ММООЗЗГГ.ru

Разбор

Как создать голосового ИИ-агента и почему это не уровень новичка

7 мин9 источников

Как создать голосового ИИ-агента, который отвечает на звонок без неловких пауз и записывает клиента в вашу систему? Нужна цепочка из распознавания речи, модели и синтеза голоса, а в живом разговоре пауза между репликами чаще всего укладывается в 0–200 миллисекунд. Открытые блоки для такой сборки есть, но довести их до телефонной линии заметно сложнее, чем текстового агента.

На странице · 7 разделов

Нужен разработчик

Цепочка голосового агента

Голосовой агент это текстовый агент, к которому добавили слух и голос. Распознавание речи превращает слова клиента в текст, модель решает, что ответить и какой инструмент вызвать, синтез речи превращает ответ в голос.

Каждый блок есть в открытом виде. Whisper, модель распознавания речи от OpenAI, работает со многими языками, русский в их числе; ее код и веса открыты по лицензии MIT.

Связывает блоки фреймворк, то есть готовый каркас программы. Pipecat, открытый фреймворк на Python для голосовых агентов в реальном времени, распространяется по лицензии BSD-2: он обрабатывает звук, вызывает модель и генерирует речь в одном конвейере.

Каждый блок добавляет свою задержку и свои ошибки. Если распознавание ослышалось, модель честно ответит на другой вопрос, поэтому в журнале голосового агента хранят и звук, и расшифровку.

Модель внутри та же, что у текстового агента: с инструкцией, инструментами и, если нужно, базой знаний. Что умеет услуга под ключ, описано на странице голосового ИИ-агента для входящих звонков.

Что посчитать до сборки

Голосового агента строят под потерянные звонки. Начните с журнала АТС за обычный месяц: сколько звонков пропущено, в какие часы и скольким клиентам так и не перезвонили.

Затем прослушайте выборку звонков и разложите их по темам: запись, статус заказа, адрес и часы работы, сложный вопрос. Агенту отдают частые однотипные темы, сложные остаются у сотрудников.

Деньги считают так: пропущенные звонки по типовым темам умножьте на долю звонков, которые обычно заканчиваются заказом, и на средний чек. Эту сумму за месяц сравнивают с ценой пилота от 149 000 ₽.

Этот шаг экономит больше всего. Gartner в июне 2025 года прогнозировал, что больше 40% проектов агентного ИИ закроют к концу 2027 года из-за затрат, неясной пользы и слабого контроля рисков. В голосовом агенте больше работы по связке и проверке, поэтому ошибка в выборе задачи стоит дороже.

Задержка и качество голоса

Главная трудность голоса это время. Stivers и соавторы (PNAS, июнь 2009) изучили разговоры на 10 языках: чаще всего следующая реплика начинается через 0-200 миллисекунд после предыдущей.

Агенту за это время нужно понять, что клиент договорил, распознать фразу, получить ответ модели и начать говорить. Поэтому звук идет потоком через всю цепочку, а не ждет, пока закончится каждый шаг.

Отдельная задача это очередность реплик: отличить конец фразы от паузы, когда клиент задумался, и замолчать, если он перебил. В LiveKit Agents, открытом фреймворке на Apache 2.0, для этого есть определение конца реплики.

Качество голоса проверяют на ваших звонках, а не на демо: шум, акценты, названия услуг, улиц и фамилий. Распознавание, которое уверенно работает на чистой записи, по телефону может путать артикулы и имена.

Телефония и запись разговоров

Чтобы агент принимал звонки, его подключают к телефонии. Обычно это SIP, протокол интернет-телефонии: АТС передает звонок агенту, как еще одному сотруднику.

LiveKit Agents принимает и совершает звонки через интеграцию с SIP. Если АТС своя, можно использовать Asterisk, открытую АТС и набор средств телефонии на лицензии GPL-2.0.

Перевод на человека делают так же, как опытный администратор: агент переключает звонок и коротко передает суть, чтобы сотрудник не начинал разговор заново. Для этого АТС должна уметь переводить звонок по команде агента.

Запись разговора нужна для разбора ошибок и спорных случаев: что сказал клиент, что ответил агент, где он перевел звонок на человека. Хранят ее там же, где остальные данные клиентов.

Исходящий обзвон в нашем пилоте мы не делаем: это другой продукт с другими рисками. Как телефония подключается к нашим агентам, разобрано в разделе интеграций.

Персональные данные в звонках

В звонке почти всегда есть персональные данные: номер телефона, имя, а в клинике еще и сведения о здоровье. Запись разговора и ее расшифровка их тоже содержат.

По 152-ФЗ запись, систематизация и хранение данных граждан России в базах за пределами страны не допускаются (ч. 5 ст. 18). С 1 марта 2023 года до передачи данных за рубеж оператор подает уведомление в Роскомнадзор.

Для голосового агента это значит: распознавание, модель, синтез и записи разговоров работают на серверах в России, если через них идут данные клиентов. Облачное распознавание речи за рубежом под такие звонки не подходит.

Для записей разговоров заранее решите две вещи: сколько их хранить и кто из сотрудников может их слушать. Чем меньше людей с доступом, тем меньше риск утечки.

