Разработка AI-системы автообзвона для информирования об акциях

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
Разработка AI-системы автообзвона для информирования об акциях
Средний
~1-2 недели
Часто задаваемые вопросы

Направления AI-разработки

Этапы разработки AI-решения

Последние работы

  • image_website-b2b-advance_0.webp
    Разработка сайта компании B2B ADVANCE
    1360
  • 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
    957
  • 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

Клиенты всё чаще игнорируют массовые SMS и email-рассылки — открываемость падает до 10–20%. Голосовой бот с персонализацией на основе истории покупок повышает конверсию в 3–5 раз по сравнению с текстовыми каналами. Мы разрабатываем AI-системы автообзвона, которые не только информируют об акциях, но и ведут диалог, оформляют заказ прямо во время звонка. За 5 лет мы выполнили 120+ внедрений для ритейла, банков и телекома.

Основные проблемы, которые решает система

Низкая конверсия массовых рассылок. SMS и email открывают 10–20%, на звонок отвечают 70–80%. Голосовой бот удерживает внимание до 45 секунд, а персонализированное предложение по истории покупок доводит до заказа.

Отсутствие персонализации. Мы строим промо-сообщение динамически: учитываем категорию любимых товаров, сумму среднего чека, давность последней покупки. Бот использует RAG-подход RAG: подтягивает акцию из базы и вставляет в шаблон.

Нарушение законодательства. Система проверяет согласие на рассылку по базе, ведёт логи отказов и соблюдает временные ограничения. Compliance встроен в каждый этап.

Как мы это делаем: кейс сети гипермаркетов

Одна из сетей хотела повысить посещаемость по акции "Скидка 30% на бытовую технику". Раньше рассылали SMS с кодом — конверсия 2,3%. Мы внедрили голосового бота с элементами диалога.

Стек: Python + FastAPI, LLM GPT-4o для генерации сценариев, Embeddings 1536-dim для поиска акций под клиента, Silero TTS, интеграция с CRM через REST API.

Бот загружает историю клиента, через RAG находит подходящую акцию, синтезирует речь и задаёт уточняющие вопросы. Если клиент согласен, бот отправляет SMS со ссылкой на оплату или подключает оператора. Конверсия выросла до 11,4%, ROI кампании — 340%.

async def build_promo_message(customer: dict, promo: dict) -> str:
    """Строим персонализированное сообщение"""
    personalization = await get_personalization(customer)

    if personalization.get("favorite_category"):
        category_mention = f"на {personalization['favorite_category']}"
    elif personalization.get("last_purchase"):
        category_mention = f"на товары, похожие на ваш последний заказ"
    else:
        category_mention = ""

    template = f"""
        Здравствуйте, {customer['first_name']}!
        У нас специальное предложение {category_mention}:
        {promo['headline']}.
        {promo['discount_description']}.
        Предложение действует до {promo['expiry_date']}.
        Хотите узнать подробности или оформить заказ прямо сейчас?
    """
    return template.strip()

Почему AI-система автообзвона эффективнее текстовых рассылок?

Сравнение по ключевым метрикам:

Канал Средняя конверсия Длительность контакта Возможность диалога
SMS 2–5% 5 сек (чтение) Нет
Email 1–4% 10 сек (просмотр) Нет
Голосовой бот 10–15% 30–45 сек Да

Голосовой бот в 3–5 раз лучше по конверсии, а также позволяет получить дополнительную информацию о клиенте в ходе диалога. Снижение стоимости лида достигает 40% по сравнению с рекламными кампаниями через SMS.

Как соблюсти требования закона о рекламных звонках?

Система автоматически сверяет номер с базой согласий (закон «О рекламе», ст. 18). Если согласия нет, звонок блокируется. Для каждого звонка фиксируется время: будни с 9 до 20, выходные с 10 до 17. В начале разговора бот представляется и сообщает цель звонка, а в конце предлагает отказаться от рассылки по команде «Стоп» или через SMS. Все отказы мгновенно попадают в бан-лист. Экономия на штрафах за нарушения — до существенных сумм.

Процесс работы и сроки

Этап Описание Типичная длительность
Аналитика Изучаем аудиторию, историю покупок, сценарии 3–5 дней
Проектирование Определяем сегменты, шаблоны, сценарии диалога 3–5 дней
Разработка Настройка LLM, TTS, CRM-интеграция 7–10 дней
Тестирование A/B тесты на части базы, итерация 4–5 дней
Деплой Развёртывание, документация, обучение 2–3 дня

Базовая версия — 3–4 недели. Расширенная (с A/B тестами и аналитикой ROI) — до 1,5 месяцев. Стоимость рассчитывается индивидуально под ваши интеграции. Получите бесплатную консультацию — свяжитесь с нами через форму на сайте.

Пример сценария диалога с покупателем

Бот: «Здравствуйте, Анна! Это магазин Электроника-24. У нас акция на смартфоны — скидка до 30% на прошлогодние модели. Подходят ли вам смартфоны?»
Покупатель: «Да, какой бренд?»
Бот: «Samsung и Xiaomi. Какой вам интереснее?»
Покупатель: «Samsung.»
Бот: «Отлично! У нас есть Galaxy A54 с кешбэком 2000 баллов. Хотите заказать?»
Покупатель: «Да.»
Бот: «Мы отправили ссылку на оплату в SMS. Спасибо за заказ!»

Что входит в результат

  • Рабочий голосовой бот с персонализацией и сегментацией.
  • Интеграция с вашей CRM (REST API, WebSocket или очередь сообщений).
  • Дашборд аналитики с конверсией, ROI, логами разговоров.
  • Инструкция по эксплуатации и администрированию.
  • Обучение операторов на 2 часа.
  • Поддержка на месяц после запуска.

Закажите пилотный запуск — мы проведём A/B тест на 1000 клиентах и покажем реальный прирост конверсии.

Почему стоит выбрать нашу AI-систему автообзвона?

Мы гарантируем прозрачную отчётность, полное соответствие 152-ФЗ и экономию до 50% бюджета на маркетинговые кампании по сравнению с традиционными методами. Оценим ваш проект бесплатно — свяжитесь с нами сегодня.

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.