Чем голосовой агент на цепочке «распознавание, текст, TTS» отличается от speech-to-speech, и как выбрать схему для поддержки клиентов.
Когда компания решает добавить голос в поддержку, почти сразу возникает вопрос: собирать цепочку из распознавания речи, текстовой модели и синтеза (TTS) или взять модель, которая слушает и отвечает голосом напрямую (speech-to-speech)? От выбора зависят задержка, стоимость, контроль над ответами и то, насколько легко вам будет менять провайдеров. В статье мы разберём обе схемы, сравним их и дадим чек-лист для решения, а в конце покажем, как это устроено в AI SNS CHAT.
Две архитектуры, одна цель
Цель в обоих случаях одна: клиент звонит или говорит в микрофон, а агент отвечает быстро, понятно и по делу. Различается путь, по которому звук превращается в ответ.
Каскадная схема (TTS-конвейер) разбивает задачу на три шага. Речь клиента переводится в текст, текстовая модель формирует ответ, и этот текст озвучивается синтезатором. Каждый шаг можно менять отдельно.
Speech-to-speech обходится без промежуточного текста. Модель принимает аудио и сама возвращает аудио. Она слышит интонацию, паузы и перебивания, поэтому разговор получается более живым.
Обычно выбирают не «лучшую» технологию, а подходящую под задачу: что важнее, предсказуемость и контроль или естественность живого диалога.
Как работает TTS-конвейер
В каскаде у каждого звена своя работа, и каждое добавляет свою долю задержки.
- 01Речь клиента
- 02Распознавание в текст
- 03Текстовый агент и база знаний
- 04Синтез речи (TTS)
Что в этой схеме хорошо
- Тот же «мозг», что и в чате. Ответ формирует текстовый агент с вашей базой знаний, инструкциями и ограничениями. Его можно проверить и в текстовом виде.
- Видимый текст на каждом шаге. Расшифровку реплики клиента и текст ответа можно сохранить, просмотреть и разобрать при споре.
- Свободный выбор голоса. Голос можно менять, не трогая логику ответов. Можно подобрать тембр под бренд, а у некоторых провайдеров даже создать или клонировать собственный.
- Замена звеньев. Если один провайдер синтеза вас не устроил, меняется только он.
Что в ней хуже
- Задержка суммируется. Распознавание, генерация и синтез идут друг за другом. Без потоковой передачи пауза перед ответом становится заметной.
- Теряется интонация. Текст не передаёт раздражение, сомнение или спешку клиента. Агент реагирует на слова, но не на тон.
- Перебивания неудобны. Если клиент вклинивается в середину фразы, конвейер должен быстро остановить озвучку и перестроиться. Это решаемо, но требует тонкой настройки.
Как работает speech-to-speech
В этой схеме одна модель получает поток аудио и отвечает потоком аудио. Разговор ведётся в реальном времени, и модель сама определяет, когда клиент закончил говорить и когда его можно перебить.
Что это даёт:
- Низкая заметная задержка. Нет цепочки отдельных этапов, поэтому ответ начинается быстрее.
- Естественный ритм. Короткие «угу», паузы, уточнения на лету, спокойная реакция на перебивание.
- Учёт интонации. Модель слышит, как сказано, а не только что сказано.
Платой за это становятся:
- Меньший контроль. Ответ рождается внутри одной модели, поэтому вмешаться в промежуточный текст сложнее.
- Привязка к провайдеру. Обычно вы зависите от одного поставщика такой модели, и запасного пути может не быть.
- Более трудная проверка. Чтобы убедиться, что агент не отступил от вашей базы знаний, нужны расшифровки и выборочное прослушивание.
Сравнение: что получаете в каждой схеме
Коротко то же самое в таблице:
| Критерий | TTS-конвейер | Speech-to-speech |
|---|---|---|
| Естественность разговора | Хорошая, но с паузами | Выше |
| Контроль над текстом | Высокий | Ниже |
| Гибкость выбора голоса | Высокая | Ограничена моделью |
| Устойчивость к сбоям провайдера | Выше: можно сменить звено | Зависит от одного поставщика |
| Удобство аудита | Простое | Требует расшифровок |
Что важнее всего для поддержки клиентов
Развлекательному голосовому собеседнику естественность нужнее всего. У поддержки приоритеты другие.
- Точность. Клиент спрашивает про срок доставки, возврат, тариф. Ответ должен опираться на вашу базу знаний, а не на «правдоподобное» мнение модели.
- Предсказуемость. Вы должны знать, что агент скажет в типовых ситуациях, и уметь это проверить.
- Передача человеку. Если вопрос сложный, агент должен вовремя позвать сотрудника.
- Скорость. По телефону долгая пауза воспринимается как обрыв связи.
- Стоимость минуты. Голос обычно дороже текста, и на потоке звонков это заметно.
Выбор по сценарию
Справочная линия по фактам. Часы работы, статус заказа, условия возврата. Здесь лучше каскад: ответ берётся из базы знаний, а текст удобно проверять.
Запись на услугу и квалификация обращений. Агент задаёт короткие вопросы и собирает данные. Подойдут обе схемы. Если важна лёгкость общения, берите speech-to-speech, если важна точность полей, берите каскад.
Исходящие обзвоны. Подтверждение записи, напоминание, уточнение адреса. Предсказуемость и стоимость минуты обычно важнее живости, поэтому часто достаточно каскада.
Встроенный голосовой помощник на сайте или в приложении. Здесь выигрывает естественность и скорость реакции, и speech-to-speech смотрится убедительнее.
Голос с аватаром. Если нужно «говорящее лицо» на сайте, важна синхронизация губ с озвучкой, а значит нужен управляемый синтез речи.
