Розробка AI-системи автодзвону для інформування про акції

Клієнти все частіше ігнорують масові SMS та email-розсилки — відкриваність падає до 10–20%. Голосовий бот з персоналізацією на основі історії покупок підвищує конверсію в 3–5 разів порівняно з текстовими каналами. Ми розробляємо AI-системи автодзвону, які не тільки інформують про акції, але й ведуть діалог, оформлюють замовлення прямо під час дзвінка. За 5 років ми виконали 120+ впроваджень для ритейлу, банків та телекому.

Основні проблеми, які вирішує система

Низька конверсія масових розсилок. SMS та email відкривають 10–20%, на дзвінок відповідають 70–80%. Голосовий бот утримує увагу до 45 секунд, а персоналізована пропозиція за історією покупок доводить до замовлення.

Відсутність персоналізації. Ми будуємо промо-повідомлення динамічно: враховуємо категорію улюблених товарів, суму середнього чека, давність останньої покупки. Бот використовує RAG-підхід RAG: підтягує акцію з бази та вставляє в шаблон.

Порушення законодавства. Система перевіряє згоду на розсилку за базою, веде логи відмов та дотримується часових обмежень. Compliance вбудовано в кожен етап.

Як ми це робимо: кейс мережі гіпермаркетів

Одна з мереж хотіла підвищити відвідуваність за акцією "Знижка 30% на побутову техніку". Раніше розсилали SMS з кодом — конверсія 2,3%. Ми впровадили голосового бота з елементами діалогу.

Стек: Python + FastAPI, LLM GPT-4o для генерації сценаріїв, Embeddings 1536-dim для пошуку акцій під клієнта, Silero TTS, інтеграція з CRM через REST API.

Бот завантажує історію клієнта, через RAG знаходить відповідну акцію, синтезує мовлення та ставить уточнюючі запитання. Якщо клієнт згоден, бот надсилає SMS з посиланням на оплату або підключає оператора. Конверсія зросла до 11,4%, ROI кампанії — 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()

Чому AI-система автодзвону ефективніша за текстові розсилки?

Порівняння за ключовими метриками:

Голосовий бот у 3–5 разів кращий за конверсією, а також дозволяє отримати додаткову інформацію про клієнта під час діалогу. Зниження вартості ліда досягає 40% порівняно з рекламними кампаніями через SMS.

Як дотримати вимоги закону про рекламні дзвінки?

Система автоматично звіряє номер з базою згод (закон «Про рекламу», ст. 18). Якщо згоди немає, дзвінок блокується. Для кожного дзвінка фіксується час: будні з 9 до 20, вихідні з 10 до 17. На початку розмови бот представляється та повідомляє мету дзвінка, а в кінці пропонує відмовитися від розсилки за командою «Стоп» або через SMS. Усі відмови миттєво потрапляють до бан-листа. Економія на штрафах за порушення — до суттєвих сум.

Процес роботи та терміни

Базова версія — 3–4 тижні. Розширена (з A/B тестами та аналітикою ROI) — до 1,5 місяців. Вартість розраховується індивідуально під ваші інтеграції. Отримайте безкоштовну консультацію — зв'яжіться з нами через форму на сайті.

Що входить у результат

• Робочий голосовий бот з персоналізацією та сегментацією.
• Інтеграція з вашою CRM (REST API, WebSocket або черга повідомлень).
• Дашборд аналітики з конверсією, ROI, логами розмов.
• Інструкція з експлуатації та адміністрування.
• Навчання операторів на 2 години.
• Підтримка на місяць після запуску.

Замовте пілотний запуск — ми проведемо A/B тест на 1000 клієнтах і покажемо реальний приріст конверсії.

Чому варто обрати нашу AI-систему автодзвону?

Ми гарантуємо прозору звітність, повну відповідність 152-ФЗ та економію до 50% бюджету на маркетингові кампанії порівняно з традиційними методами. Оцінимо ваш проект безкоштовно — зв'яжіться з нами 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.