Как работают голосовые AI-агенты
Устройство голосового AI-агента: распознавание речи, генерация ответа, синтез и телефония. Где такие агенты полезны, а где нет.
Голосовой AI-агент — это не «робот, который говорит». Это конвейер из четырёх этапов, каждый из которых влияет на качество разговора: приём звука, распознавание речи, генерация ответа и синтез голоса. Ошибка на любом этапе делает диалог неудобным.
Этап 1. Телефония и звук
Звонок приходит через SIP-провайдера или существующую АТС. Задача — получить аудиопоток в реальном времени и отдать ответ без заметной паузы. Здесь важны кодек, стабильность канала и обработка тишины.
Этап 2. Распознавание речи
STT-модель превращает звук в текст. Качество падает на шумной линии, плохом микрофоне и специфических терминах. Поэтому в проект включают словарь доменных слов: названия услуг, брендов, единиц измерения.
Отдельная задача — определить, когда человек закончил говорить. Слишком ранняя реакция перебивает клиента, слишком поздняя создаёт неловкие паузы.
Этап 3. Диалог
Языковая модель получает расшифровку и сценарий: как представиться, что уточнить, какие данные собрать, когда передать человеку. Здесь важнее не «умность», а дисциплина: агент не должен придумывать цены, сроки и условия.
- Строгие ограничения: только разрешённые формулировки о стоимости и сроках.
- Обязательные поля: потребность, бюджет, срок, контакт.
- Правила эскалации: сложный вопрос — передача менеджеру.
- Ограничение длины ответа: одна-две фразы, иначе слушать тяжело.
Этап 4. Синтез речи
TTS превращает текст в голос. Современные модели звучат естественно, но требуют настройки: темпа, пауз, произношения названий. Для телефонии важна не только естественность, но и разборчивость при сжатии канала.
Где агент полезен
В первую очередь там, где разговор структурный. Приём заявки, запись на услугу, квалификация обращения, подтверждение данных, напоминание. Агент не устаёт, работает ночью и не забывает задать обязательный вопрос.
Где агент пока слабее человека
Сложные переговоры, эмоциональные претензии, нестандартные запросы, продажа дорогого продукта. В этих сценариях агент уместен как первый фильтр, но не как замена менеджера.
Что нужно для запуска
- 01Сценарий разговора с ветками и правилами эскалации.
- 0220–30 реальных записей звонков для настройки распознавания.
- 03Доступ к телефонии и CRM.
- 04Список данных, которые должны попасть в систему после звонка.
- 05Метрики: доля завершённых сценариев, доля эскалаций, качество распознавания.
Стартовая стоимость голосового агента в нашей практике — от 15 000 ₽ за сценарий. Полноценный пилот с телефонией и интеграцией оценивается отдельно: объём работ зависит от количества сценариев и требований к инфраструктуре.
Голосовой агент окупается не тогда, когда «звучит как человек», а когда снимает повторяющуюся нагрузку и не теряет обращения.
Обсудить задачу?
Разберём ваш случай, предложим решение и назовём стоимость. Оценка бесплатна.