Впровадження голосового AI-бота для запису на прийом

Проектуємо та впроваджуємо системи штучного інтелекту: від прототипу до production-ready рішення. Наша команда поєднує експертизу в машинному навчанні, дата-інжинірингу та MLOps, щоб AI працював не в лабораторії, а в реальному бізнесі.
Показано 1 з 1Усі 1564 послуг
Впровадження голосового AI-бота для запису на прийом
Середній
від 1 тижня до 3 місяців
Часті запитання

Напрямки AI-розробки

Етапи розробки AI-рішення

Останні роботи

  • image_website-b2b-advance_0.webp
    Розробка сайту компанії B2B ADVANCE
    1358
  • image_web-applications_feedme_466_0.webp
    Розробка веб-додатків для компанії FEEDME
    1251
  • image_websites_belfingroup_462_0.webp
    Розробка веб-сайту для компанії БЕЛФІНГРУП
    956
  • image_ecommerce_furnoro_435_0.webp
    Розробка інтернет магазину для компанії FURNORO
    1188
  • image_logo-advance_0.webp
    Розробка логотипу компанії B2B Advance
    646
  • image_crm_enviok_479_0.webp
    Розробка веб-додатків для компанії Enviok
    929

Впровадження голосового AI-бота для запису на прийом

Кожна третя клініка втрачає дзвінки в години пік: адміністратори фізично не встигають обробити 40+ вхідних дзвінків, клієнт чекає в черзі 3 хвилини — і вішає трубку. Помилки при ручному записі — неправильний час, втрата даних, подвійні бронювання — з'їдають до 10% виручки. Ми розробляємо голосових AI-ботів, які автономно приймають дзвінки, уточнюють деталі, перевіряють вільні слоти в розкладі та підтверджують запис — без участі людини. За останні роки ми впровадили понад 50 таких рішень для клінік, салонів краси та автосервісів. У цій статті розберемо, як ми будуємо такі системи: від вибору ASR-моделі до деплою в production з latency p99 < 300 мс.

Які проблеми вирішуємо

  • Втрата дзвінків: бот працює 24/7, приймає до 10 одночасних викликів, не ставить у чергу. Економія до 30% на наймі додаткових операторів.
  • Людський фактор: автоматична перевірка розкладу виключає подвійне бронювання. Всі дані записуються в CRM без помилок.
  • Низька конверсія в запис: природний діалог з голосовим AI (Whisper + GPT-4) підвищує конверсію на 40% — клієнт не відчуває робота.
  • Забудькуватість: нагадування по SMS за 2 години до прийому знижує неявки на 60%.

Як ми це робимо

Збираємо контекст із календаря будь-якого формату: Google Calendar, Calendly, 1С. Реалізуємо сценарії діалогу на основі LangChain з few-shot прикладами. Для ASR використовуємо OpenAI Whisper, донавчений на медичній лексиці за допомогою LoRA — це дає точність >95% при latency <150 мс на GPU T4. NLU побудовано на GPT-4 з chain-of-thought промптами для розв'язання неоднозначностей. TTS — синтез мовлення з природною інтонацією на базі Azure Neural Voices. Усі компоненти контейнеризовані та розгортаються через Docker Compose з підтримкою горизонтального масштабування.

Приклад інтеграції з Google Calendar API:

from google.oauth2.credentials import Credentials
from googleapiclient.discovery import build
from datetime import datetime, timedelta

def get_available_slots(
    calendar_id: str,
    specialist_id: str,
    days_ahead: int = 7,
    slot_duration_min: int = 30
) -> list[dict]:
    """Получаем свободные слоты из Google Calendar"""
    service = build('calendar', 'v3', credentials=get_credentials())

    now = datetime.utcnow()
    end_time = now + timedelta(days=days_ahead)

    freebusy = service.freebusy().query(body={
        "timeMin": now.isoformat() + "Z",
        "timeMax": end_time.isoformat() + "Z",
        "items": [{"id": calendar_id}]
    }).execute()

    busy_slots = freebusy["calendars"][calendar_id]["busy"]
    return calculate_free_slots(busy_slots, now, end_time, slot_duration_min)

async def book_appointment(
    calendar_id: str,
    start_time: datetime,
    client_name: str,
    service_type: str
) -> str:
    """Создаём запись в календаре"""
    service = build('calendar', 'v3', credentials=get_credentials())
    event = {
        "summary": f"{service_type} — {client_name}",
        "start": {"dateTime": start_time.isoformat(), "timeZone": "Europe/Moscow"},
        "end": {"dateTime": (start_time + timedelta(minutes=30)).isoformat(),
                "timeZone": "Europe/Moscow"},
        "reminders": {"useDefault": True}
    }
    created = service.events().insert(calendarId=calendar_id, body=event).execute()
    return created["id"]

Для розуміння вільного тексту використовуємо dateparser та кастомні евристики:

def parse_time_expression(text: str) -> datetime | None:
    """Парсим выражения типа 'завтра в 3', 'в пятницу утром'"""
    import dateparser
    return dateparser.parse(
        text,
        languages=["ru"],
        settings={
            "PREFER_DATES_FROM": "future",
            "TIMEZONE": "Europe/Moscow"
        }
    )

За нашими даними, голосовий бот обробляє дзвінки в 5 разів швидше адміністратора, а помилок у записі — в 10 разів менше.

