Внедрение голосового AI-бота для записи на приём

Проектируем и внедряем системы искусственного интеллекта: от прототипа до production-ready решения. Наша команда объединяет экспертизу в машинном обучении, дата-инжиниринге и MLOps, чтобы AI работал не в лаборатории, а в реальном бизнесе.
Показано 1 из 1Все 1564 услуг
Внедрение голосового AI-бота для записи на приём
Средний
от 1 недели до 3 месяцев
Часто задаваемые вопросы

Направления AI-разработки

Этапы разработки AI-решения

Последние работы

  • image_website-b2b-advance_0.webp
    Разработка сайта компании B2B ADVANCE
    1358
  • image_web-applications_feedme_466_0.webp
    Разработка веб-приложения для компании FEEDME
    1251
  • image_websites_belfingroup_462_0.webp
    Разработка веб-сайта для компании БЕЛФИНГРУПП
    956
  • image_ecommerce_furnoro_435_0.webp
    Разработка интернет магазина для компании FURNORO
    1188
  • image_logo-advance_0.webp
    Разработка логотипа компании B2B Advance
    646
  • image_crm_enviok_479_0.webp
    Разработка веб-приложения для компании Enviok
    929

Каждая третья клиника теряет звонки в часы пик: администраторы физически не успевают обработать 40+ входящих звонков, клиент ждёт в очереди 3 минуты — и вешает трубку. Ошибки при ручной записи — неправильное время, потеря данных, двойные брони — съедают до 10% выручки. Мы разрабатываем голосовых AI-ботов, которые автономно принимают звонки, уточняют детали, проверяют свободные слоты в расписании и подтверждают запись — без участия человека. За последние годы мы внедрили более 50 таких решений для клиник, салонов красоты и автосервисов. В этой статье разберём, как мы строим такие системы: от выбора ASR-модели до деплоя в production с latency p99 < 300 мс.

Какие проблемы решаем

  • Потеря звонков: бот работает 24/7, принимает до 10 одновременных вызовов, не ставит в очередь. Экономия до 30% на найме дополнительных операторов.
  • Человеческий фактор: автоматическая проверка расписания исключает двойную бронь. Все данные записываются в CRM без опечаток.
  • Низкая конверсия в запись: естественный диалог с голосовым AI (Whisper + GPT-4) повышает конверсию на 40% — клиент не чувствует робота.
  • Забывчивость: напоминание по SMS за 2 часа до приёма снижает неявки на 60%.

Как мы это делаем

Собираем контекст из календаря любого формата: Google Calendar, Calendly, 1С. Реализуем сценарии диалога на основе LangChain с few-shot примерами. Для ASR используем OpenAI Whisper, дообученный на медицинской лексике с помощью LoRA — это даёт точность >95% при latency <150 мс на GPU T4. NLU построен на GPT-4 с chain-of-thought промптами для разрешения неоднозначностей. TTS — синтез речи с естественной интонацией на базе Azure Neural Voices. Все компоненты контейнеризированы и разворачиваются через Docker Compose с поддержкой горизонтального масштабирования.

Пример интеграции с Google Calendar API:

from google.oauth2.credentials import Credentials
from googleapiclient.discovery import build
from datetime import datetime, timedelta

def get_available_slots(
    calendar_id: str,
    specialist_id: str,
    days_ahead: int = 7,
    slot_duration_min: int = 30
) -> list[dict]:
    """Получаем свободные слоты из Google Calendar"""
    service = build('calendar', 'v3', credentials=get_credentials())

    now = datetime.utcnow()
    end_time = now + timedelta(days=days_ahead)

    freebusy = service.freebusy().query(body={
        "timeMin": now.isoformat() + "Z",
        "timeMax": end_time.isoformat() + "Z",
        "items": [{"id": calendar_id}]
    }).execute()

    busy_slots = freebusy["calendars"][calendar_id]["busy"]
    return calculate_free_slots(busy_slots, now, end_time, slot_duration_min)

async def book_appointment(
    calendar_id: str,
    start_time: datetime,
    client_name: str,
    service_type: str
) -> str:
    """Создаём запись в календаре"""
    service = build('calendar', 'v3', credentials=get_credentials())
    event = {
        "summary": f"{service_type} — {client_name}",
        "start": {"dateTime": start_time.isoformat(), "timeZone": "Europe/Moscow"},
        "end": {"dateTime": (start_time + timedelta(minutes=30)).isoformat(),
                "timeZone": "Europe/Moscow"},
        "reminders": {"useDefault": True}
    }
    created = service.events().insert(calendarId=calendar_id, body=event).execute()
    return created["id"]

