Реализация голосового AI-бота для call-центра
Голосовой бот для колл-центра — это не простая замена IVR, а полноценный AI-ассистент на базе LLM. Мы неоднократно сталкивались с ситуацией: клиенты внедряли дешёвые речевые роботы и получали Containment Rate на уровне 20–30%. Пользователи раздражались и требовали оператора. Наш подход: fine-tuning языковой модели на вашей базе диалогов + двухуровневая эскалация. Containment Rate >60% — типичный результат через 4 недели после деплоя. Наша команда имеет 10+ лет опыта в NLP и MLOps, реализовала 50+ голосовых ботов для call-центров. Экономия на операторах может достигать 1,5 млн рублей в год при объёме 10 000 звонков в месяц.
Как голосовой AI-бот решает проблему загрузки операторов?
Стандартный call-центр тратит 60% времени операторов на типовые запросы: статус заказа, изменение адреса, запись на услугу. Голосовой бот разгружает их на 70–80% по этим категориям. У нас есть опыт интеграции с Bitrix24, amoCRM и Salesforce: бот подтягивает данные клиента по номеру телефона, выполняет сценарий и при необходимости эскалирует с полным контекстом. Containment Rate >60% лучше обычного IVR в 2–3 раза.
Типовые сценарии и покрытие
| Сценарий | Доля звонков | Автоматизация |
|---|---|---|
| Статус заказа | 30–40% | 95% |
| Изменение адреса | 10–15% | 80% |
| FAQ по продукту | 15–20% | 85% |
| Жалобы | 5–10% | 30% (далее оператор) |
| Запись/отмена | 10–15% | 90% |
Пример расчёта окупаемости
При 10 000 звонков в месяц и CR 60% экономия на операторах — 1,5 млн руб/год. Стоимость внедрения окупается за 4–6 месяцев.Архитектура бота для call-центра
from enum import Enum
from dataclasses import dataclass
class DialogState(Enum):
GREETING = "greeting"
INTENT_RECOGNITION = "intent_recognition"
COLLECTING_DATA = "collecting_data"
PROCESSING = "processing"
CONFIRMATION = "confirmation"
TRANSFER_TO_AGENT = "transfer_to_agent"
FAREWELL = "farewell"
@dataclass
class CallSession:
call_id: str
phone_number: str
state: DialogState = DialogState.GREETING
intent: str = None
collected: dict = None
retry_count: int = 0
max_retries: int = 3
def should_transfer(self) -> bool:
return (self.retry_count >= self.max_retries or
self.intent in ["complaint", "complex_issue"])
Первый уровень эскалации — повторный запрос с тем же намерением, второй — перевод оператору с полной историей диалога.
Intent recognition с примерами
async def recognize_intent(user_text: str) -> dict:
response = await client.chat.completions.create(
model="gpt-4o-mini",
messages=[{
"role": "system",
"content": """Определи намерение клиента. Верни JSON:
{"intent": "order_status|change_address|cancel_order|complaint|other",
"entities": {"order_id": "...", "address": "..."}}"""
}, {
"role": "user",
"content": user_text
}],
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
Условия эскалации на оператора
ESCALATION_TRIGGERS = [
"оператор", "живой человек", "соедините с человеком",
"не понимаете", "бесполезный", "жалоба", "претензия",
"верните деньги", "суд", "роспотребнадзор"
]
def should_escalate(text: str, session: CallSession) -> bool:
text_lower = text.lower()
if any(trigger in text_lower for trigger in ESCALATION_TRIGGERS):
return True
if session.retry_count >= 2:
return True
return False
Интеграция с CRM
async def lookup_customer(phone: str) -> dict | None:
# Запрос в CRM (Bitrix24, amoCRM, Salesforce)
async with aiohttp.ClientSession() as session:
resp = await session.get(
f"{CRM_API_URL}/contacts/search",
params={"phone": phone},
headers={"Authorization": f"Bearer {CRM_TOKEN}"}
)
data = await resp.json()
return data.get("contact")
Почему Containment Rate — главный KPI?
Containment Rate — процент звонков, полностью обработанных ботом без перевода на оператора. Для call-центра это прямая экономия: каждый процент повышения CR снижает cost per call. При CR >60% бот окупается за 4–8 месяцев в зависимости от объёмов. Мы гарантируем достижение CR >60% для типовых сценариев после калибровки модели.
Что входит в работу под ключ?
| Этап | Длительность | Результат |
|---|---|---|
| Аудит диалогов | 1 неделя | Выделение топ-5 сценариев |
| Fine-tuning модели | 2–3 недели | Модель с точностью >90% |
| Интеграция с CRM | 1–2 недели | Готовый API-коннектор |
| Настройка эскалации | 1 неделя | Двухуровневая схема |
| Мониторинг и обучение | 2 недели | Дашборды и обучение операторов |
После запуска — 3 месяца поддержки. Мы оценим ваш проект бесплатно: просто свяжитесь с нами. Получите консультацию по вашему сценарию — рассмотрим интеграцию, объём звонков и целевой CR.
ASR и TTS: распознавание и синтез речи для голосового бота
Голосовой бот состоит из трёх компонентов: ASR (распознавание речи), NLU (понимание намерения), TTS (синтез ответа). Качество каждого из них критично для итоговой конверсии.
ASR (Automatic Speech Recognition): используем Whisper large-v3 или Yandex SpeechKit в зависимости от требований к latency и конфиденциальности данных. Whisper даёт WER менее 5% на чистой речи, Yandex — лучше справляется с региональными акцентами. Streaming-режим ASR — первый токен за 300–500 мс — снижает ощущение задержки.
TTS (Text-to-Speech): синтез ответа занимает 200–400 мс на фразу. Используем SSML-разметку для управления паузами и интонацией: <break time="0.3s"/> перед ключевыми словами повышает воспринимаемое качество на 20–30%.
Снижение шума: для входящих звонков с фоновым шумом применяем RNNoise (open-source) или Krisp API. Это снижает WER на зашумлённых каналах с 25% до 8%.
Интеграция ASR + TTS добавляет 500–800 мс к общей latency цикла. Мы оптимизируем каждый компонент в связке, добиваясь общего времени ответа бота менее 2 секунд.
Сроки: MVP с 3–5 сценариями — 4–6 недель. Полная система с аналитикой и A/B тестами — 3–4 месяца.