Голосовий AI-бот для колекторських нагадувань з дотриманням 230-ФЗ

Проблема: оператори вигорають, помилки у фіксації обіцянки платежу сягають 30%, а штрафи за порушення 230-ФЗ можуть бути значними. Голосовий AI-бот для колекторських нагадувань — це не просто обдзвін боржників, а інструмент досудового стягнення, порівнянний за ефективністю з оператором на стадіях прострочення DPD 1–60. Ми реалізували понад 30 таких проєктів під ключ: від аудиту сценаріїв до деплою з дотриманням 230-ФЗ. Понад 5 років впроваджуємо voice-рішення в колекшн — досвід дозволяє скоротити вартість контакту на 40–60% при збереженні якості.

Чому AI-бот вигідніший за оператора на ранніх простроченнях?

Оператор на першій лінії обробляє 50–80 дзвінків на день, бот — до 5000. Точність фіксації обіцянки платежу не нижче 85% завдяки fine-tuning на реальних діалогах. Використовуємо гібридну архітектуру: Whisper для ASR, GPT-4o-mini для розуміння намірів і кастомний модуль синтезу мовлення з емоційним забарвленням.

Як AI-бот дотримується вимог 230-ФЗ?

Це ключовий блок будь-якої системи стягнення. Закладаємо в логіку:

• Обмеження за кількістю дзвінків (не більше 1 на добу, 2 на тиждень, 8 на місяць).
• Часові вікна (будні 8–22, вихідні 9–20).
• Обов'язкове представлення кредитора, суми та підстави боргу.
• Заборона на погрози та психологічний тиск.

Усі діалоги логуються, сценарій автоматично перевіряє compliance перед кожним дзвінком. При порушенні — блокування або переведення на юриста. Система ґрунтується на положеннях Федерального закону № 230-ФЗ.

Технічні проблеми, які ми вирішуємо

1. Якість розпізнавання мовлення: тихий голос, перешкоди, акценти. Навчаємо модель Whisper на корпусі телефонних розмов колекторів — точність досягає 92% на перших 10 секундах з noise-аугментацією.
2. Розуміння намірів: боржник може сказати «оплачу завтра» або «мені потрібно подумати». Використовуємо few-shot промпти з прикладами з продакшену, щоб знизити процент false positive.
3. Галюцинації LLM: для критичних інтентів (обіцянка платежу, оскарження боргу) застосовуємо chain-of-thought і response_format=json, щоб гарантувати структурований вивід.

Як ми це робимо: кейс інтеграції

Для одного мікрофінансового клієнта з 20 тис. активних боржників розгорнули бота на базі Qwen2-72B (fine-tuned на 5 тис. діалогів). ASR — Whisper large-v3 з адаптацією до телефонного тракту. Результат:

• Частка додзвонів зросла з 35% до 68%.
• Конверсія PTP — 24% проти 18% у операторів.
• Час на контакт скоротився з 3.2 до 1.1 хвилини.

Порівняємо ASR-моделі:

Вибираємо модель під задачу клієнта.

Процес роботи

1. Аналітика: аудит поточних сценаріїв, збір 100+ діалогів для розмітки.
2. Проєктування: дизайн діалогів, визначення інтентів, налаштування LLM-промптів.
3. Реалізація: розробка сценаріїв, інтеграція з CRM, налаштування ASR/TTS.
4. Тестування: A/B тест на 10% трафіку, перевірка compliance, оптимізація latency (ціль p99 < 1.5 сек).
5. Деплой: розгортання в хмарі (AWS/GCP), моніторинг через Weights & Biases, алертинг.

Що входить в роботу

• Модуль ASR (Whisper / Riva) та TTS (Silero / ElevenLabs) на вибір.
• Fine-tuning LLM на корпусі ваших діалогів.
• Інтеграція з CRM (1С, Bitrix24, Salesforce) через REST API.
• Панель аналітики: конверсія PTP, compliance score, звітність для ФССП.
• Документація, навчання операторів, 3 місяці підтримки.

Типові помилки при впровадженні

• Відсутність препроцесінгу: шум на лінії знижує точність ASR на 15–20%. Завжди додаємо noise-аугментацію.
• Занадто складні сценарії: для першої версії краще взяти 3 інтенти, потім розширювати.
• Ігнорування емоцій: боржник у стресі — бот не повинен бути роботизованим. Використовуємо voice cloning з природною просодією.

Отримайте консультацію: оцінимо ваш сценарій за один день. Замовте демо бота — покажемо live на вашому трафіку.

Строки

MVP (базове нагадування + PTP) — 3–4 тижні. Повна система з compliance та інтеграцією — 2 місяці. Вартість розраховується індивідуально під обсяг та складність.

Оцінимо проєкт протягом дня. Гарантуємо відповідність 230-ФЗ та сертифікуємо всі компоненти з ІБ.

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.