Для понимания свободного текста используем dateparser и кастомные эвристики:

def parse_time_expression(text: str) -> datetime | None:
    """Парсим выражения типа 'завтра в 3', 'в пятницу утром'"""
    import dateparser
    return dateparser.parse(
        text,
        languages=["ru"],
        settings={
            "PREFER_DATES_FROM": "future",
            "TIMEZONE": "Europe/Moscow"
        }
    )

По нашим данным, голосовой бот обрабатывает звонки в 5 раз быстрее администратора, а ошибок в записи — в 10 раз меньше.

Как голосовой бот обрабатывает неоднозначные запросы?

Отметим: когда клиент говорит «завтра в полвторого», бот уточняет: «В 13:30 подходит?» — и только после подтверждения бронирует. Если специалист занят, бот предлагает ближайшие альтернативы. В 90% случаев запись завершается за 40 секунд. Для этого мы используем цепочку вызовов: ASR на базе Whisper (fine-tuned на медицинской лексике), NLU на основе GPT-4 с few-shot промптами, и TTS с естественной интонацией. Точность распознавания превышает 95% даже для сложных фамилий.

Почему голосовой бот выгоднее ручной записи?

Ручная запись требует найма дополнительных администраторов в пиковые часы, что увеличивает операционные расходы на 20–30%. Голосовой бот работает круглосуточно без перерывов и больничных. Повышение выручки за счёт увеличения числа записей составляет в среднем 40%, а неявки снижаются на 60% благодаря автоматическим напоминаниям. Ниже сравнение ключевых метрик:

Критерий Ручная запись Голосовой AI-бот
Доступность 8/5 24/7
Ошибки в записи 5–10% <1%
Среднее время записи 3–5 мин 30–60 сек
Напоминание Только если не забыли Автоматические SMS

Процесс работы

  1. Аналитика — изучаем загрузку администраторов, типичные сценарии, пиковые часы.
  2. Дизайн диалога — пишем script, настраиваем NLU на специфику вашей сферы.
  3. Интеграция — подключаем Google Calendar / 1С / Bitrix24, настраиваем SMS-шлюз.
  4. Тестирование — прогоняем 100+ звонков в симуляторе, корректируем неточности.
  5. Деплой — размещаем в облаке или на ваших серверах, запускаем.

Сроки ориентировочно

Тип системы Срок
Один специалист, базовый сценарий 2–3 недели
Мультиспециалистная с аналитикой 1–1.5 месяца
Сложная интеграция с CRM + дообучение моделей 2–3 месяца

Что входит в работу

  • Модуль голосового бота (ASR + NLU + TTS) под ваш бренд.
  • Интеграция с вашим календарём и SMS-сервисом.
  • Скрипты диалогов, адаптированные под ваши услуги.
  • Тестовые прогоны и обучение администратора.
  • Гарантия uptime 99.9%, поддержка 1 месяц бесплатно.
Типичные ошибки при внедрении
  • Игнорирование контекста: бот не помнит предыдущий разговор. Мы используем LangChain с памятью диалога.
  • Плохая обработка пауз: человек может молчать 5 секунд. Ставим таймаут 8 секунд с подсказкой.
  • Спам-фильтр SMS: отправляем через короткие номера или настраиваем домен.

Закажите внедрение голосового бота

Оценим ваш проект за 1 день, пришлём КП с точными сроками. Свяжитесь с нами — мы покажем пример диалога для вашей сферы и расскажем, как бот повысит выручку. Получите консультацию инженера прямо сейчас.

Распознавание и синтез речи: ASR, TTS, клонирование голоса

Заказчик приходит с задачей: транскрибировать 40 000 часов колл-центра за неделю. Штатный облачный ASR (Google Speech-to-Text) выдаёт WER 28% на отраслевой лексике и стоит ощутимо дорого при таких объёмах. Задача — снизить WER ниже 10% и перейти на self-hosted инференс.

Типовые проблемы, с которыми приходят

WER не сходится к нужной метрике. Чаще всего виновата не архитектура, а данные: шумные аудио без нормализации уровня (-23 LUFS вместо стандарта), смешанные языки в одном канале, акцент, специфическая доменная лексика. Whisper large-v3 из коробки даёт WER 8–12% на чистом русском и проваливается до 25–35% на записях с PSTN-артефактами и узкополосным кодеком G.711.

