AI-інтеграція з хмарною АТС: транскрибація та аналітика

Оператори витрачають до 15% робочого часу на ручне введення даних після дзвінка. Менеджери прослуховують години записів у пошуках однієї цифри. Стандартні IVR-меню змушують клієнтів натискати кнопки, втрачаючи контекст. Інтеграція AI з хмарною АТС вирішує всі три проблеми одразу: автотранскрибація, NLP-аналітика та розумна маршрутизація без розгортання власної телефонії. Ми реалізували такі рішення для 15+ компаній — від відділів продажів до контакт-центрів на 300 операторів. Наш досвід — 5+ років, гарантуємо SLA 2 години та відповідність законодавству про захист даних. Працюємо на ринку 5+ років, реалізували 15+ проєктів з AI-інтеграцією.

Як працює інтеграція AI з хмарною АТС?

Архітектура будується на Webhook: АТС надсилає POST-запит на ваш AI-сервер при кожній події (вхідний дзвінок, завершення розмови). Сервер обробляє аудіо, повертає команди маршрутизації або оновлює CRM. Це дозволяє інтегруватися за 1–4 тижні — у 3 рази швидше самостійної розробки. Наша AI-інтеграція з хмарною АТС забезпечує транскрибацію та аналітику з точністю 95%+.

Хмарна АТС (Mango/Zadarma/UIS)
      ↕ Webhook при вхідному
AI-Platform API
      ↕ Інструкція АТС (переключити/відповісти)
      ↕ URL аудіофайлу при завершенні
      ↕ STT → NLP → CRM update

Які проблеми вирішує AI-інтеграція?

Проблема 1: Втрата контексту дзвінка. Без автоматичного розшифрування аналітики витрачають години на прослуховування записів. AI-транскрибація з точністю 95%+ та аналіз тональності виділяє ключові моменти за секунди. Вона точніша за базові рішення на 10–15%.

Проблема 2: Повільна маршрутизація. Стандартні IVR-меню змушують клієнта обирати опції. Розумна маршрутизація на основі NLP та історії взаємодій спрямовує дзвінок потрібному спеціалісту без участі клієнта. Час обробки скорочується на 20–30%.

Проблема 3: Ручне заповнення CRM. Оператори витрачають до 15% часу на введення даних після дзвінка. Автоматичне вилучення сутностей (номер замовлення, ПІБ, адреса) з транскрибації заповнює картку клієнта миттєво.

Інтеграція з конкретними АТС

Mango Office

Mango Office надає два основні API: управління викликами та завантаження записів. Підписка на події через callback-URL. Приклад коду для отримання запису та динамічної маршрутизації:

import hashlib
import hmac
import json
import requests

class MangoOfficeIntegration:
    def __init__(self, api_key: str, api_salt: str):
        self.api_key = api_key
        self.api_salt = api_salt
        self.base_url = "https://app.mango-office.ru/vpbx"

    def sign(self, json_data: str) -> str:
        return hashlib.sha256(
            f"{self.api_key}{json_data}{self.api_salt}".encode()
        ).hexdigest()

    async def get_call_recording(self, recording_id: str) -> bytes:
        data = json.dumps({"recording_id": recording_id, "action": "download"})
        response = requests.post(
            f"{self.base_url}/queries/recording/post_load",
            data={"vpbx_api_key": self.api_key, "sign": self.sign(data), "json": data}
        )
        return response.content

    async def set_call_routing(self, from_number: str, to_extension: str):
        """Динамічна маршрутизація вхідного дзвінка"""
        data = json.dumps({
            "from_number": from_number,
            "to_number": to_extension,
            "sip_headers": {"X-AI-Routed": "true"}
        })
        requests.post(
            f"{self.base_url}/routing/transfer",
            data={"vpbx_api_key": self.api_key, "sign": self.sign(data), "json": data}
        )

UIS (CloudTalk)

UIS надає REST API з подіями через вебхуки. Приклад обробника завершеного дзвінка:

class UISIntegration:
    async def handle_call_event(self, event: dict) -> None:
        if event["type"] == "call.finished":
            recording_url = event.get("recording_url")
            if recording_url:
                audio = await self.download_recording(recording_url)
                analysis = await self.analyze_call(audio, event)
                await self.push_to_crm(event["contact_id"], analysis)

    async def set_smart_routing(self, caller_id: str) -> str:
        """Визначаємо куди направити дзвінок на основі історії клієнта"""
        customer = await crm.lookup_by_phone(caller_id)
        if not customer:
            return "general_queue"

        if customer.get("open_tickets"):
            return "support_queue"
        elif customer.get("segment") == "vip":
            return "vip_queue"
        return "general_queue"

