AI-бот для холодных звонков: квалификация лидов и CRM-интеграция

Холодные звонки — одна из самых затратных и низкоэффективных воронок. Средняя конверсия холодного обзвона редко превышает 2%, а стоимость привлечения лида растёт. Операторы выгорают, скрипты нарушаются, конверсия падает к концу дня. Голосовой AI-бот решает эту задачу кардинально: 1000+ параллельных звонков, стабильное качество скрипта, обработка возражений без усталости. Мы внедряем такие решения на протяжении нескольких лет — накопили опыт, который позволяет запустить кампанию за 3-4 недели. Экономия на зарплате операторов может достигать 70% — для отдела из 10 человек это около 3 млн рублей в год.

Почему голосовой бот эффективнее оператора?

Сравните: оператор делает 50–80 звонков в день, из них 10–15 результативных. AI-бот делает 1000+ звонков в день с contact rate 30–50% и qualification rate 15–25%. Стоимость квалифицированного лида снижается в 5–10 раз, а экономия на зарплате операторов может достигать 70%. Бот не боится отказов, не теряет энтузиазм и строго следует скрипту — никаких импровизаций, которые могут навредить бренду.

Какие технические сложности мы решаем?

Первая проблема — интеграция с телефонной инфраструктурой. Мы подключаем бота через SIP trunk или облачные АТС (Asterisk, Miko, Zadarma). Вторая — распознавание естественного языка в шумных каналах. Используем Whisper + fine-tuned NLU для детекции возражений. Третья — передача контекста в CRM. Реализуем вебхуки и API-коллы при каждом статусном переходе. Стоимость минуты разговора бота — в 3–5 раз ниже оператора.

Кейс: внедрение для сети фитнес-клубов

Из нашей практики: сеть фитнес-клубов (50+ клубов) — один из проектов. Требовалось обзвонить базу 200 000 контактов за неделю, квалифицировать интерес к годовому абонементу и записать на пробный визит. Мы развернули кластер из 20 параллельных сессий бота на базе LangChain с использованием OpenAI GPT-4o для генерации ответов на нестандартные возражения. Интеграция с Bitrix24 через REST API — каждый лид создавался с заполненными полями: уровень интереса, предпочтительное время, источник. Результат: 180 000 дозвонов, 45 000 квалифицированных лидов, 12 000 записей на пробный визит. Contact rate — 34%, qualification rate — 22%.

Настройка сценария и NLU

Сценарий холодного звонка строится по модульному принципу: хук, квалификационные вопросы, обработка возражений, оффер. Для каждого возражения пишется отдельный обработчик, при неизвестном возражении подключается LLM. Скрипт легко адаптируется под вашу отрасль.

OBJECTION_HANDLERS = {
    "not_interested": {
        "detect": ["не интересует", "не нужно", "не актуально"],
        "response": "Понимаю. А что было бы интересно в контексте [проблема]?"
    },
    "busy": {
        "detect": ["занят", "не время", "перезвоните"],
        "response": "Конечно! Когда лучше перезвонить — сегодня вечером или завтра утром?"
    },
    "we_have_solution": {
        "detect": ["уже есть", "работаем с", "другой поставщик"],
        "response": "Отлично! Многие клиенты используют нас параллельно с [конкурент] для [уникальная ценность]."
    },
    "send_info": {
        "detect": ["пришлите", "отправьте", "на почту"],
        "response": "С удовольствием! На какую почту отправить материалы?"
    }
}

async def handle_objection(text: str) -> tuple[str, str]:
    text_lower = text.lower()
    for objection_type, handler in OBJECTION_HANDLERS.items():
        if any(phrase in text_lower for phrase in handler["detect"]):
            return objection_type, handler["response"]
    return "unknown", await generate_response_with_llm(text)

Сравнение решений для распознавания речи

Этапы реализации

1. Аналитика: аудит скриптов, сбор типовых возражений, настройка воронки.
2. Проектирование: архитектура NLU, выбор TTS/STT, проектирование схемы интеграции.
3. Разработка: кодинг сценариев, обучение моделей возражений, настройка логики передачи оператору.
4. Тестирование: A/B-тест бота с операторами, оценка метрик, корректировка порогов принятия решений.
5. Деплой: развёртывание на инфраструктуре клиента (on-prem или облако), запуск первой кампании.

Что входит в работу и метрики

• Разработка сценария холодного звонка с хуком, квалификационными вопросами и обработкой возражений.
• Настройка NLU для детекции 10+ типов отказа с точностью >90%.
• Интеграция с вашей CRM (Bitrix24, amoCRM, HubSpot, 1С) — двусторонняя синхронизация.
• Система opt-out с автоматическим занесением в чёрный список.
• Организация записи разговоров и прослушивания в CRM.
• Обучение команды работе с дашбордами и логами.
• Поддержка 2 месяца после запуска.

Сроки рассчитываются индивидуально: MVP с базовым сценарием — 3-4 недели, полноценное решение с обработкой возражений и CRM-интеграцией — до 2 месяцев. Свяжитесь с нами для аудита вашего бизнес-процесса. Оценим проект за 1-2 дня и предложим оптимальное решение. Закажите запуск AI-бота для холодных звонков и получите консультацию.

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=True → pyannote 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

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.