Голосовой ИИ-ассистент и ИИ-секретарь: приём входящих звонков без потери заявок

Распознавание речи

Звук с телефонной линии превращается в текст. Телефонный канал узкополосный, поэтому модели, хорошо работающие на чистой записи с микрофона, на звонке ошибаются чаще. Для русского языка берём открытые модели (например, семейство Whisper или Vosk) и сравниваем их на ваших записях, а не на демонстрационных примерах.

Диалог

Текст разбирает логика разговора. Для коротких сценариев с известными ветками достаточно машины состояний: «поздоровались, выяснили цель, назвали услугу, предложили время». Для свободных вопросов подключается языковая модель, которая отвечает по вашим документам и только по ним. Подробнее о защите от выдуманных ответов — в статье о пороге уверенности.

Синтез речи

Ответ озвучивает синтезатор. Мы выбираем из голосов с понятной лицензией (например, Silero) и не копируем голос реального человека без его письменного согласия. Числа, даты, адреса и сокращения проходят через правила произношения: «к. 2» и «15.11» синтезатор читает по-разному, пока вы не зададите, как именно.

Телефония

Звонок приходит через SIP-транк оператора или вашу АТС. Ассистент подключается как абонент или как внутренний номер, получает аудио в реальном времени и умеет переводить звонок обратно на сотрудника. Это самое привязанное к вашей инфраструктуре звено, и разбираем его на обследовании первым.

Берём записи ваших звонков за несколько недель (с согласия владельца данных и после обезличивания по договорённости) и размечаем: что спросил клиент, какой ответ был правильным, чем закончился разговор. Эта выборка служит экзаменом: ассистент не должен видеть её при настройке.

• Доля звонков, доведённых до результата. Запись состоялась, справка получена, сообщение передано. Считаем отдельно по сценариям.
• Ошибки в ключевых полях. Неверно записанные дата, имя, номер: вручную сверяем с эталоном.
• Ложные переводы и ложные отказы. Ассистент зовёт человека, хотя мог справиться, или не зовёт, когда был должен. Первое дорого по времени сотрудников, второе по репутации.
• Выдуманные ответы. Любая реплика с информацией, которой нет в документах, считается дефектом, даже если случайно верна.

Порог приёмки (какая доля звонков допустима с ошибкой в каждом пункте) называет владелец процесса до начала работ. Перед запуском ассистент работает в теневом режиме: слушает живые звонки параллельно с сотрудником и записывает, что бы сказал, а человек сравнивает. Только потом он берёт трубку сам, сначала на одной линии или в нерабочие часы.

Если клиенты в основном пишут, а не звонят, начинайте с чат-бота для Telegram, WhatsApp и сайта: канал дешевле, а часть логики потом переносится на телефон. Сам бот как решение для обращений и базы знаний описан на странице «Разработка чат-бота для бизнеса».

Если нужно понять, что говорят в уже случившихся разговорах (темы, нарушения скрипта, причины отказов), нужен не ассистент, а разбор записей: это речевая аналитика звонков. Одни и те же записи используются в обоих проектах, поэтому разметку можно делать один раз.

Если ассистент должен не только отвечать, но и действовать в системах (создавать заказ, менять статус), добавляются права и подтверждения, как описано на странице ИИ-агента для бизнеса и в статье «Как ограничить ИИ-агента».