В переписке пауза в три секунды не значит ничего. В телефонном разговоре полторы секунды тишины — это уже «алло? вы меня слышите?». Человек на том конце не знает, что робот думает; он решает, что связь оборвалась, и начинает говорить поверх. Дальше разговор рассыпается.
С этого стоит начинать любой разговор про голосового ИИ. Не с того, «умеет ли он понимать речь» — умеет, и неплохо. А с того, что в голосе нет права на паузу, на переспрос и на второй заход. Текстовый бот, который ошибся, стоит переписки. Голосовой, который ошибся, стоит испорченного разговора и иногда клиента.
Где голос действительно к месту
Работающий признак один: разговор короткий, предсказуемый и с понятным исходом. Как только сценарий ветвится больше чем на три-четыре развилки, дешевле и приятнее человек.
| Сценарий | Голос | Почему |
|---|---|---|
| Подтверждение записи или доставки | да | два варианта ответа, звонок 25 секунд |
| Напоминание о визите, оплате, сроке | да | исходящий, текст известен заранее |
| Приём заявки в нерабочее время | да | задача — зафиксировать и перезвонить, а не решить |
| Статус заказа по номеру | да | ответ берётся из системы, разговор короткий |
| Актуализация базы («вы ещё работаете по этому адресу?») | да | массовый обзвон с двумя-тремя вопросами |
| Первичная консультация по услуге | скорее нет | вопросов больше, чем ответов, человек хочет диалога |
| Рекламация, брак, возврат денег | нет | клиент уже раздражён, робот усилит |
| Продажа сложной услуги | нет | нужны вопросы, которых нет в сценарии |
| Техподдержка с диагностикой | нет | ветвление уходит в бесконечность |
Отдельная категория, которую часто путают с первой линией: секретарь. Разобрать, кто звонит, и перевести на нужного человека — задача голосу по силам, и там он окупается быстрее всего в компаниях, где на общий номер валится всё подряд.
Куда уходит время в звонке
Голосовой контур — это цепочка: телефония → распознавание речи → логика диалога и модель → синтез речи → обратно в трубку. Каждое звено тратит миллисекунды, и суммарный бюджет надо держать в пределах секунды-полутора.
Ориентиры, из которых складывается задержка: телефонный тракт 100-200 мс, распознавание при потоковом режиме 300-500 мс после конца фразы, ответ модели 400-800 мс, синтез 200-400 мс. Сложите — уже на грани.
Что помогает уложиться:
- потоковое распознавание. Текст расшифровывается по ходу фразы, а не после её конца. Разница между «стримингом» и «дождались тишины и отправили файл» — примерно секунда, и она решает;
- заранее записанные реплики. Приветствие, «секунду, проверяю», «спасибо, записал» — не гонять через синтез каждый раз. Заодно они звучат живее;
- короткие фразы. Робот, который говорит абзацами, воспринимается как автоответчик. Одна мысль — одна реплика;
- перебивание. Человек должен иметь возможность оборвать робота на полуслове, и робот обязан замолчать. Без этого разговор превращается в борьбу.
Своего движка распознавания и синтеза у нас нет — собираем на внешних, а своя часть это логика диалога, интеграции и правила передачи человеку. Так честнее и дешевле: рынок этих движков меняется каждые полгода.
Что ломает распознавание
Списки «точность 95%» относятся к чистой студийной речи. Реальный звонок выглядит иначе.
Имена, фамилии, адреса. «Улица Тукая» превращается в «туская», «Гульнара» — в что угодно. Диктовка почты голосом — отдельный вид мучения. Решение простое: не спрашивать голосом то, что можно не спрашивать. Адрес и почту отправляем ссылкой в SMS, имя подтягиваем из CRM по номеру телефона.
Цифры и артикулы. Номер заказа, серия документа, код детали. Подтверждать по одной цифре и повторять услышанное целиком: «записал двести сорок семь, верно?».
Шум. Цех, улица, автомобиль с громкой связью, работающий телевизор, ребёнок рядом. Тут не спасает ничего, кроме честного правила: два непонятых подряд ответа — перевод на человека, а не третья попытка.
Речь живого человека. Люди не говорят готовыми фразами. «Ну это, мне бы... да, наверное, в четверг, хотя нет, лучше в пятницу». Сценарий, написанный из головы, такие ответы не переваривает. Первые сто разговоров надо слушать ушами — именно там находится то, чего не придумаешь за столом.
Передача человеку: правила без исключений
Место, где голосовые роботы зарабатывают свою плохую репутацию. Робот, который не отдаёт клиента, злит сильнее, чем полное отсутствие ответа.
- Слова «оператор», «человек», «менеджер», «живой» в любой момент разговора — мгновенный перевод. Не в конце меню, не после уточняющего вопроса.
- Второй подряд ответ «не расслышал» — перевод.
- Темы-стопы: рекламация, брак, возврат денег, любая жалоба. Сразу человеку, без попытки уточнить.
- Эмоция в голосе (повышенный тон, мат) — перевод плюс алерт руководителю.
- Молчание в трубке дольше пяти секунд дважды — робот прощается и оставляет заявку на перезвон, а не мучает вопросами.
Перевод должен быть тёплым. Оператор поднимает трубку и уже видит на экране: кто звонит, о чём говорили, что робот успел записать. Холодный перевод, когда человек рассказывает всё заново, обесценивает всю затею — клиент считает, что его прогнали через робота зря.
Если операторов сейчас нет (ночь, выходной), робот честно говорит об этом, называет конкретное время ответа и фиксирует заявку. Не «мы свяжемся с вами в ближайшее время», а «менеджер перезвонит завтра до 12:00».
Закон и вежливость
Три вещи, которые надо решить до запуска, желательно со своим юристом.