Отдельно о каналах. Для переписки в Telegram, WhatsApp, VK и чате на сайте голос часто не нужен вовсе: клиенты в мессенджерах привыкли писать, и текстовый агент закрывает большинство задач. Голос оправдан там, где человек по привычке звонит: на горячую линию, в запись, в срочные вопросы.
Практический чек-лист
Пройдите по пунктам и посчитайте, к какой схеме у вас больше «да».
- Нужны ли вам строгие ответы строго по базе знаний? Если да, склоняйтесь к каскаду.
- Нужно ли сохранять текст каждого ответа для аудита и обучения? Если да, это каскад.
- Важно ли подобрать или создать фирменный голос? Если да, это каскад.
- Критична ли минимальная пауза и умение перебивать на лету? Если да, смотрите на speech-to-speech.
- Готовы ли вы зависеть от одного поставщика модели без запасного варианта? Если нет, это каскад.
- Знаете ли вы свой объём звонков в минутах? Без этого сравнить стоимость нельзя.
- Есть ли у вас язык, где голосовая модель звучит хуже? Проверьте русский на реальных записях, а не по демо.
- Что должно происходить при сбое? Решите заранее: перевод на человека, повторный звонок или сообщение в чат.
Как прикинуть стоимость
Считайте в минутах. Для примера (цифры условные): если в месяц приходит 200 звонков по 3 минуты, это 600 минут. Умножьте на цену минуты у вашего провайдера или на число кредитов за минуту, и получите месячный бюджет голоса. Затем прибавьте долю звонков, которые всё равно уходят человеку. Её тоже стоит оценить заранее.
Как это устроено в AI SNS CHAT
В AI SNS CHAT голос собран в отдельном разделе боковой панели Voice. В нём есть Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls и другие страницы. Обе архитектуры доступны, и выбирать можно по задаче.
TTS-конвейер. Для синтеза речи поддерживаются четыре варианта: Grok/xAI (по умолчанию), OpenAI (gpt-4o-mini-tts), ElevenLabs и речь браузера. У ElevenLabs есть библиотека голосов, дизайн нового голоса и клонирование. Голосовой стек рассчитан на 22 языка, включая русский. Для части языков в телефонии используется английский голос как запасной вариант, поэтому русскую озвучку обязательно прослушайте заранее.
Speech-to-speech. Он реализован через Synthia, ИИ-менеджера вашего парка агентов (раздел Synthia и значок на каждой странице панели). Она работает на OpenAI Realtime API, только на нём и без запасного провайдера. Дополнительно предлагается голос-в-голос на Grok, но по умолчанию он отвечает только владельцу аккаунта.
Проверка и запуск.
- Откройте Voice → Voice Playground и проверьте, как агент звучит и отвечает на ваши типовые вопросы.
- Настройте голос и поведение на странице Voice agent.
- Для входящих звонков подключите номер Twilio к агенту на странице Inbound calls. Там есть самопроверка вебхука и автоисправление.
- Результаты смотрите в Call history и Analytics.
- Для исходящих кампаний (раздел Outbound calls) нужен номер Twilio и тестовый звонок до запуска. Кампанию можно остановить в процессе.
Что пока недоступно. Голос в WhatsApp и управляемые телефонные номера значатся как «скоро» (лист ожидания). Настройки SIP-транка сохраняются, но путь звонка, который бы их использовал, мы в продукте не нашли, поэтому не рассчитывайте на него. Говорящий аватар делается через Simli с синхронизацией губ или из загруженного видеоролика.
Стоимость. Минута голоса считается в кредитах: в тарифе Private AI это 4 кредита за минуту, а в остальных тарифах значение задаёт администратор платформы, поэтому уточняйте его на странице тарифов. Для сравнения, один текстовый ответ стоит 1 кредит.
Для текстовых каналов список шире: чат на сайте, Telegram, WhatsApp, VK и другие, см. подключения. Общий обзор возможностей есть на странице функций, а регистрация доступна по ссылке signup. О безопасности данных читайте в разделе безопасности.
Частые вопросы
Всегда ли speech-to-speech лучше, чем TTS?
Нет. Он звучит естественнее и отвечает быстрее, но даёт меньше контроля над текстом и привязывает вас к одному провайдеру. Для справочных линий, где важны точные ответы по базе знаний и аудит, каскад с TTS часто практичнее.
Можно ли использовать текстового агента для голоса?
В AI SNS CHAT голос настраивается в разделе Voice, на странице Voice agent. Прежде чем запускать звонки, проверьте в Voice Playground, как агент отвечает на ваши типовые вопросы голосом. Текстовые формулировки не всегда хорошо звучат вслух: длинные списки и ссылки лучше сократить.
Есть ли у speech-to-speech в AI SNS CHAT запасной вариант?
Нет. Speech-to-speech в Synthia работает только на OpenAI Realtime API, без запасного провайдера. Запасные провайдеры (Anthropic, OpenAI, Google, OpenRouter) действуют для текстовых ответов. Поэтому план на случай сбоя голоса, например перевод на человека, продумайте заранее.
Нужен ли голос для поддержки в WhatsApp или VK?
Чаще всего нет. В мессенджерах клиенты пишут, и текстового агента обычно достаточно. Голос в WhatsApp в AI SNS CHAT пока в листе ожидания, а голосовые звонки работают через номер Twilio. Подключайте голос там, где клиенты привыкли звонить.
Как оценить стоимость голоса?
Посчитайте минуты: число звонков умножьте на среднюю длительность. Затем умножьте на цену минуты. В AI SNS CHAT минута измеряется в кредитах, и их количество задаёт администратор, а для Private AI это 4 кредита. Не забудьте добавить звонки, которые всё равно передаются человеку.

