Голос и телефония

Зачем голос в 2026

Текстовые чаты закрывают часть обращений, но голос остаётся главным каналом для:

• Пожилой аудитории — они не пишут, только звонят.
• Сложных эмоциональных тем (жалобы, болезнь, финансовые проблемы).
• Мобильного контекста — люди в машине, на улице, с ребёнком — не пишут.
• Регионов с плохим интернетом — звонок работает всегда.
• Высокочувствительных переговоров (запись на приём к врачу, подписка на дорогой продукт).

Телеком-статистика подтверждает: 50-70% клиентских обращений идут по телефону даже в 2026 году. Это огромный пул автоматизации.

Что даёт голосовой бот

Четыре сценария использования

Ничего не залочено на вендора

Почему это важно

Традиционный рынок: вендоры продают «всё в одном пакете» — Twilio даёт номера + STT + TTS, Deepgram — только STT, ElevenLabs — только TTS. При этом каждый вендор привязывает вас к себе через проприетарный API.

Проблемы lock-in:

• Цены повышаются — вы не можете легко уйти.
• Появляется более качественный вариант — надо переписывать интеграцию.
• Провайдер закрывается / меняет стратегию — у вас проблема.
• На compliance-аудите: «ваши данные идут в US? Переделайте».

Как устроено у нас

Каждый провайдер — запись в таблице настроек с:

• URL API (куда слать запросы).
• Ключ доступа.
• Модель / голос / параметры.
• Тип драйвера (как именно общаться с этим API).

Пример: вам нравится качество Deepgram — настраиваете. Через полгода появился Rev.ai дешевле — настраиваете вторым провайдером, переключаете в один клик, старый оставляете как fallback.

Свобода, которую это даёт

1. Смена поставщика = правка одной записи. Без пересборки, без простоя.
2. Изоляция воркспейсов. Каждый клиент платформы держит свои ключи и свой стек.
3. Гибридный подход. Один STT для бизнеса, другой для тестов — оба работают параллельно.
4. Compliance. Self-hosted Whisper для регулируемых кейсов, облачный — для остального.

Четыре слоя голоса

   Клиент
      │
      ▼
  ┌─────────────┐   как пришёл звук
  │  Transport  │   (браузер / SIP / PSTN)
  └──────┬──────┘
         ▼
  ┌─────────────┐   распознавание речи
  │     STT     │   (аудио → текст)
  └──────┬──────┘
         ▼
  ┌─────────────┐   логика разговора
  │  Flow + LLM │
  └──────┬──────┘
         ▼
  ┌─────────────┐   синтез речи
  │     TTS     │   (текст → аудио)
  └──────┬──────┘
         ▼
      Клиент

Каждый слой настраивается отдельно. Можно менять TTS не трогая STT. Можно переключать Transport не ломая голос. Это главное преимущество архитектуры.

Слой 1 — STT (распознавание речи)

Задача: превратить аудио клиента в текст. От качества зависит всё дальнейшее — если STT плохо распознал, LLM получит мусор на входе.

Варианты подключения

Популярные STT-провайдеры

Рекомендации по выбору

Слой 2 — TTS (синтез речи)

Задача: озвучить ответ агента. От качества зависит ощущение клиента — «говорит с роботом» vs «говорит с человеком».

Варианты подключения

Популярные TTS-провайдеры

Параметры голоса

• Voice ID — конкретный «голос». У ElevenLabs — тысячи пользовательских голосов, можно создать свой. У OpenAI — 10 голосов (alloy, echo, fable, nova, onyx, shimmer…).
• Speed — скорость речи. 1.0 = нормальная. 1.1-1.2 часто ускоряется для улучшения UX.
• Sample rate — частота дискретизации (8кГц / 16кГц / 24кГц). Для SIP — 8кГц, для WebRTC — 16кГц.

Рекомендации по выбору

Слой 3 — Transport (откуда приходит звук)

Определяет канал — как голос попадает в платформу.

Слой 4 — Telephony (исходящие в PSTN)

Задача: чтобы агент мог сам позвонить клиенту на обычный телефон. Нужен телеком-оператор с REST API для call-control.

