AI-інтеграція IP-телефонії (Asterisk, FreePBX, 3CX)

IP-телефонія — ядро корпоративного зв'язку, але ізольована АТС не дає аналітики та автоматизації. Без AI ви втрачаєте до 40% інсайтів із телефонних розмов: ручний аналіз неможливий при 1000+ дзвінках на день. Інтеграція AI-компонентів (розпізнавання мовлення, синтез, NLU) з Asterisk/FreePBX/3CX вирішує це завдання без повної заміни інфраструктури. Приклад: мережа ресторанів із 30 точками втрачала 70% вхідних дзвінків у години пік. Після впровадження голосового бота на базі LLaMA 3 час очікування скоротився з 5 хвилин до 10 секунд, а конверсія в бронювання зросла на 40%. Наш досвід — 5+ років і 50+ впроваджень. Розберемо архітектурні підходи, вибір моделей та типові помилки.

Які архітектурні підходи до інтеграції AI з IP-телефонією існують?

Виділяють три ключових підходи: AMI для керування дзвінками, AGI для вбудовування скриптів у діаплан та webhook-інтеграція для 3CX. Вибір залежить від завдань: real-time обробка, пост-колл аналітика або гібрид.

AMI (Asterisk Manager Interface)

Керування дзвінками через TCP. Підходить для ініціації дзвінків із зовнішніх систем (кол-обдзвін, опитування). Приклад коду:

import asterisk.manager as ami

manager = ami.Manager()
manager.connect("asterisk-server")
manager.login("admin", "secret")

# Ініціюємо вихідний дзвінок
manager.originate(
    channel="SIP/1001",
    exten="s",
    context="ai-bot",
    priority=1,
    caller_id="AI Bot <0800>",
    variables={"CUSTOMER_ID": "12345"}
)

AGI (Asterisk Gateway Interface)

Скрипт при вхідному дзвінку. Дозволяє виконувати довільний код на Python, Bash тощо з доступом до каналу:

from asterisk.agi import AGI

def handle_call():
    agi = AGI()
    agi.answer()
    agi.set_variable("CHANNEL(audioreadformat)", "slin16")

    # Відтворюємо TTS
    tts_audio = synthesize_greeting()
    agi.stream_file(save_as_asterisk_audio(tts_audio))

    # Записуємо відповідь
    agi.record_file("/tmp/response", "wav", "#", 5000)
    transcript = transcribe("/tmp/response.wav")

    # Обробляємо та відповідаємо
    reply = process_intent(transcript)
    reply_audio = synthesize(reply)
    agi.stream_file(save_as_asterisk_audio(reply_audio))

FreePBX з користувацькими модулями

Підключаємо dialplan hook через PHP:

// FreePBX dialplan hook
function ai_bot_dialplan_hook($exten, $context) {
    if ($context == 'from-internal' && $exten == '9000') {
        return [
            'AGI,agi://127.0.0.1/ai_voice_bot',
            'Hangup'
        ];
    }
}

3CX інтеграція через Call Flow Designer

Використовуємо webhook-крок, викликаємо AI API на кожному етапі IVR:

{
  "type": "webhook",
  "url": "https://ai-api.company.com/3cx/ivr-step",
  "method": "POST",
  "body": {
    "caller": "{{CallerId}}",
    "extension": "{{Extension}}",
    "speech_input": "{{SpeechInput}}"
  }
}

SIP Trunk для медіа-стрімінгу

Для завдань real-time (voice bot, live-транскрибація) перехоплюємо RTP через media proxy:

Caller → Asterisk/3CX → SIP Trunk → Media Proxy (RTP) → AI Engine
                                      ↑
                               Перехоплюємо RTP-потік,
                               обробляємо в AI,
                               повертаємо синтезоване аудіо

Як вибрати між AMI, AGI та webhook?

AMI підходить для сценаріїв, де потрібно ініціювати дзвінки із зовнішньої системи — наприклад, для масового обдзвону. AGI незамінний, коли потрібно під час розмови отримати аудіо, передати його в AI та повернути синтезовану відповідь. Якщо у вас 3CX, webhook-інтеграція простіша та швидша, але дає менше контролю над медіа-потоком.

Які AI-моделі оптимальні для голосових ботів?

Для STT використовуємо OpenAI Whisper (large-v3) — точність >95% на українській мові, підтримує 80+ мов. Транскрибація з Whisper large-v3 у 2 рази точніша від стандартних рішень на базі Google Speech-to-Text. Для NLU — LLaMA 3 або GPT-4o: вони стабільно витягують інтенти, уникаючи галюцинацій. Для TTS — Coqui TTS (open-source) або ElevenLabs (висока якість, але пропрієтарний). Усі моделі розгортаються з vLLM для оптимізації пропускної здатності та зниження latency.

Чому варто інтегрувати AI-контакт-центр з існуючою IP-АТС?

Без AI ви втрачаєте до 40% інсайтів із телефонних розмов. Ручний аналіз неможливий при 1000+ дзвінках на день. AI вирішує: автоматична транскрибація всіх дзвінків з точністю >95% (Whisper large-v3), визначення тональності, спікерів, ключових фраз, генерація зведень та автоматичне заповнення CRM.

Сертифіковані інженери з досвідом 10+ років реалізують інтеграцію без простоїв. Гарантія на роботу — 6 місяців.

Процес інтеграції та строки

• Аудит поточної телефонної інфраструктури (Asterisk/FreePBX/3CX, версії, розширення).
• Проєкт архітектури AI-модуля: вибір моделі, оптимізація latency, pipeline обробки.
• Розробка скриптів AGI/AMI/webhook, налаштування media proxy (RTP-перехоплення).
• Інтеграція з CRM через REST API або вебхуки.
• Тестування на тестовому контурі (до 7 днів).
• Деплой у продакшн з моніторингом (Prometheus + Grafana).
• Навчання команди та документація.

Строки: від 2 тижнів (AGI-інтеграція з одним сценарієм) до 1.5 місяців (full-media proxy + багатомовний voice bot). Вартість розраховується індивідуально — залежить від складності сценаріїв, кількості інтеграцій та необхідних AI-моделей.

Що входить в роботу

• Архітектурна документація (HLD/LLD) з детальним описом інтеграцій.
• Доступ до Git-репозиторію з кодом скриптів та конфігурацій.
• Прототип на тестовому стенді для приймання.
• Розгортання в продуктивному середовищі.
• Інтеграція з CRM через webhook або API.
• Навчання адміністраторів та операторів.
• Технічна підтримка та гарантія 6 місяців.

Типові помилки при самостійній інтеграції

Найчастіше зустрічаються три проблеми. Перша — неврахування latency. Якщо модель відповідає довше 500 мс, клієнт чує відлуння. Використовуйте vLLM з оптимізацією та GPU з низькою затримкою. Друга — відсутність failover. При збої AI-модуля дзвінки мають йти на live-оператора. Налаштовуємо каскадне перемикання через AMI. Третя — недостатня безпека. Відкритий AGI-порт — ризик. Використовуємо TLS та обмеження IP-адрес.

Отримайте консультацію з інтеграції AI у вашу АТС. Зв'яжіться з нашими інженерами для оцінки вашого проєкту — ми підготуємо архітектуру та розрахуємо вартість.

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.