут чуть устареть |
| Синтез речи | Озвучивание ответа | Потоковый синтез, готовые записи для частых фраз | Часть фраз звучит одинаково |
| Сеть и телефония | Путь звука между оператором, АТС и серверами | Серверы рядом с АТС, один путь звука без лишних пересылок | Ограничения размещения |
Точных цифр здесь нет, потому что они зависят от размещения, модели и нагрузки. Поэтому мы измеряем задержку на вашем канале и записываем допустимую в приёмку до разработки. Заполнять паузу фразой вроде «секунду, проверяю» допустимо, но это маскировка, а не решение: если проверка занимает заметное время, сценарий надо менять.
Перебивание и «ты меня слышишь?»
Человек часто перебивает ассистента. Если озвучивание не прерывается при первых словах клиента, возникает ощущение, что с ним разговаривает магнитофон. Правильная система слышит собеседника во время своей речи, останавливает голос и продолжает с нужного места. Это самая тонкая настройка на телефонных линиях: эхо от динамика собеседника может принять ассистент за его речь и остановить сам себя.
Телефония и запись разговоров
Ассистент подключается к вашей АТС или к оператору через SIP или через программный интерфейс телефонии. Подключение сводится к четырём вопросам:
- Куда переключать. Очередь операторов, группа, внутренний номер. Переключение передаёт оператору краткое изложение и карточку клиента, иначе клиент повторяется заново.
- Что записывать. Записи разговоров и распознанный текст относятся к персональным данным. Срок хранения, права доступа и уведомление собеседника о записи определяет оператор, то есть вы; юридические формулировки готовит ваш юрист.
- Где хранить. Персональные данные граждан РФ обычно должны храниться на серверах в России. Для данных ограниченного доступа внешние облачные сервисы распознавания и синтеза чаще всего не подходят по требованиям заказчика, поэтому модели размещают на ваших серверах. Выбор описан в статье «Своя LLM или ChatGPT API».
- Что делать при сбое. Недоступна модель, CRM или канал: звонок переводится на оператора, а не обрывается.
Входящие звонки проще исходящих. Входящий человек сам хочет говорить, а исходящий обзвон упирается в согласие на звонок и в рекламные ограничения. Холодным обзвоном мы не занимаемся.
Где голосовой ассистент работает, а где лучше без него
| Сценарий | Подходит ли | Почему |
|---|---|---|
| Запись на приём, перенос времени | Подходит | Узкий сценарий, данные в расписании, цель понятна |
| Статус заказа или обращения | Подходит | Ответ читается из системы, риск ошибки мал |
| Ответы на частые вопросы по режиму работы и условиям | Подходит при поиске по документам | Источник ответа проверяем и показываем оператору |
| Приём заявки с несколькими уточнениями | Подходит с подтверждением | Нужно повторять числа и адреса вслух |
| Претензия, спорный платёж, юридический вопрос | Нет | Ошибка стоит дорого, человек нужен с первой реплики |
| Разговор с раздражённым клиентом | Только передача оператору | Ассистент не должен спорить, ему нужно распознать тон и передать |
| Сложная консультация с долгим диалогом | Нет | Голос плохо подходит для длинных ответов |
Для текстовых каналов и записи в CRM есть отдельные решения: см. чат-бота для бизнеса и интеграцию чат-бота с CRM. Различие бота и агента описано в статье «Чем ИИ-агент отличается от чат-бота».
Как проверить качество до запуска
Демонстрация на чистой речи показывает возможности модели, а не вашего звонка. Проверка на ваших данных проходит в пять шагов:
- Собрать записи. Звонки с вашей линии, с шумом и перебиваниями, по темам сценария. Нужно разрешение на использование записей и порядок их обезличивания.
- Разметить. Что сказал человек и чего он хотел. Разметка небольшая, но делают её сотрудники, знающие предмет.
- Проверить звенья отдельно. Ошибки распознавания по классам слов, доля верно понятых намерений, доля верных записей в системах.
