Разработка голосового AI на Voximplant: интеграция VoxEngine, STT/TTS

Исходящий обзвон на 500 контактов — бот отвечает с задержкой 4 секунды, клиенты сбрасывают звонок. Мы столкнулись с этим, когда клиент-риелторская компания теряла 30% лидов из-за пауз. После интеграции Voximplant с AI-бэкендом latency снизили до 600 мс, конверсия в разговор выросла на 40%. Один из проектов принёс заказчику экономию $11k–16k в год за счёт сокращения штата операторов.

Российская платформа Voximplant с VoxEngine даёт полный контроль над звонком, но её интеграция с AI-моделями требует тонкой настройки потокового аудио, VAD и управления очередями. За 5 лет работы мы реализовали более 30 голосовых AI-решений на Voximplant. Наши инженеры сертифицированы Voximplant Developer и знают, как выжать минимум 200 мс latency на этапе STT.

Какие проблемы решаем

Высокая задержка ответа — главная боль. При последовательной обработке аудио (звонок → запись → распознавание → ответ) latency достигает 3–5 секунд. Пауза в 1.5 секунды уже заметна пользователю. Решение — потоковая обработка через WebSocket: аудио передаётся фреймами по 30 мс, параллельно запускается голосовой VAD.

Нестабильное распознавание при фоновых шумах или быстром говорящем. Мы используем модели с адаптивным шумоподавлением (например, Silero VAD) и настраиваем чувствительность для каждого канала.

Проблемы масштабирования — VoxEngine сценарии работают в одном потоке, а при 100+ одновременных звонках легко упереться в лимиты. Мы проектируем архитектуру с очередью сообщений (RabbitMQ/NATS) и пулом AI-воркеров, распределяя нагрузку.

Как устроена интеграция Voximplant с AI?

Основной паттерн — VoxEngine открывает WebSocket-соединение с нашим Python-бэкендом при каждом звонке. Весь аудиопоток идёт через него, управляемый событиями.

// VoxEngine сценарий (JavaScript)
VoxEngine.addEventListener(AppEvents.CallAlerting, (e) => {
  const call = e.call;
  call.answer();

  // Создаём WebSocket соединение с нашим AI-бэкендом
  const wsConn = VoxEngine.createWSClient(`wss://api.yourapp.com/voxi-stream`);

  // Привязываем аудио звонка к WebSocket
  call.sendMediaTo(wsConn);
  wsConn.sendMediaTo(call);

  wsConn.addEventListener(WSClientEvents.ConnectionClosed, () => {
    call.hangup();
  });

  call.addEventListener(CallEvents.Disconnected, () => {
    wsConn.close();
  });
});

На бэкенде FastAPI принимает поток, накапливает аудио в буфер, обнаруживает конец фразы (VAD) и отправляет в ASR-модель. Результат — в TTS, синтезированная речь возвращается обратно.

from fastapi import FastAPI, WebSocket
import asyncio

@app.websocket("/voxi-stream")
async def voximplant_stream(websocket: WebSocket):
    await websocket.accept()
    session = VoiceSession()
    # Отправляем приветствие
    greeting_audio = await tts.synthesize("Здравствуйте! Чем могу помочь?")
    await websocket.send_bytes(greeting_audio)
    audio_buffer = bytearray()
    silence_frames = 0
    async for chunk in websocket.iter_bytes():
        audio_buffer.extend(chunk)
        silence_frames = 0  # сбрасываем при получении аудио
        # Обрабатываем каждые 1.5 секунды накопленного аудио
        if len(audio_buffer) >= 24000 * 2:  # 1.5 sec @ 16kHz 16-bit
            response = await process_utterance(bytes(audio_buffer), session)
            if response:
                audio_response = await tts.synthesize(response)
                await websocket.send_bytes(audio_response)
                audio_buffer = bytearray()

Подробнее о протоколе WebSocket. Свяжитесь с нами, чтобы обсудить ваш сценарий и получить демонстрацию потоковой обработки.

Что даёт использование VoxEngine?

