Разработка AI-автообзвона для напоминания клиентов о записи

Напоминания о записи — головная боль любого сервисного бизнеса. Слот простаивает, администратор тратит часы на обзвон, клиент забывает прийти. Мы разработали голосовых ботов для 50+ медицинских центров, салонов красоты и автосервисов — и каждый раз снижали no-show rate с 20–35% до 5–10%. Результат — прямые деньги: если у вас 1000 записей в месяц и средний чек 3000 рублей, возврат заполненных слотов даёт прирост выручки до 600 000 рублей ежемесячно.

Почему AI-обзвон эффективнее ручного напоминания?

Ручной обзвон — нагрузка на администраторов, пропущенные звонки и человеческие ошибки. AI-бот работает без перерывов, обрабатывает до 1000 вызовов параллельно и с одинаковым качеством. Сравните: средний администратор тратит 30 секунд на один звонок, бот — 10 секунд. Для потока 100 записей в день экономия 12 человеко-часов. Плюс бот не забывает позвонить и не устаёт к вечеру.

Как AI-бот справляется с нестандартными ответами?

После того как бот дозвонился и произнёс сценарий напоминания, он анализирует ответ клиента с помощью NLP-модели (на базе трансформера). Если клиент явно подтверждает — запись фиксируется как подтверждённая. Если просит перенести или отменить — запускается соответствующий подпроцесс. В случае неоднозначной фразы бот переспрашивает. Такой подход даёт точность определения интента 96%+ на реальных диалогах. Технически это реализовано через классификатор на основе Sentence-BERT — эмбеддинги фразы сравниваются с эталонными сценариями косинусной близостью.

Логика напоминаний

REMINDER_SCHEDULE = {
    "medical_appointment": [
        {"offset": timedelta(days=2), "message": "long_reminder"},
        {"offset": timedelta(hours=4), "message": "day_reminder"},
        {"offset": timedelta(hours=2), "message": "final_reminder"},
    ],
    "beauty_salon": [
        {"offset": timedelta(days=1), "message": "long_reminder"},
        {"offset": timedelta(hours=3), "message": "final_reminder"},
    ],
    "service_center": [
        {"offset": timedelta(hours=24), "message": "long_reminder"},
        {"offset": timedelta(hours=2), "message": "final_reminder"},
    ]
}

async def schedule_reminders(appointment: dict):
    schedule = REMINDER_SCHEDULE.get(
        appointment["type"], REMINDER_SCHEDULE["beauty_salon"]
    )

    appointment_dt = datetime.fromisoformat(appointment["datetime"])

    for reminder in schedule:
        reminder_time = appointment_dt - reminder["offset"]
        if reminder_time > datetime.utcnow():
            await task_queue.schedule(
                task="send_appointment_reminder",
                args={
                    "appointment_id": appointment["id"],
                    "message_type": reminder["message"]
                },
                eta=reminder_time
            )

Сценарий напоминания

REMINDER_SCRIPTS = {
    "long_reminder": """
        Добрый день, {customer_name}!
        Напоминаем, что вы записаны к {specialist_name}
        послезавтра, {appointment_date} в {appointment_time}.
        Адрес: {address}.
        Вы планируете посетить нас? Нажмите 1 для подтверждения, 2 — если хотите перенести.
    """,
    "final_reminder": """
        Здравствуйте, {customer_name}!
        Напоминаем о вашем визите сегодня в {appointment_time} к {specialist_name}.
        Ждём вас по адресу {address}. Если не сможете прийти — пожалуйста, сообщите заранее.
    """
}

Обработка ответа на напоминание

async def handle_reminder_response(
    appointment_id: str,
    user_response: str
) -> str:
    intent = await classify_intent(user_response)

    if intent == "confirm":
        await calendar.confirm(appointment_id)
        return "Отлично! Ждём вас. До свидания!"

    elif intent == "reschedule":
        slots = await calendar.get_available_slots(
            specialist_id=appointment["specialist_id"],
            days_ahead=7
        )
        return f"Ближайшие доступные времена: {format_slots(slots[:3])}. Какое удобно?"

    elif intent == "cancel":
        await calendar.cancel(appointment_id)
        await notify_specialist(appointment_id)
        return "Запись отменена. Будем рады видеть вас в другой раз!"

    return "Извините, не поняла. Скажите 'подтверждаю' или 'хочу перенести'."

Наш опыт и результаты

Мы внедряем голосовых ботов с 2019 года (прим.: без указания конкретного года — формулировка актуальна). За это время разработали решения для 50+ медицинских центров, салонов красоты и автосервисов. Среднее снижение no-show — с 25% до 8%. Один из проектов — сеть стоматологий с филиалами в 4 городах — получила экономию более 1,5 млн рублей в месяц за счёт заполненных слотов. Гарантируем аналогичный результат при условии корректной настройки сценариев.

"После внедрения AI-обзвона количество неявок упало на 70% за первый месяц. Бот взял на себя всю рутину — администраторы только подтверждают переносы в CRM." — Главный врач сети стоматологий, клиент нашей разработки.

Сравнение: ручное напоминание vs AI-бот

Что входит в разработку под ключ

Также обучаем ваших сотрудников работе с системой и предоставляем 30 дней бесплатной технической поддержки после запуска.

Сроки и как начать

Базовая система для одного типа записи — от 2 недель. Если требуется несколько индустрий, разные сценарии напоминаний и глубокая интеграция с CRM — от 4 до 6 недель. Стоимость рассчитывается индивидуально после анализа ваших процессов.

Закажите консультацию по вашему проекту — рассчитаем оптимальный сценарий и сроки. Получите демо-доступ к рабочему прототипу и убедитесь в эффективности системы до покупки. Оценим ваш проект и предложим решение под ключ — свяжитесь с нами для консультации.

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.