- Прогнать сценарии целиком. На записях и на тестовых звонках сотрудников, включая ситуации «не понял», «перебил», «молчит».
- Запустить на части трафика. Один сценарий или часть времени, оператор слышит записи и отмечает ошибки.
Что записать в приёмку: допустимую задержку, долю диалогов, завершённых без оператора, долю передач оператору с историей, число неверных записей в системах и порядок действий при сбое. Готовых норм у нас нет: цифры зависят от вашей линии и называются на обследовании. Общий подход к оценке ИИ-систем описан в статье «Архитектура LLM-приложения».
Что делаем мы и с чего начать
Начинаем с обследования: 200 000 ₽ и 2–3 недели за один сценарий и одну линию, 350 000 ₽ и 3–4 недели, если ассистент связан с АТС, CRM и расписанием. На выходе записи ваших звонков с разметкой, сценарий, схема интеграций, критерии приёмки и вилка бюджета. Сумма вычитается из первого этапа, если продолжаете с нами. Цены по всем ступеням собраны на странице «Тарифы».
Дальше лёгкий пилот одного сценария на ваших записях (150 000–400 000 ₽, 2–8 недель), затем при необходимости тяжёлый пилот с подключением к телефонии и системам (400 000–1 200 000 ₽, 2–3 месяца). На любой ступени можно остановиться: сделанное остаётся у вас по акту, исходники лежат в вашем репозитории с первого коммита. Мы не продаём телефонию и номера, не занимаемся холодным обзвоном, не имитируем голоса реальных людей и не дежурим круглосуточно. Подробности услуги: «Голосовые ИИ-ассистенты».
Частые вопросы
Из чего состоит голосовой ИИ-ассистент?
Из пяти звеньев: телефонный канал, распознавание речи, диалоговая логика, синтез речи и интеграции с вашими системами. Каждое звено вносит свои ошибки, поэтому качество измеряют и по звеньям, и по итогу разговора.
Почему ассистент отвечает с паузой?
Задержка складывается из определения конца реплики, распознавания, ответа модели, запросов к системам и синтеза. Сокращают её потоковой обработкой, короткими ответами, предзагрузкой данных клиента и размещением серверов рядом с АТС. Допустимую задержку записывают в приёмку.
Насколько точно ассистент понимает речь по телефону?
Телефонный звук хуже студийного, поэтому ошибок больше, особенно в именах, адресах и числах. Готового процента мы не называем: он зависит от вашей линии. Точность измеряется на записях ваших звонков, а для цифр ассистент повторяет число вслух и получает подтверждение.
Может ли ассистент оформить возврат или принять претензию?
Нет. Решения с деньгами и договорными обязательствами остаются за человеком. Ассистент записывает суть обращения, находит карточку клиента и передаёт разговор оператору вместе с историей.
Нужно ли предупреждать собеседника, что это ассистент?
Мы советуем предупреждать: приветствие называет ассистента и предлагает оператора. Это правило сценария, а не юридическая рекомендация. Уведомление о записи разговора и срок хранения записей определяет оператор, формулировки готовит ваш юрист.
Где хранятся записи разговоров?
На ваших серверах или у выбранного вами хостера. Персональные данные граждан России обычно должны храниться на серверах в России. Для данных ограниченного доступа внешние облачные сервисы распознавания и синтеза чаще всего не подходят по требованиям заказчика.
Умеет ли ассистент делать исходящие обзвоны?
Холодным обзвоном мы не занимаемся. Звонки по согласию клиента, например напоминание о записи, возможны, но требуют отдельной проработки сценария и правил, которые определяет ваш юрист.
Сколько стоит голосовой ассистент?
Обследование — 200 000 ₽ за один сценарий и одну линию, 350 000 ₽ при нескольких системах. Лёгкий пилот — 150 000–400 000 ₽, тяжёлый пилот с телефонией и интеграциями — 400 000–1 200 000 ₽, вывод в эксплуатацию — от 1 500 000 ₽ этапами по 300 000–700 000 ₽. Точная цена называется после обследования.