Из чего состоит голосовой ИИ-агент, чем конвейер отличается от speech-to-speech и как безопасно запустить пилот на телефонных звонках.
Клиенты в Telegram, VK и чате на сайте спокойно ждут ответа в переписке, а звонят тогда, когда дело срочное или человеку проще проговорить проблему. Если на линии никого нет, звонок превращается в потерянное обращение. Из этой статьи вы узнаете, как устроен голосовой ИИ-агент, где он действительно полезен, как строить речевые диалоги и как запустить пилот без лишних рисков.
Что такое голосовой ИИ-агент
Голосовой ИИ-агент принимает речь, понимает смысл запроса, находит ответ в ваших материалах и произносит его вслух. По сути это тот же агент поддержки, что и в чате, но у него другой «вход» и другой «выход»: вместо текста на экране человек слышит голос и отвечает голосом.
Важное отличие от старых телефонных меню («нажмите 1, чтобы...») в том, что клиент говорит своими словами. Агент не требует выучить структуру меню, а сам определяет тему и отвечает по существу. Если вопрос выходит за рамки знаний или разговор становится сложным, он должен передать звонок человеку.
Чего голосовой агент не делает: он не знает того, чего нет в вашей базе знаний, и не заменяет сотрудника там, где нужны решения, исключения и сочувствие. Его задача — взять на себя типовые вопросы и аккуратно подготовить передачу остальных.
Три составляющие
У любого голосового агента есть три слоя, и каждый из них влияет на впечатление клиента.
- Распознавание речи. Превращает звук в текст. Ошибки здесь самые обидные: если агент неверно услышал номер заказа или фамилию, всё дальнейшее строится на ошибке.
- Языковая модель с вашей базой знаний. Понимает запрос, выбирает ответ и решает, нужно ли звать человека. Качество ответа зависит от того, насколько хорошо подготовлены материалы.
- Синтез речи. Превращает ответ в голос. Тембр, темп и паузы определяют, будет ли разговор казаться естественным или раздражающим.
Отдельно стоит учитывать линию связи. Телефонный канал сжимает звук, поэтому на нём распознавание обычно работает хуже, чем в тихой комнате с хорошим микрофоном. Тестируйте не только в браузере, но и на реальном звонке с мобильного.
Две архитектуры: конвейер и speech-to-speech
Есть два принципиально разных способа собрать голосового агента.
- 01Речь клиента
- 02Распознавание в текст
- 03Модель и база знаний
- 04Синтез голоса
В конвейере каждый этап отдельный: звук превращается в текст, модель формирует текстовый ответ, а синтезатор его озвучивает. Плюс в том, что вы видите и можете проверить текст на каждом шаге, а голос можно выбирать независимо от модели. Минус в задержках: они суммируются, и пауза между репликой клиента и ответом может ощущаться.
В speech-to-speech одна модель получает звук и сразу отвечает звуком. Диалог получается живее: проще перебить агента, он лучше передаёт интонацию. Но контролировать такую систему сложнее, а текстовый след для проверки менее очевиден.
Для первого пилота чаще разумнее конвейер: он предсказуемее, а его ответы проще сверять с базой знаний. Speech-to-speech стоит добавлять там, где важна естественность живого разговора.
Где голос помогает, а где нет
Голос выигрывает, когда человеку неудобно писать или когда вопрос срочный.
Подходит хорошо:
- простые справочные вопросы: часы работы, адрес, условия доставки, статус записи;
- запись, перенос и подтверждение визитов;
- первичный сбор данных: имя, номер, суть проблемы, чтобы оператору не пришлось переспрашивать;
- звонки вне рабочего времени, когда иначе трубку никто бы не взял.
Подходит плохо:
- жалобы и конфликтные ситуации, где человеку нужно, чтобы его выслушал живой сотрудник;
- длинные ответы со множеством цифр, условий и исключений: на слух их тяжело удержать;
- ввод сложных данных вроде адреса электронной почты или длинного кода: в тексте это проще и надёжнее.
Обычно разумно сочетать каналы: по телефону ответить коротко, а ссылку, таблицу или инструкцию отправить в Telegram, VK или на почту.
Принципы проектирования разговора
Речь живёт по другим правилам, чем текст. Вот что стоит заложить в персону и инструкции агента.
- Короткие реплики. Одна мысль на фразу. Список из пяти пунктов в голосе превращается в кашу.
- Приветствие с обозначением роли. Клиент должен сразу понять, что говорит с ИИ-ассистентом, и узнать, чем тот может помочь.
- Подтверждение важного. Номер заказа, дату и время лучше повторить вслух и попросить подтвердить.
- Один вопрос за раз. Не просите назвать имя, телефон и причину обращения одной фразой.
- Честное «не знаю». Если ответа нет в базе, агент должен прямо сказать об этом и предложить связать с сотрудником, а не придумывать.
- Понятный путь к человеку. Клиент не должен «застрять» в диалоге: фраза вроде «соедините с оператором» должна работать всегда.
- Имена и термины. Названия продуктов и улиц распознаются хуже обычных слов, поэтому проверяйте их на реальных записях.
Отдельная тема — язык. Если у вас клиенты говорят на русском, проверьте, как звучит выбранный голос: у части языков голосовой стек использует англоязычный телефонный голос как запасной вариант, и это заметно на слух.
Безопасный план запуска
Не начинайте с публичного номера и полной нагрузки. Идите по шагам.
- Подготовьте базу знаний. Возьмите 20–30 самых частых вопросов из чатов и звонков и проверьте, что на каждый есть точный письменный ответ.
- Протестируйте без телефона. Прогоните диалоги в тестовой среде голоса и исправьте формулировки, которые плохо звучат.