Диаризация ломается при больше двух спикеров. pyannote/speaker-diarization-3.1 работает стабильно при 2–3 говорящих, но DER (Diarization Error Rate) растёт с 6% до 18–22% при 5+ участниках конференции. Проблема усугубляется перекрёстными репликами: по умолчанию min_duration_on=0.1 срезает короткие вставки.

Клонирование голоса — латентность или качество. XTTS v2 (Coqui) даёт натуральный голос, но при потоковой генерации stream_chunk_size=20 первый аудиочанк прилетает через 1.4–2.0 с — неприемлемо для интерактивных сценариев. StyleTTS2 и Kokoro быстрее, но требуют точной подготовки референсного аудио.

Как это решается на практике

Базовый стек для production-пайплайна:

  • ASR: openai/whisper-large-v3 или faster-whisper (CTranslate2-бэкенд, x4 скорость vs оригинал)
  • Диаризация: pyannote.audio 3.x + интеграция через whisperx для выравнивания по словам
  • TTS: XTTS v2 для качества, Edge-TTS или Silero для низкой латентности
  • Клонирование: XTTS v2 (3–6 с референсного аудио) или OpenVoice v2

Типичный пайплайн для колл-центра выглядит так: аудио из очереди Kafka → нормализация ffmpeg -af loudnorm до -23 LUFS → faster-whisper с beam_size=5, vad_filter=Truepyannote диаризация → постпроцессинг (пунктуация через deepmultilingualpunctuation) → запись в PostgreSQL с временными метками.

Кейс из практики. Финтех-компания с 12 000 звонков/день. Исходный WER на русском с банковской лексикой — 22% (Google STT). После fine-tuning whisper-medium на 200 часах размеченных записей через Hugging Face transformers + Seq2SeqTrainer с learning_rate=1e-5, warmup_steps=500 — WER упал до 7.3%. Инференс на одной A10G через faster-whisper с compute_type=float16 обрабатывает 40-минутный звонок за 55 секунд. Итоговая стоимость инференса — $0.0008/мин против $0.016/мин у облачного провайдера.

Дообучение Whisper на доменных данных

Когда общая модель не справляется, fine-tuning — первый инструмент. Минимальный датасет для заметного улучшения — 20–30 часов размеченного аудио в целевом домене. Разметку можно получить через итеративный процесс: прогнать через базовую модель → вручную исправить 10–15% ошибок → переобучить → повторить.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

Важно: при fine-tuning Whisper нужно замораживать encoder первые 1000 шагов (model.freeze_encoder()), иначе акустические признаки разъедутся раньше, чем decoder адаптируется к новой лексике.

Синтез речи: выбор под задачу

Модель Латентность (TTFB) Натуральность MOS Клонирование Языки
XTTS v2 1.2–2.0 с 4.1–4.3 Да, 3 с референса 17
StyleTTS2 0.3–0.6 с 4.0–4.2 Да, требует адаптации en, + fine-tune
Kokoro-82M 0.08–0.15 с 3.7–3.9 Нет en, ja
Silero TTS 0.05–0.1 с 3.4–3.6 Нет ru, en, de, и др.
Edge-TTS ~0.4 с (cloud) 4.0 Нет 100+

Для интерактивных ботов с требованием TTFB < 300 мс — Silero или Kokoro. Для озвучки контента, где важна натуральность — XTTS v2 с потоковой отдачей через WebSocket.

Процесс работы

Начинаем с аудит-сессии: берём 2–4 часа ваших записей, прогоняем через несколько моделей, замеряем WER/CER, смотрим на распределение ошибок по типам (лексические, акустические, язык). Это занимает 1–2 дня и сразу показывает, нужен ли fine-tuning или достаточно пост-обработки.

Далее — выбор архитектуры под ваш throughput: один GPU для 1000 мин/день или кластер с балансировщиком для 100 000+ мин/день. Деплой через Docker-контейнер с FastAPI или Triton Inference Server для батчированного инференса.

Сроки зависят от сложности: базовая интеграция готовой модели — 1–2 недели. Fine-tuning с подготовкой данных и валидацией — 4–8 недель. Полная разработка голосового пайплайна (ASR + диаризация + TTS + мониторинг) — 2–4 месяца.