Голосовой ИИ-агент в колл-центре: как собрать и что он стоит

Голосовой агент — это связка из трёх моделей: распознавания речи (ASR), языковой модели, которая понимает запрос и формулирует ответ, и синтеза речи (TTS). Ещё пару лет назад такая сборка звучала роботизированно и отваливалась на первом же нестандартном вопросе. Сейчас задержка между репликами упала до 0,5–1,5 секунды, а модели вроде GPT-4o и Gemini 2.0 умеют работать в режиме голос-в-голос, минуя промежуточную расшифровку в текст. Для колл-центра это означает одно: бот, который берёт на себя первую линию, перестал быть демо и стал рабочим инструментом. Ниже — как его собрать, что придётся подключить и во сколько это обойдётся.

Из чего состоит голосовой агент

Любая интеграция сводится к четырём слоям, и на каждом вы выбираете между готовым решением и сборкой из кубиков.

• Телефония. Точка входа звонка: SIP-транк, виртуальная АТС или облачная платформа (в России — MangoOffice, Voximplant, Telphin). Здесь агент получает аудиопоток и отдаёт синтезированный ответ.
• ASR — распознавание речи. Переводит голос звонящего в текст в реальном времени. Ключевой параметр — потоковый режим (streaming), когда текст появляется по мере речи, а не после паузы.
• Мозг — языковая модель плюс логика. LLM понимает запрос, а поверх неё живёт сценарий: когда переводить на оператора, когда лезть в CRM, когда завершать разговор.
• TTS — синтез речи. Озвучивает ответ. Здесь важны естественность интонаций и та же низкая задержка.

Плюс сквозной слой — интеграция с CRM и базой знаний. Без доступа к данным клиента агент отвечает общими фразами, и весь смысл теряется.

Голосовой бот не заменяет колл-центр — он снимает первую линию: типовые вопросы, статусы заказов, запись на приём. Всё сложное и эмоциональное всё равно уходит человеку, и это должно быть заложено в сценарий с первого дня.

Два пути: платформа или сборка из API

Готовые платформы (Voximplant, Twin, Neuro.net, зарубежные Vapi, Retell AI) дают конструктор: телефония, ASR, TTS и интеграции уже связаны, вы настраиваете сценарий мышкой или в визуальном редакторе. Быстро, но вы платите за поминутный трафик и меньше контролируете модель.

Сборка из API (например, потоковый ASR + собственная логика на LLM + отдельный TTS + SIP-шлюз) даёт полный контроль над задержкой, промптами и стоимостью на масштабе, но требует разработчиков и времени на отладку прерываний речи.

Порядок интеграции: восемь шагов

1. Определите сценарии. Выпишите 5–10 самых частых обращений первой линии. Именно их закрывает бот в первую очередь — не пытайтесь автоматизировать всё сразу.
2. Выберите точку входа. Подключите SIP-транк или облачную АТС, через которую пойдут звонки на агента.
3. Настройте ASR. Включите потоковый режим и адаптацию под вашу лексику: артикулы, названия товаров, имена собственные.
4. Соберите мозг. Пропишите системный промпт, правила эскалации на оператора и подключите базу знаний через RAG*, чтобы бот отвечал по вашим документам, а не выдумывал.
5. Подключите TTS. Выберите голос, проверьте, как он читает цифры, даты и суммы — это частая точка провала.
6. Свяжите с CRM. Дайте агенту читать статус заказа и записывать результат звонка. Без этого он бесполезен для сервиса.
7. Настройте прерывания (barge-in). Клиент должен иметь возможность перебить бота, и тот обязан замолчать. Без этого разговор ощущается как автоответчик.
8. Тестируйте на реальных звонках. Сначала бот работает в тени рядом с оператором, потом на части трафика, и только затем на потоке.

Сколько это стоит

Прямые цены платформ меняются часто и зависят от объёма, поэтому сверяйте их на официальных страницах тарифов перед расчётом. Ориентиры по структуре затрат:

• Телефония — поминутная оплата входящих/исходящих плюс аренда номеров.
• ASR и TTS — обычно за минуту аудио или за символы синтеза.
• LLM — за токены запроса и ответа. Голос-в-голос у OpenAI Realtime API тарифицируется дороже текстовых токенов — уточняйте актуальный прайс на странице цен провайдера.
• Разработка и поддержка — разовая при сборке из API, скрытая в подписке при готовой платформе.

Общее правило: при малом объёме звонков дешевле готовая платформа, при большом потоке сборка из API окупает разработку за счёт оптимизации на минуте разговора.

Кому это пригодится, а кому нет

Пригодится:

• Интернет-магазину и маркетплейс-продавцу — статусы заказов, отмены, часы работы: сотни однотипных звонков в день.
• Клинике или сервису записи — запись, перенос и отмена визитов по расписанию из CRM.
• Службе поддержки с ночными и пиковыми нагрузками — бот держит первую линию, когда операторов не хватает.
• Исходящему обзвону с простым сценарием — подтверждение заказа, напоминание о визите.

Не пригодится или преждевременно:

• Там, где почти каждый звонок — нестандартная эмоциональная ситуация: разбор жалоб, спорные возвраты, юридические вопросы.
• При потоке в десяток звонков в день — настройка и поддержка не окупятся.
• Если нет структурированной базы знаний и доступа к CRM: боту неоткуда брать правильные ответы, и он начнёт фантазировать.

* RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает нужные фрагменты из вашей базы документов и отвечает на их основе. Это снижает риск выдуманных ответов и позволяет менять знания бота без переобучения модели.