- Сделайте внутренний пилот. Дайте номер сотрудникам и знакомым и попросите звонить с реальными вопросами, включая каверзные.
- Включите передачу человеку. Настройте, кто и когда получает переведённые звонки, и убедитесь, что оповещение доходит.
- Откройте номер ограниченно. Например, только в нерабочее время или только для одного типа вопросов.
- Разбирайте звонки каждую неделю. Слушайте записи и читайте расшифровки, правьте базу знаний и персону.
Расширяйте охват только тогда, когда доля удачных звонков стабильно вас устраивает.
Как понять, что это работает
Измеряйте не «сколько звонков принял бот», а сколько проблем он реально решил. Полезные показатели:
- доля звонков, закрытых без передачи человеку;
- доля передач, где оператору не пришлось переспрашивать базовые данные;
- число звонков, оборванных клиентом в первые секунды: это признак плохого приветствия или долгой паузы;
- темы, по которым агент чаще всего отвечал «не знаю»: это список материалов, которые нужно дописать.
Чтобы понимать, куда смотреть в первую очередь, полезно заранее разметить, какие звонки пилота вы будете прослушивать. Вот гипотетический пример на 100 звонков, а не реальные данные.
Логика такая: сначала разберите всё, что закончилось передачей, «не знаю» или обрывом, ведь именно там спрятаны ваши улучшения. Небольшую случайную выборку успешных звонков тоже стоит послушать, чтобы убедиться, что «успех» действительно успех.
Как это сделать в AI SNS CHAT
В боковом меню AI SNS CHAT есть раздел Voice, в котором собраны все голосовые настройки: Overview, Analytics, Voice agent, Avatar, Voice Playground, Inbound calls, Call history, Outbound calls, Voice / SIP, Users и Developers.
Настройка голоса. В разделе Voice agent вы выбираете, как агент будет звучать. Для синтеза речи доступны Grok/xAI (по умолчанию), OpenAI (gpt-4o-mini-tts), ElevenLabs и речь браузера. В ElevenLabs есть библиотека голосов, а также создание и клонирование голоса. Голосовой стек поддерживает 22 языка, включая русский, но для некоторых языков телефонный голос может быть английским запасным вариантом, поэтому обязательно послушайте результат.
Проверка без телефона. Voice Playground позволяет поговорить с агентом, не подключая номер. Это удобный первый шаг до пилота.
Входящие звонки. В разделе Inbound calls к агенту подключается номер Twilio. Есть самопроверка вебхука и автоисправление, что экономит время при настройке. Посмотреть, как прошли разговоры, можно в Call history, а сводные цифры — в Voice analytics.
Исходящие звонки. В Outbound calls запускаются пакетные кампании. Им нужен номер Twilio, перед запуском делается тестовый звонок, а кампанию можно остановить в процессе. Какие номера и в каких случаях вы вправе обзванивать, определяет законодательство вашей страны и согласие клиентов, и за это отвечаете вы.
Speech-to-speech. Synthia, наш ИИ-менеджер парка агентов, работает через OpenAI Realtime API, без запасного провайдера. Голосовой режим Grok тоже предлагается, но по умолчанию он отвечает только владельцу аккаунта.
Передача человеку. В разделе Helpdesk → Scheduling задаются смены по сотрудникам и часовым поясам, и передачи автоматически назначаются тому, кто на смене. Оповещения можно получать в Slack, Teams, LINE WORKS, WhatsApp, по почте или через вебхук. Клиенту сообщение о том, что будет дальше, формирует сервер по расписанию смен, и никакого времени ожидания он не выдумывает.
Чего пока нет. Настройки SIP-транка сохраняются, но маршрута звонков, который бы их использовал, мы не нашли, поэтому на него не рассчитывайте. Голос в WhatsApp и управляемые номера появятся позже: сейчас это только лист ожидания.
Оплата. Расход считается в кредитах за голосовую минуту: количество кредитов задаёт администратор платформы. Для тарифа Private AI в расценке указано 4 кредита за минуту. Актуальные тарифы смотрите на странице тарифов, а возможности каналов — в разделах функции и подключения.
Частые вопросы
Нужен ли телефонный номер, чтобы попробовать голосового агента?
Для первых экспериментов нет: в Voice Playground можно поговорить с агентом прямо в браузере. Номер понадобится, когда вы захотите принимать реальные звонки: тогда к агенту подключается номер Twilio в разделе Inbound calls.
Может ли один агент работать и в чате, и по голосу?
Агент опирается на ту же персону и источники данных, которые вы настроили, а голос включается как отдельный слой в разделе Voice. Но тексты для чата и для речи лучше проверять отдельно: то, что хорошо читается в Telegram или VK, на слух может быть слишком длинным.
Какие языки поддерживает голосовой стек?
Всего 22 языка, и русский входит в их число. Для части языков на телефоне используется английский голос как запасной вариант, поэтому перед запуском прослушайте результат на нужном языке.
Можно ли подключить собственный SIP-транк или принимать звонки в голосовом WhatsApp?
Пока нет. Настройки SIP сохраняются, но маршрута звонков, который бы их использовал, мы не нашли, а голос в WhatsApp и управляемые номера находятся в листе ожидания. Сейчас рабочий путь для телефона — номер Twilio.
Безопасно ли использовать голос для исходящих напоминаний?
Технически кампания требует номер Twilio и тестовый звонок до запуска, а запущенный обзвон можно остановить. Но безопасность зависит ещё и от того, есть ли у вас согласие клиентов на звонки и соответствуете ли вы правилам вашей страны. Начните с небольшого списка людей, которые сами к вам обращались.

