AI-бот для холодних дзвінків: кваліфікація лідів та CRM-інтеграція

Холодні дзвінки — одна з найзатратніших і низькоефективних воронок. Середня конверсія холодного обдзвону рідко перевищує 2%, а вартість залучення ліда зростає. Оператори вигорають, скрипти порушуються, конверсія падає до кінця дня. Голосовий AI-бот вирішує це завдання кардинально: 1000+ паралельних дзвінків, стабільна якість скрипту, обробка заперечень без втоми. Ми впроваджуємо такі рішення протягом кількох років — накопичили досвід, який дозволяє запустити кампанію за 3-4 тижні. Економія на зарплаті операторів може сягати 70%.

Чому голосовий бот ефективніший за оператора?

Порівняйте: оператор робить 50–80 дзвінків на день, з них 10–15 результативних. AI-бот робить 1000+ дзвінків на день з contact rate 30–50% та qualification rate 15–25%. Вартість кваліфікованого ліда знижується в 5–10 разів, а економія на зарплаті операторів може сягати 70%. Бот не боїться відмов, не втрачає ентузіазм і суворо дотримується скрипту — жодних імпровізацій, які можуть зашкодити бренду.

Які технічні складності ми вирішуємо?

Перша проблема — інтеграція з телефонною інфраструктурою. Ми підключаємо бота через SIP trunk або хмарні АТС (Asterisk, Miko, Zadarma). Друга — розпізнавання природної мови в зашумлених каналах. Використовуємо Whisper + fine-tuned NLU для детекції заперечень. Третя — передача контексту в CRM. Реалізуємо вебхуки та API-виклики при кожному статусному переході. Вартість хвилини розмови бота — в 3–5 разів нижча за оператора.

Кейс: впровадження для мережі фітнес-клубів

Наш клієнт — мережа фітнес-клубів (50+ клубів) — один з проєктів. Потрібно було обдзвонити базу 200 000 контактів за тиждень, кваліфікувати інтерес до річного абонементу та записати на пробний візит. Ми розгорнули кластер з 20 паралельних сесій бота на базі LangChain з використанням OpenAI GPT-4o для генерації відповідей на нестандартні заперечення. Інтеграція з Bitrix24 через REST API — кожен лід створювався із заповненими полями: рівень інтересу, бажаний час, джерело. Результат: 180 000 додзвонів, 45 000 кваліфікованих лідів, 12 000 записів на пробний візит. Contact rate — 34%, qualification rate — 22%.

Інтеграція з CRM та білінговими системами

Ми налаштовуємо двосторонню синхронізацію з популярними CRM: Bitrix24, amoCRM, HubSpot, 1С. При кожному статусному переході бота (наприклад, «кваліфікований лід» або «відмова») через REST API створюється або оновлюється запис у CRM. Також реалізуємо передачу даних до білінгових систем для автоматичного розрахунку витрат на кампанію.

Налаштування сценарію та NLU

Сценарій холодного дзвінка будується за модульним принципом: хук, кваліфікаційні питання, обробка заперечень, оффер. Для кожного заперечення пишеться окремий обробник, при невідомому запереченні підключається LLM. Скрипт легко адаптується під вашу галузь.

OBJECTION_HANDLERS = {
    "not_interested": {
        "detect": ["не цікавить", "не потрібно", "не актуально"],
        "response": "Розумію. А що було б цікаво в контексті [проблема]?"
    },
    "busy": {
        "detect": ["зайнятий", "не час", "передзвоніть"],
        "response": "Звісно! Коли краще передзвонити — сьогодні ввечері чи завтра вранці?"
    },
    "we_have_solution": {
        "detect": ["вже є", "працюємо з", "інший постачальник"],
        "response": "Чудово! Багато клієнтів використовують нас паралельно з [конкурент] для [унікальна цінність]."
    },
    "send_info": {
        "detect": ["надішліть", "відправте", "на пошту"],
        "response": "Із задоволенням! На яку пошту надіслати матеріали?"
    }
}

async def handle_objection(text: str) -> tuple[str, str]:
    text_lower = text.lower()
    for objection_type, handler in OBJECTION_HANDLERS.items():
        if any(phrase in text_lower for phrase in handler["detect"]):
            return objection_type, handler["response"]
    return "unknown", await generate_response_with_llm(text)

Порівняння рішень для розпізнавання мовлення

Етапи реалізації

1. Аналітика: аудит скриптів, збір типових заперечень, налаштування воронки.
2. Проєктування: архітектура NLU, вибір TTS/STT, проєктування схеми інтеграції.
3. Розробка: кодинг сценаріїв, навчання моделей заперечень, налаштування логіки передачі оператору.
4. Тестування: A/B-тест бота з операторами, оцінка метрик, коригування порогів прийняття рішень.
5. Деплой: розгортання на інфраструктурі клієнта (on-prem або хмара), запуск першої кампанії.

Що входить у роботу та метрики

• Розробка сценарію холодного дзвінка з хуком, кваліфікаційними питаннями та обробкою заперечень.
• Налаштування NLU для детекції 10+ типів відмов з точністю >90%.
• Інтеграція з вашою CRM (Bitrix24, amoCRM, HubSpot, 1С) — двостороння синхронізація.
• Система opt-out з автоматичним занесенням до чорного списку.
• Організація запису розмов та прослуховування в CRM.
• Навчання команди роботі з дашбордами та логами.
• Підтримка 2 місяці після запуску.

Терміни розраховуються індивідуально: MVP з базовим сценарієм — 3-4 тижні, повноцінне рішення з обробкою заперечень та CRM-інтеграцією — до 2 місяців. Зв'яжіться з нами для аудиту вашого бізнес-процесу. Оцінимо проєкт за 1-2 дні та запропонуємо оптимальне рішення. Замовте запуск AI-бота для холодних дзвінків та отримайте консультацію.

Чому варто обрати нас?

Ми маємо 5+ років досвіду в голосовій автоматизації та понад 50 успішних проєктів у різних галузях. Гарантуємо якість завдяки сертифікованим рішенням та багаторічному досвіду. Ваші дані захищені — використовуємо шифрування та відповідаємо GDPR.

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.