Как мы храним данные и доступы, описано на странице о безопасности данных.

Проверка перед запуском на линию

Первый прогон делают на записях ваших звонков за последний месяц. Смотрят три вещи: где распознавание ослышалось, где агент перебил клиента или затянул паузу, где перевел звонок на человека и почему.

Затем агента включают на часть линии: на ночные часы или на звонки, которые сейчас уходят в пропущенные, когда все операторы заняты. Ошибка в такой схеме стоит меньше, а сравнение с прошлым месяцем видно по тому же журналу АТС.

За ответы агента отвечает компания. В 2024 году трибунал Британской Колумбии обязал Air Canada выполнить обещание ее чат-бота о возврате денег, хотя правила тарифа его не допускали. Поэтому цены, сроки и условия агент называет только из инструкции, а остальное передает сотруднику.

Список трудных звонков сохраните и прогоняйте после каждой правки инструкции или смены модели распознавания. Как устроена такая проверка, разобрано на странице о тестировании агента.

Собрать или заказать

Для пробы своими силами есть открытые фреймворки: Pipecat на BSD-2 и LiveKit Agents на Apache 2.0. Разработчик на Python соберет на них разговор в браузере и покажет, как агент слышит и отвечает.

До рабочей линии далеко: подключение к АТС, задержка в реальной сети, распознавание по телефону, перевод звонка на сотрудника, запись в CRM, хранение по 152-ФЗ. Это уровень команды, а не новичка.

Наш пилот голосового агента на входящих звонках: 14 дней, от 149 000 ₽, метрика в договоре: доля звонков, принятых агентом без человека, и число пропущенных звонков.

Типовой голосовой агент тоже собирается из открытых блоков, но работы по связке и проверке в нем больше, чем в текстовом. Если за него просят как за разработку с нуля, спросите, из чего цена, и платите за результат по метрике, а не за часы.

Как сравнить сборку своими силами и заказ на любом типе агента, разобрано в таблице решений.

Вопросы и ответы

Можно ли собрать голосового агента на Whisper?

Whisper отвечает только за распознавание речи: это открытая модель OpenAI на лицензии MIT, русский язык в ней есть. Модель для ответов, синтез голоса, телефонию и потоковую передачу звука придется добавить отдельно, например через Pipecat или LiveKit Agents. Качество распознавания проверяйте на записях ваших звонков, а не на чистом звуке.

Сколько стоит голосовой ИИ-агент?

Открытые блоки бесплатны: Pipecat на лицензии BSD-2, LiveKit Agents на Apache 2.0, Asterisk на GPL-2.0. Платить придется за серверы, телефонию и время разработчика на связку и проверку. Наш пилот на входящих звонках стоит от 149 000 ₽ и занимает 14 дней, метрика записана в договоре.

Почему голосовой агент перебивает или долго молчит?

Он неверно определяет конец реплики или слишком долго ждет ответа модели. В живом разговоре следующая реплика чаще всего начинается через 0–200 миллисекунд, поэтому любая лишняя пауза заметна. Помогают потоковая передача звука через всю цепочку и отдельное определение конца реплики, как в LiveKit Agents.

Можно ли распознавать речь в зарубежном облаке?

Для звонков с данными клиентов нет. По 152-ФЗ запись и хранение персональных данных граждан России в базах за рубежом не допускаются, а с 1 марта 2023 года до передачи данных за границу оператор уведомляет Роскомнадзор. Распознавание, модель и записи разговоров ставят на серверы в России.

Подойдет ли такой агент для исходящего обзвона?

Технически LiveKit Agents умеет и принимать, и совершать звонки через SIP. Но исходящий обзвон это другой продукт с другими рисками, поэтому в нашем пилоте его нет. Начинать проще с входящих звонков: клиент звонит сам, а результат виден в журнале АТС.

Источники и проверка

Проверено редакцией 16 октября 2026.

  1. Brace Law Firm, 9 июля 2023 (brace-lf.com)
  2. GitHub, openai/whisper, 2026 (github.com)
  3. Pipecat Docs, 2026 (docs.pipecat.ai)
  4. PNAS через PubMed Central, 24 июня 2009 (pmc.ncbi.nlm.nih.gov)
  5. LiveKit Docs, 2026 (docs.livekit.io)
  6. GitHub, asterisk/asterisk, 2026 (github.com)
  7. КонсультантПлюс, 152-ФЗ «О персональных данных», ст. 18, 2026 (consultant.ru)
  8. Gartner, 25 июня 2025 (gartner.com)
  9. Wikipedia, Moffatt v. Air Canada, решение от 14 февраля 2024 (en.wikipedia.org)

Нашли ошибку? Напишите нам

Публикации

Как создать чат-бот в Максе: инструкция для компании

Чтобы создать чат-бот в Максе, компании нужно пройти четыре шага на платформе MAX для партнеров: проверить профиль организации через Госуслуги, заполнить карточку бота, дождаться модерации до 48 часов по рабочим дням и собрать сценарий в конструкторе или своим кодом. Ниже каждый шаг по документации MAX, проверенной 16 октября 2026 года, а также как связать бота с сайтом, CRM и командой и на чем бо

ИнструкцияИТСредний11 мин
Написать в Telegram