AI-бот для голосових опитувань: NPS, CSAT, тональний аналіз

Бізнес витрачає тижні на ручні обдзвони або отримує 5% відповідей на email-опитування. Якість даних страждає, клієнти не хочуть заповнювати довгі форми. Ми побудували голосового AI-бота, який піднімає response rate у 2–3 рази і збирає структуровані дані за години. Наприклад, мережа з 50 магазинів отримувала менше 10% відповідей; після впровадження бота — 45%. За даними Net Promoter Score досліджень, голосові опитування мають на 40% вищий коефіцієнт завершення. Наш бот проводить опитування природним голосом, адаптується під тон клієнта і вивантажує готові звіти. Стек: Python 3.12, FastAPI, PostgreSQL (pgvector для семантичного пошуку), OpenAI GPT-4o-mini для розпізнавання складних відповідей, ElevenLabs для синтезу голосу, Twilio для телефонії.

Чому голосові опитування ефективніші?

Люди охоче діляться розгорнутою думкою в діалозі. Голосовий бот вміє ставити уточнюючі питання та адаптувати сценарій під відповіді. У результаті — глибока аналітика та actionable insights. Середній response rate для голосових опитувань — 30–50%, що в 3–5 разів вище, ніж у SMS або email.

Проблеми, які вирішує голосовий AI-бот

Низька конверсія опитувань. Стандартні SMS/email отримують 5–15% відповідей. Голосовий бот — 30–50% за рахунок природності діалогу.

Розрізнені дані. Бот автоматично класифікує відповіді, витягує числові оцінки та зберігає все в структурованому форматі. Інтеграція з CRM через REST API або Webhook.

Складність сценаріїв. Підтримуємо розгалуження: якщо NPS < 7 — одразу питання "Що покращити?", якщо >= 7 — питання про рекомендацію. Можна змінювати сценарій на льоту.

Як голосовий AI-бот інтегрується з CRM?

Ми надаємо REST API та webhook-повідомлення. Дані про відповіді автоматично потрапляють у вашу CRM (наприклад, Bitrix24 або AmoCRM). Можливе налаштування кастомних полів і тригерів.

Приклад сценарію NPS-опитування

Бот телефонує клієнту: "Доброго дня, це голосовий помічник компанії Х. Ви зробили замовлення. Оцініть за шкалою від 0 до 10, наскільки ймовірно, що ви порекомендуєте нас друзям?" Після відповіді, якщо оцінка нижче 7, задається відкрите питання "Що нам покращити?". Всі відповіді записуються та аналізуються.

Як ми це робимо: кейс розгорнуто

Наша команда має 7-річний досвід у NLP та голосових технологіях, реалізувала понад 30 проєктів для рітейлу, банків і телекому. Один із кейсів: мережа гіпермаркетів замінила ручні обдзвони на AI-бота і заощадила значні кошти, підвищивши response rate до 48%. Ми розгорнули бота на Kubernetes, використовуючи vLLM для інференсу LLM, pgvector для зберігання ембедінгів 1536-dim та Redis для кешу сесій. Результат: 1200 обдзвонів/год, p99 latency < 100ms. Досвід у MLOps гарантує стабільну роботу під навантаженням.

# Приклад витягу числової оцінки
async def extract_rating(text, scale=(1,10)):
    ...

Процес роботи

1. Аналітика — визначаємо метрики (NPS, CSAT, custom), цільову аудиторію та мову.
2. Проєктування — пишемо сценарій з розгалуженнями, синтез голосу.
3. Реалізація — код, база даних, інтеграція з телефонією.
4. Тестування — A/B тест на 100 дзвінках, коригування розпізнавання.
5. Деплой — піднімаємо в хмарі (AWS/GCP), підключаємо моніторинг (Grafana, Prometheus).

Що входить у роботу

• Документація: опис сценаріїв, API, інструкція для оператора.
• Доступи: репозиторій, дашборди, логування.
• Навчання: 2 години онлайн-семінару для команди.
• Підтримка: 2 тижні пост-релізного моніторингу.

Типові помилки

• Використовувати TTS без емоцій — діалог здається роботним. Ми використовуємо ElevenLabs або Azure Neural Voice з налаштуванням prosody.
• Не обробляти rejection — бот повинен ввічливо перепитати, якщо відповідь не розпізнана.
• Ігнорувати паузу — якщо клієнт мовчить > 3 секунд, потрібно підказувати варіанти.

Скільки це коштує

Терміни: від 2 тижнів (опитування на 5 питань) до 6 тижнів (панель адміністратора з аналітикою). Клієнти економлять до 70% бюджету на опитуваннях за рахунок автоматизації, середній проєкт окупається за 2–3 місяці. Вартість розраховується індивідуально — залежить від складності сценаріїв та інтеграцій. Оцінимо проєкт безкоштовно за 1 день.

Отримайте консультацію: ми оцінимо ваш проєкт за 1 день і розповімо, як голосовий AI-бот підвищить метрики опитувань. Зв'яжіться з нами, щоб обговорити ваш сценарій.

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.