← Все материалы

Транскрибация звонков: что работает на русской речи, а что ломается

Транскрибация звонков сама по себе не приносит денег: текст разговора никто читать не будет. Ценность появляется на следующем шаге — когда из расшифровки автоматически вытаскиваются причина обращения, договорённости и срок следующего шага, и всё это ложится в карточку CRM без менеджера. Ниже — чем расшифровывать русскую речь, где она разваливается и сколько это стоит в месяц.

Зачем расшифровывать звонки, если текст всё равно не читают

У среднего отдела продаж на десять человек за месяц набегает 1 500–3 000 записей. Руководитель физически прослушивает 20–30 из них, обычно те, на которые пожаловался клиент. Остальное — слепая зона: что менеджер обещал по срокам, назвал ли цену, договорился ли о следующем шаге, почему сделка встала.

Расшифровка превращает эту слепую зону в данные, по которым можно фильтровать и считать. Дальше текст обрабатывает модель и отдаёт структуру: тема обращения, названные товары, возражения, обещания, дата следующего контакта. Именно структура, а не транскрипт, попадает в CRM и в отчёт.

Чем расшифровывать русскую речь: движки и цены

Вариантов три: своя копия Whisper на своём сервере, зарубежное облако (OpenAI, Deepgram, Google STT) или российское — прежде всего Yandex SpeechKit. Разница не только в цене, но и в том, куда уходит запись с персональными данными клиента.

Вариант	Точность на русском	Цена за минуту	Когда брать
Whisper large-v3 у себя на GPU	3–5 % ошибок на чистом аудио, 8–12 % на телефонной записи	только железо: аренда GPU-сервера от 15–30 тыс. ₽/мес	большой поток, данные не должны покидать контур
Whisper large-v3-turbo у себя	почти как large-v3 (5,6 % против 5,4 % на эталонной русской речи)	то же железо, скорость в разы выше	поток тысяч звонков, нужна дешёвая пропускная способность
OpenAI API (whisper-1, gpt-4o-transcribe)	уровень large-v3, диаризация включена в ту же цену	$0,006/мин ≈ 0,5 ₽; mini — $0,003	быстрый старт, записи не критичны по 152-ФЗ
Yandex SpeechKit	заявлено 95 %+ на русском, есть свои словари и модель с эмоциями	10–30 ₽/мин в зависимости от модели	нужен российский контур и договор с оператором в РФ
Готовый сервис речевой аналитики	движок под капотом обычно тот же	от 1,5–3 ₽/мин, тарифицируется пакетами	нужен результат завтра и хватает типовых отчётов

Отложенная обработка и реальное время — разные вещи и по цене, и по устройству. Асинхронно: залил файл, забрал результат через минуту-две, SpeechKit принимает записи до четырёх часов, у Whisper-API стриминга нет вообще. Realtime — отдельные модели и другой порядок цены: у OpenAI живая транскрипция около $0,017 за минуту, втрое дороже пакетной.

На объёмах разница считается просто. 3 000 звонков по 4 минуты — 12 000 минут в месяц: через OpenAI API это около 6 000 ₽, через SpeechKit по 15 ₽ — 180 000 ₽, на своём GPU-сервере — фиксированные 20–30 тыс. ₽ независимо от объёма. Своё железо начинает выигрывать примерно с 10–15 тысяч минут в месяц.

Где транскрибация ломается на русском

Все заявленные проценты точности измерены на чистой начитке. Телефонный звонок — это 8 кГц, сжатие кодеком, громкая связь, склад на фоне и два человека, которые говорят одновременно. Ошибки идут не случайно, а в предсказуемых местах, и знать их надо заранее.