VoxEngine — это не прокси, а полноценный JavaScript-движок внутри звонка. Он позволяет гибко управлять медиа-потоком: микшировать аудио, переключать каналы, добавлять тоновый набор. Для AI-сценариев это значит, что мы можем воспроизводить пререкорды (например, «Ожидайте, пожалуйста»), пока AI-модель обрабатывает запрос, — без задержки.

Из таблицы видно, что VoxEngine + WebSocket обеспечивает latency в 400–800 мс, что в 5–10 раз быстрее, чем REST API.

Сравнение популярных моделей ASR/TTS

Выбор модели зависит от требуемой точности и бюджета. Для русского языка часто рекомендуем Yandex SpeechKit или Whisper.

Почему Voximplant лучше для голосового AI?

Документация Voximplant подтверждает: платформа изначально проектировалась для real-time коммуникаций. В отличие от обычных SIP-транков, VoxEngine позволяет обрабатывать аудио на уровне JavaScript, что даёт sub-секундные задержки при правильной интеграции.

Как снизить latency до 200 мс?

Достичь 200 мс на этапе STT можно только при комплексном подходе:

• Использовать VAD с низким порогом (Silero VAD с threshold 0.3)
• Предзагружать ASR-модель в GPU-память
• Применять streaming ASR (например, Whisper cpp в real-time режиме)
• Оптимизировать размер аудиофреймов (30–50 мс)

Исходящий обзвон: как автоматизировать массовые кампании

Для исходящих звонков Voximplant предоставляет API StartScenarios. Мы запускаем кампании с персонализацией: передаём в сценарий имя клиента, контекст предыдущих обращений.

import requests

def start_outbound_campaign(contacts: list[dict]):
    """Запускаем массовый обзвон через Voximplant API"""
    for contact in contacts:
        response = requests.post(
            "https://api.voximplant.com/platform_api/StartScenarios/",
            data={
                "account_name": VOXI_ACCOUNT,
                "api_key": VOXI_API_KEY,
                "rule_name": "outbound_bot",
                "script_custom_data": json.dumps({
                    "phone": contact["phone"],
                    "customer_name": contact["name"],
                    "context": contact.get("context", {})
                }),
                "reference_to_call_id": contact["phone"]
            }
        )

Типичные ошибки: не обрабатывать занятые линии/недоступность — мы добавляем повторный дозвон с экспоненциальной задержкой и логированием причин сброса.

Что входит в работу

• Аудит текущей телефонии и требований к AI-сценарию.
• Проектирование архитектуры: выбор ASR/TTS, VAD, настройка WebSocket-соединений.
• Разработка VoxEngine-сценария и Python-бэкенда (FastAPI, asyncio).
• Интеграция с CRM и системами учета (при необходимости).
• Нагрузочное тестирование (1000+ виртуальных звонков).
• Документация по сценарию и API.
• Обучение операторов и поддержка 3 месяца после запуска.

Процесс работы

1. Аналитика — изучаем ваши диалоги, определяем интенты и слоты.
2. Прототип — за 5 дней делаем MVP на одном сценарии (например, ответы на частые вопросы).
3. Разработка — пишем VoxEngine-код, подключаем выбранные ASR/TTS, настраиваем VAD.
4. Тестирование — прогоняем 100+ тестовых звонков, замеряем latency и качество распознавания.
5. Промышленный запуск — развёртываем продакшен-инфраструктуру, настраиваем мониторинг (grafana, alertmanager).
6. Поддержка — мониторинг, дообучение моделей, доработка сценариев по статистике.

Сроки ориентировочно

• Базовая интеграция (один сценарий, ASR/TTS «из коробки») — от 1 до 2 недель.
• Полноценный production с исходящим обзвоном, 3+ интентами, интеграцией CRM — от 1.5 до 2 месяцев.
• Стоимость рассчитывается индивидуально, в зависимости от сложности диалогов и требований к latency.

Опишите задачу — за 1 день подготовим коммерческое предложение с архитектурой и сроками. Гарантируем SLA 99.9% и снижение времени ответа бота до 200 мс. Закажите консультацию прямо сейчас и получите анализ вашей текущей схемы телефонии. Для оперативного старта свяжитесь с нами через форму на сайте.