Post-call обробка та типові помилки

Патерн єдиного ендпоінта

Щоб уніфікувати обробку дзвінків від різних провайдерів, використовуємо єдиний ендпоінт:

@app.post("/webhook/call-completed")
async def handle_completed_call(payload: dict):
    """Єдиний обробник завершених дзвінків від різних АТС"""
    recording_url = payload.get("recording_url") or payload.get("record")
    call_id = payload.get("call_id") or payload.get("uid")

    if not recording_url:
        return {"status": "no_recording"}

    # Асинхронна обробка в фоні
    asyncio.create_task(process_call_recording(call_id, recording_url))
    return {"status": "processing"}

async def process_call_recording(call_id: str, recording_url: str):
    audio = await download_audio(recording_url)
    transcript = await transcribe(audio)
    analysis = await analyze_call(transcript)
    await update_crm(call_id, transcript, analysis)

Типові помилки

• Ігнорування timeouts — деякі АТС чекають відповіді від webhook не більше 5 секунд. Використовуйте асинхронну обробку з asyncio.create_task.
• Відсутність ретраїв — при збої завантаження запису потрібно повторювати спробу з exponential backoff.
• Змішування форматів аудіо — Mango віддає WAV, UIS — MP3. Конвертуйте в єдиний формат (16kHz, mono) перед передачею в STT.

Чому AI-транскрибація точніша за базові рішення?

Ми використовуємо донавчені моделі Whisper-large-v3 для STT — точність 95%+ на українській та російській мовах без додаткового навчання. Для специфічної термінології (юридичної, медичної) проводимо fine-tuning на ваших записах. Час обробки повного пайплайну (webhook → завантаження → STT → NLP → CRM update) не перевищує 3 секунд для середнього запису тривалістю 5 хвилин. Економія від автоматизації становить суттєву суму для контакт-центру на 100 операторів, окупність — менше півроку. Наприклад, економія може сягати до 500 000 грн на рік. Вартість базової інтеграції — від 50 000 грн.

Кейс: автоматизація постобробки для відділу продажів

Один із проєктів — інтеграція з Mango Office для відділу продажів на 50 операторів. Після впровадження AI-транскрибації та автооновлення CRM середній час постобробки дзвінка скоротився з 5 хвилин до 2 секунд. Заповнення карток стало повністю автоматичним, що дозволило заощадити близько 20 годин на тиждень.

Що входить у роботу?

У результаті ви отримуєте:

• Робочий webhook-ендпоінт для вашої АТС
• Модуль транскрибації (STT) з донавченою моделлю
• NLP-аналітику: тональність, сутності, ключові фрази
• Інтеграцію з CRM (автооновлення карток)
• Розумну маршрутизацію (опціонально)
• Документацію API та інструкцію для операторів
• Технічну підтримку 24/7
• Гарантію SLA 2 години

Етапи роботи

1. Аналіз — аудит поточної АТС, API, сценаріїв обробки дзвінків.
2. Проєктування — архітектура інтеграції, вибір моделей AI.
3. Реалізація — налаштування webhook, транскрибація, NLP-аналітика, CRM-інтеграція.
4. Тестування — навантажувальне тестування (100+ одночасних дзвінків), перевірка latency p99.
5. Деплой — розгортання на вашому сервері (Triton, vLLM) або в хмарі.
6. Документація — API-специфікація, інструкція оператора.

Терміни та вартість

Терміни інтеграції: від 1 тижня (базова post-call аналітика для однієї АТС) до 4 тижнів (мультисистемна інтеграція з кастомною маршрутизацією та NLP). Вартість базової інтеграції від 50 000 грн. Отримайте консультацію — оцінимо ваш проєкт безкоштовно. Просто напишіть нам — надішлемо комерційну пропозицію.

Як замовити?

Залиште заявку на нашому сайті — ми зв'яжемося протягом 2 годин, проведемо аудит і запропонуємо оптимальне рішення. Гарантуємо конфіденційність даних та відповідність законодавству про захист даних. Замовте інтеграцію AI вже сьогодні.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

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,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.