Робот обязан представиться роботом. В первые секунды, без вариантов. Человек всё равно поймёт через три реплики — по скорости ответа, по идеальной дикции, по тому, что «Ирина» бодра в три часа ночи. Обманутый собеседник злится уже не на робота, а на компанию.
Запись разговора — с уведомлением. Фраза про запись звучит в начале, записи хранятся ограниченный срок и лежат там, где к ним нет доступа у всех подряд. Это персональные данные со всеми вытекающими.
Исходящая реклама — только с согласия. Закон о рекламе прямо требует предварительного согласия абонента на рекламные звонки и сообщения. Обзвон собственной базы с сервисной информацией (напоминание о визите, статус заказа) и рекламный обзвон холодной базы — юридически разные вещи, и вторая без согласия заканчивается штрафом. Время звонков тоже стоит ограничить руками: робот не должен звонить в 21:30, даже если технически может.
Что мерить
| Метрика | Что показывает | Ориентир |
|---|---|---|
| Доля звонков, закрытых без человека | реальная польза | 50-70% на простых сценариях |
| Запрос оператора в первые 20 секунд | сценарий не туда | больше 25% — переделывать |
| Повторный звонок в течение суток | робот не помог | главная тревожная цифра |
| Средняя длительность | не затягивает ли | подтверждение — до 40 секунд |
| Доля неразобранных фраз | качество распознавания | смотреть в разрезе сценариев |
| Брошенные на первой фразе | людей отталкивает приветствие | больше 15% — переписать первые слова |
Третья строка — та, ради которой всё считается. Формально закрытый звонок, после которого человек перезванивает и требует оператора, это не экономия, а перекладывание работы с ночи на утро.
Провал: «да, но давайте в четверг»
Мы тестировали робота на подтверждении встреч. Сценарий выглядел безупречно: здравствуйте, у вас назначено на вторник в 14:00, подтверждаете? Ответ «да» — спасибо. Ответ «нет» — передаю менеджеру.
Живые люди отвечали иначе. «Да, но давайте лучше в четверг». «Подтверждаю, только я подъеду попозже». «А можно перенести?» Робот слышал слово «да» в начале фразы, радостно прощался и вешал трубку. Встречи срывались, а в системе они стояли подтверждёнными — то есть хуже, чем если бы никто не звонил вообще.
Разбирали по записям, нашли за полчаса. Чинили тремя правками:
- любое отклонение от чистого «да» или «нет» — не догадка, а перевод на человека либо ветка переноса с конкретными вариантами времени;
- робот повторяет итог вслух: «записал, переносим на четверг, 14:00, верно?» — и ждёт подтверждения;
- в карточку пишется расшифровка, а не только результат «подтверждено», чтобы менеджер видел настоящие слова клиента.
Вывод, который стоил нам десятка сорванных встреч: в голосе нельзя интерпретировать. Понял однозначно — действуй. Не понял — отдай человеку. Середины не бывает.
Где голос не работает
Не ждите экономии на маленьком объёме. Голосовой контур дороже текстового в разработке и в эксплуатации: телефония, минуты распознавания и синтеза считаются за каждый звонок. При тридцати звонках в месяц он не окупится никогда.
Не работает на сложных консультациях. Если ответ на вопрос клиента занимает больше двух предложений и зависит от пяти условий, робот будет либо врать, либо бесконечно уточнять.
Не заменяет колл-центр целиком. Реалистичная роль — снять с людей повторяемое: подтверждения, напоминания, статусы, приём заявок ночью. Оставшиеся разговоры станут сложнее, и операторов понадобится меньше, но не ноль.
И совет, который экономит бюджет: начинать почти всегда стоит с текста. Тот же сценарий сначала обкатывается в чате, где ошибка дёшева, и лишь потом переносится в голос. Как это выглядит на входящих заявках, разбирал в статье про квалификацию лидов.
Частые вопросы
Клиенты не будут бросать трубку? Часть бросит, это нормально. Смотрите на цифру брошенных в первые пять секунд: если она выше 15%, проблема в приветствии — оно длинное или звучит как реклама. Короткое честное представление работает лучше вежливых оборотов.
Робот отличим от человека? Отличим, и не надо с этим бороться. Синтез стал хорош, но паузы, интонация и реакция на неожиданное всё равно выдают. Выигрывает не тот, кто притворяется, а тот, кто быстро отвечает и не морочит голову.
Можно ли обзвонить холодную базу? Технически да, юридически — нужно предварительное согласие абонента на рекламные звонки. Без него это прямой путь к жалобам и штрафу. Сервисные звонки своим клиентам — другая история.
Что с записями разговоров? Их стоит разбирать: ИИ проходит по чек-листу, отмечает соблюдение скрипта, зафиксированные обещания и следующий шаг, руководитель получает дайджест вместо часов прослушивания. Это отдельный сценарий, который часто полезнее самого робота.
Сколько занимает запуск? Простой сценарий на два-три вопроса — две-три недели вместе с телефонией. Дальше месяц доводки по записям живых разговоров, и он обязателен: без него робот останется таким, каким его придумали за столом.
С чего начать
Возьмите свою телефонию и посчитайте за месяц: сколько звонков пришлось на один-два типовых вопроса, сколько пропущено вне рабочего времени, сколько минут в сумме занимают подтверждения и напоминания. Три цифры за час работы.
Если типовых звонков больше трети — сценарий для голоса у вас есть. Начните с одного, самого скучного: подтверждения или напоминания. Примеры собранных контуров лежат в кейсах, а разбор вашего потока звонков с оценкой эффекта — это AI-аудит. Скажем честно, если в вашем случае голос не нужен и хватит текстового бота: так бывает чаще, чем хотелось бы продавцам голосовых роботов.