• Термины и артикулы. «ТП-450», «ВГП 25х3,2», «ГОСТ 8734» — движок слышит набор звуков и подставляет похожее по частотности слово. Лечится словарём: SpeechKit принимает список терминов, для Whisper он подмешивается в подсказку или чинится заменами после расшифровки.
• Имена и названия компаний. «Иванов из Промтеха» превращается в «Иванова из пром теха», и по такому тексту не сматчить контрагента. Названия надёжнее брать из CRM по номеру телефона, а не вылавливать из речи.
• Цифры и суммы. «два пятьсот» может значить и 2 500, и 2,5 млн. Любую сумму из транскрипта считаем черновиком.
• Перебивы и наложение голосов. Самое больное место. Диаризация на двух голосах даёт около 95 % точности, на десяти падает до 60–70 %, а участки, где говорят одновременно, pyannote 3.1 умеет только помечать — распознать их нормально не может никто.
• Моно-запись. Если АТС отдаёт один канал вместо двух, ошибки диаризации накладываются на ошибки распознавания. Двухканальная запись решает это полностью и бесплатно — просто настройка телефонии.
• Шум, громкая связь, улица. Запись с мобильного в цеху даёт 20–30 % ошибок независимо от движка: помогает гарнитура, а не выбор модели.
• «Съеденный» конец фразы. Whisper на плохом сигнале склонен не молчать, а придумывать связные, но не сказанные слова. Это опаснее пропуска — выглядит как настоящая реплика.

Вывод: прежде чем сравнивать движки, надо посмотреть, что отдаёт телефония. Переход с моно на два канала обычно даёт больший прирост, чем смена модели с хорошей на лучшую, и стоит ноль.

Разбор смыслов: что вытаскивать из расшифровки

Дальше работает языковая модель, и главное — не просить у неё «проанализируй звонок»: получится сочинение, которое нельзя ни проверить, ни положить в поле. Просить надо конкретные значения из закрытого списка и цитату-подтверждение из расшифровки.

Что вытаскиваем	Как формулируется задача модели	Куда попадает
Тема обращения	выбрать одну из 8–12 категорий, свои придумывать нельзя	поле сделки, срез в отчёте
Названные товары и объёмы	список позиций с цитатой, где они прозвучали	черновик заявки, товары сделки
Возражение клиента	категория из справочника + цитата	аналитика причин отказа
Обещания менеджера	что и к какому сроку обещал, дословно	задача с дедлайном
Следующий шаг и дата	дата в ISO или «не договорились»	задача в CRM, поле «следующий контакт»
Соблюдение скрипта	чек-лист из 5–8 пунктов, каждый — да/нет/не применимо	оценка звонка, дашборд качества
Красный флаг	упоминание конкурента, угроза уйти, жалоба на брак	мгновенное уведомление руководителю

Чек-лист скрипта — то, за чем приходят чаще всего. Он работает на формальных пунктах: представился, назвал компанию, спросил про сроки, проговорил цену, зафиксировал следующий шаг. И не работает на «установил контакт» или «был доброжелателен» — там модель выдаёт стабильный, но бессмысленный ответ, и такие пункты лучше выкинуть, чем делать вид, что они измеряются.

Быстрее всего окупаются красные флаги: уведомление руководителю в Telegram сразу после звонка, где клиент сказал «тогда мы уйдём к другим», стоит копейки и спасает сделки. Из тех же разобранных звонков потом считаются дашборды для бизнеса.

Авто-заполнение CRM по итогам звонка

Самая ощутимая для менеджера часть: после разговора он не пишет комментарий, не ставит задачу и не двигает этап — остаётся проверить и поправить. Пятнадцать-двадцать минут в день, но важнее то, что заполнение перестаёт зависеть от настроения.

Технически всё держится на двух связках. Первая — телефония отдаёт запись: у виртуальных АТС вроде Mango Office или UIS есть API и вебхук на завершение звонка, у amoCRM и Битрикс24 запись достаётся из карточки через REST. Вторая — обратная запись результата, то есть обычная интеграция с CRM: поля, права, идемпотентность.

• Ничего не перезаписывать. Робот дописывает комментарий и заполняет пустые поля, но не трогает введённое человеком. Первый же конфликт данных убивает доверие к системе.
• Метка источника. У каждого заполненного роботом поля видно, что оно от робота, и есть ссылка на цитату.
• Смена этапа — только по явным правилам. Двигать сделку по воронке можно, но список условий пишется до запуска и согласуется с руководителем отдела. «Модель решила, что клиент готов» — не условие.
• Молчание — не результат. Пустая, короткая или неуверенно разобранная расшифровка уходит в очередь на просмотр, а не заполняется наугад.
• Первые две недели — с подстраховкой. Робот пишет в отдельное поле, руководитель выборочно сверяет с записью.

Следом почти всегда просят то же для встреч и созвонов: протокол, решения, ответственные, сроки. Механика идентичная, только говорящих больше двух — и диаризация работает заметно хуже.