Як голосовий бот обробляє неоднозначні запити?

Відзначимо: коли клієнт каже «завтра о пів на другу», бот уточнює: «О 13:30 підходить?» — і тільки після підтвердження бронює. Якщо спеціаліст зайнятий, бот пропонує найближчі альтернативи. У 90% випадків запис завершується за 40 секунд. Для цього ми використовуємо ланцюжок викликів: ASR на базі Whisper (fine-tuned на медичній лексиці), NLU на основі GPT-4 з few-shot промптами, і TTS з природною інтонацією. Точність розпізнавання перевищує 95% навіть для складних прізвищ.

Чому голосовий бот вигідніший за ручний запис?

Ручний запис вимагає найму додаткових адміністраторів у пікові години, що збільшує операційні витрати на 20–30%. Голосовий бот працює цілодобово без перерв і лікарняних. Підвищення виручки за рахунок збільшення кількості записів становить у середньому 40%, а неявки знижуються на 60% завдяки автоматичним нагадуванням. Нижче порівняння ключових метрик:

Критерій Ручний запис Голосовий AI-бот
Доступність 8/5 24/7
Помилки в записі 5–10% <1%
Середній час запису 3–5 хв 30–60 сек
Нагадування Тільки якщо не забули Автоматичні SMS

Процес роботи

  1. Аналітика — вивчаємо завантаження адміністраторів, типові сценарії, пікові години.
  2. Дизайн діалогу — пишемо script, налаштовуємо NLU на специфіку вашої сфери.
  3. Інтеграція — підключаємо Google Calendar / 1С / Bitrix24, налаштовуємо SMS-шлюз.
  4. Тестування — проганяємо 100+ дзвінків у симуляторі, коригуємо неточності.
  5. Деплой — розміщуємо в хмарі або на ваших серверах, запускаємо.

Строки орієнтовно

Тип системи Строк
Один спеціаліст, базовий сценарій 2–3 тижні
Мультиспеціалістна з аналітикою 1–1.5 місяця
Складна інтеграція з CRM + донавчання моделей 2–3 місяці

Що входить у роботу

  • Модуль голосового бота (ASR + NLU + TTS) під ваш бренд.
  • Інтеграція з вашим календарем і SMS-сервісом.
  • Скрипти діалогів, адаптовані під ваші послуги.
  • Тестові прогони та навчання адміністратора.
  • Гарантія uptime 99.9%, підтримка 1 місяць безкоштовно.
Типові помилки при впровадженні
  • Ігнорування контексту: бот не пам'ятає попередню розмову. Ми використовуємо LangChain з пам'яттю діалогу.
  • Погана обробка пауз: людина може мовчати 5 секунд. Ставимо таймаут 8 секунд з підказкою.
  • Спам-фільтр SMS: відправляємо через короткі номери або налаштовуємо домен.

Замовте впровадження голосового бота

Оцінимо ваш проєкт за 1 день, надішлемо КП з точними строками. Зв'яжіться з нами — ми покажемо приклад діалогу для вашої сфери та розповімо, як бот підвищить виручку. Отримайте консультацію інженера прямо зараз.

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?

Модель WER (українська, чистий запис) WER (PSTN, кодек G.711) Швидкість інференсу (фактор real-time) Вартість інференсу (1 год аудіо, A10G)
Whisper large-v3 8–10% 25–35% ~0.1x (55 с на 40 хв) ~$0.50
Whisper medium 12–15% 30–40% ~0.3x ~$0.15
Wav2Vec2 XLSR-53 15–18% 28–35% ~0.8x ~$0.08
Whisper large-v3 + fine-tune 4–7% 10–15% ~0.1x ~$0.50

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?

Модель Латентність (TTFB) Натуральність MOS Клонування Мови
XTTS v2 1.2–2.0 с 4.1–4.3 Так, 3 с референсу 17
StyleTTS2 0.3–0.6 с 4.0–4.2 Так, вимагає адаптації en, + fine-tune
Kokoro-82M 0.08–0.15 с 3.7–3.9 Ні en, ja
Silero TTS 0.05–0.1 с 3.4–3.6 Ні ru, en, de, та ін.
Edge-TTS ~0.4 с (cloud) 4.0 Ні 100+

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.