Как работает

1. Ваш flow или API дёргает «позвонить клиенту X на номер Y».
2. Платформа обращается к оператору: POST /calls { to: "+79...", from: "+79...", webhookUrl: "..." }.
3. Оператор физически набирает номер через PSTN.
4. Клиент поднимает трубку → оператор создаёт SIP-соединение → медиа начинает стримиться в нашу платформу.
5. Дальше — как SIP-звонок (STT → Flow → TTS).

Популярные операторы

Требование — REST call-control API

Оператор должен уметь принимать:

POST /calls { to, from, webhookUrl, applicationId }
→ { id, status }

Большинство современных операторов это поддерживают. Наш адаптер pstn-rest-api — универсальный, настраивается полями:

• Адрес API оператора.
• Ключ авторизации.
• ID приложения у оператора.
• Номер отправителя по умолчанию.
• Webhook-URL для callback-ов (статусы звонков).

Первый запуск: веб-виджет за 15 минут

Что дальше

• Для исходящих звонков: добавьте Telephony провайдера (ваш телеком-оператор) → Default.
• Для SIP-АТС: замените Transport default на SIP-мост, настройте АТС форкать медиа в наш endpoint.

Жизненный цикл звонка — подробно

Оптимизация качества голоса

Проблема: робот звучит как робот

Симптомы: клиенты сразу просят «позовите человека», жалуются в отзывах «разговаривал с роботом».

Причины и фиксы:

Проблема: большая задержка

Симптомы: клиент сказал → пауза 3-5 секунд → бот отвечает. Разговор неестественный.

Из чего складывается задержка:

Клиент говорит 3 сек
  │
  ├─ +200ms: STT-streaming финализирует транскрипт
  │
  ├─ +1500ms: LLM генерирует первый токен ответа
  │
  ├─ +300ms: TTS начинает генерировать аудио
  │
  └─ +200ms: первые байты аудио долетают до клиента
  ────────
   ~2200ms

Оптимизации:

• Streaming STT вместо HTTP — экономит 1-2 сек.
• Лёгкая модель (GPT-4o-mini вместо GPT-4o) — экономит 500ms.
• Короткий системный промпт — меньше токенов input → быстрее.
• Streaming TTS — бот начинает говорить через 300ms вместо 2 сек.
• Географическая близость к провайдерам — для России лучше брать российские или европейские endpoint-ы (не US).

Реалистичная цель: 1.5-2.5 секунды задержки после конца фразы клиента. Меньше 1 секунды — только с идеальной инфрой.

Проблема: плохое распознавание

Симптомы: бот «не понял, повторите», транскрипция содержит бред.

Фиксы:

• Явно указать язык в настройках STT (не auto).
• Более точная модель (Whisper large-v3 вместо base).
• Шумоподавление на клиенте — для WebRTC это браузер, для SIP — на АТС.
• Частота дискретизации — 16 кГц лучше 8 кГц. Для SIP — используйте HD-кодеки (Opus) если оператор поддерживает.

Безопасность

Compliance

Тарификация

Голос считается в минутах активного разговора. Минута начинается с открытия сессии, заканчивается при close. Лимит в месяц — по плану.

Что входит в минуту:

• Работа STT (аудио → текст).
• LLM-запросы для генерации ответов.
• Работа TTS (текст → аудио).
• Использование MCP-инструментов во время звонка.

Что НЕ входит (оплачивается отдельно провайдерам):

• Стоимость минуты у телеком-оператора (для исходящих звонков).
• Стоимость LLM-токенов у LLM-провайдера.

Реальная экономика на типичном кейсе:

• Средняя длительность разговора: 2.5 минуты.
• Стоимость за минуту у нас: ~$0.05.
• Стоимость у телеком-оператора: ~$0.02/мин.
• Стоимость LLM-токенов: ~$0.01 на разговор.
• Стоимость STT/TTS: ~$0.03 на разговор.

Итого: ~$0.20 за разговор. Живой оператор — $1.50-3.00. Экономия ~10×.

Отладка типичных проблем

Метрики здоровья голосового канала