Робот-обзвон: почему его ненавидят и когда он всё же уместен

Скажу прямо: большинство запросов «сделайте нам голосового робота для обзвона» лучше не выполнять в том виде, в каком их формулируют. Робот, который холодно звонит по купленной базе и зачитывает предложение, приносит раздражение, жалобы и юридический риск, а не продажи.

Причины ненависти вполне конкретные, и все они — про неуважение ко времени человека, а не про качество синтеза речи:

• Звонок не ждали. Холодный обзвон и без робота даёт 1–2 % конверсии, а робот делает это в промышленных масштабах и по тем, кто согласия не давал.
• Робота нельзя перебить. Человек говорит «мне не надо», а тот продолжает зачитывать абзац. Это недоработка сценария, а не судьба.
• Он не понимает отказ: три ветки диалога вместо понимания, любой ответ не по шаблону приводит к повтору вопроса.
• Нельзя попасть к человеку. «Соедините с оператором» должно срабатывать с первого раза и всегда, иначе робот воспринимается как стена.
• Он притворяется живым — и разоблачается за две реплики, вызывая злость.
• Звонит не в то время: робот не чувствует, что 21:40 — плохая идея, если это не прописано.

К этому добавилась материальная правовая сторона. С 1 сентября 2025 года массовые звонки и рассылки допустимы только при предварительном согласии абонента, а само согласие на обработку персональных данных должно быть оформлено отдельным документом, а не пунктом в договоре (156-ФЗ от 24.06.2025). Штраф юрлицу за обработку без надлежащего согласия — 300–700 тыс. ₽, по массовым рекламным звонкам вилка доходит до миллиона. Плюс обсуждается обязанность операторов предупреждать абонента, что звонит робот, — маскировка перестанет работать даже технически.

Уместных сценариев на самом деле немало, просто все они про звонки, которых человек ждёт, и своей базе, а не купленной:

• Подтверждение записи или заказа. «Ваш визит завтра в 15:00: один — подтвердить, два — перенести». Отвечают охотно, потому что это их запись.
• Напоминание о визите. Классика для клиник, сервисов, автосалонов: сокращает неявки, звонок ожидаем.
• Оповещение о готовности. Заказ приехал, техника из ремонта готова — короткий факт без продажи.
• Опрос качества после обращения. Один-два вопроса сразу после закрытия заявки; закон выделяет опросы качества отдельно от рекламного спама.
• Актуализация своей базы по клиентам, которые сами оставляли заявку.
• Массовое информирование при сбое. Когда надо за час обзвонить 2 000 человек с одним и тем же текстом, живой колл-центр этого просто не может.

Сроки, цена и с чего начинать

Разработка считается по часам, час работы — от 2 500 ₽. Дальше зависит от того, сколько систем в связке и насколько дисциплинированно ведётся CRM.

1. Проверка на ваших записях (1–2 дня, 10–20 тыс. ₽). 30–50 реальных звонков через два движка, подсчёт ошибок на ваших терминах, черновик разбора. Здесь видно, будет польза или качество записи всё убивает.
2. Расшифровка потоком + отчёт (около недели). Выгрузка из телефонии, обработка, хранение, поиск по тексту, первая сводка. Уже на этом этапе руководитель ищет по словам вместо прослушивания.
3. Разбор смыслов и запись в CRM (1–2 недели). Поля, правила, задачи, уведомления, метки источника. Это и есть ИИ-агент под один процесс — от 60–80 тыс. ₽.
4. Голосовой робот, если он нужен. Сценарии, синтез, телефония, перебивание, передача человеку, согласия — самостоятельный проект, дешевле 100 тыс. ₽ нормально не собирается.

Дальше эксплуатация: расшифровка по 0,5–3 ₽ за минуту, разбор моделью — копейки за звонок, хранение и сопровождение от 15 000 ₽/мес. Последнее не формальность: телефония меняет формат вебхука, в CRM появляются новые поля, провайдер снимает модель с поддержки. Что именно ломается и сколько стоит починка — в статье про поддержку после внедрения.

С чего начинать: включить в телефонии двухканальную запись, проверить, что уведомление о записи звучит в начале звонка, и собрать месячный архив. Дальше есть на чём считать, а не гадать.

Частые вопросы

Читайте дальше