Свой голосовой робот для бизнеса или готовый ИИ-секретарь

Собрать голосового робота для своего бизнеса можно за выходные. Переживёт ли он встречу с настоящими клиентами в понедельник утром — вопрос совсем другой. И вот этот зазор между «работает в демо» и «на него можно положиться» — вся суть спора «сделать или купить».

Если вы из тех владельцев, кому терминал не страшен, идея выглядит заманчиво. Все детали уже лежат на полке. Распознавание речи — дешёвый вызов API. Языковая модель с радостью отыграет роль вашего секретаря. Синтез речи сегодня звучит пугающе по-человечески. Соедините три кубика, подключите номер — и вот у вас робот отвечает на линии за долю зарплаты. Такова презентация, и она не врёт. Она просто неполная.

Эта статья — честная версия. Не «у вас всё равно не выйдет»: выйдет, и кому-то это действительно подходит. А так: вот из чего на самом деле состоит самодельный голосовой робот, где прячется основной труд, что ломается на живых звонках и как понять, на что лучше потратить выходные — на сборку или на настройку готового. Будем конкретны, потому что именно от расплывчатых советов люди уходят на шесть выходных в проект, который собирались закрыть за один.

Почему так хочется собрать голосового робота самому

Соблазн настоящий, так что отдадим ему должное, прежде чем всё усложнять. Когда вы собираете робота сами, каждое решение — ваше. Приветствие ровно такое, какое вы хотите. Робот знает ваши особенности: что по вторникам приём только живой очереди, что мужчина, который звонит про синий фургон, — поставщик, а не клиент, что цены по телефону вы не называете никогда. Его можно прикрутить к любому календарю или CRM, которыми вы уже пользуетесь. А расходы на бумаге — это просто сумма нескольких счетов за API, что при небольшом потоке звонков выглядит почти бесплатно.

Есть ещё и польза для понимания. Если вы хотите по-настоящему разобраться, как эти системы устроены — как модель решает, записать клиента или принять сообщение, откуда берутся задержки, почему робот иногда начинает говорить поверх звонящего, — сборка научит вас за выходные большему, чем месяц чтения. Для технически любопытного владельца это ценно даже в том случае, если проект потом отправится в корзину.

Так что это не разгромная статья про самоделки. Это карта местности, нарисованная теми, кто по ней ходил. Вопрос не в том, справитесь ли вы. Вопрос в том, стоит ли готовая, надёжная версия того, во что она реально обходится, — а эта цена почти никогда не видна в демо.

Самодельный стек: деталь за деталью

Голосовой робот — это конвейер. Звонящий говорит, что-то переводит его речь в текст, что-то решает, что ответить, что-то превращает ответ обратно в речь, и всё это едет поверх телефонии. Каждый этап — отдельный компонент, который нужно выбрать, состыковать, оплатить и поддерживать. Вот его анатомия.

Телефония: как довести звонок до вашего кода

Именно это чаще всего недооценивают сборщики выходного дня. Нужен номер, который умеет отдавать вашему софту живой аудиопоток и принимать ответ обратно — в реальном времени, в обе стороны, с задержкой меньше секунды. Значит, нужен оператор телефонии, медиапоток (обычно websocket с сырым звуком) и обвязка, которая держит всё это стабильно, пока человек говорит. Придётся разбираться с кодеками, частотой дискретизации и с тем, что телефонный звук сжат и зашумлён совсем не так, как запись с вашего настольного микрофона. Ошибитесь чуть-чуть — и звонящий услышит робота, который глотает слова, отстаёт на такт или обрывает линию на полуфразе.

Распознавание речи: услышать звонящего

Расшифровать телефонный разговор сложнее, чем чистую запись. Люди бормочут, стоят на ветру, едут за рулём с включённым радио, называют фамилию, которой нет ни в одном словаре. Вам понадобится потоковое распознавание, чтобы робот успевал реагировать, не дожидаясь конца фразы, плюс логика, которая отличает «человек договорил» от «человек задумался». Ошибётесь с паузой — и робот либо перебивает людей, либо оставляет неловкие трёхсекундные провалы. Ни то ни другое дружелюбным не выглядит.

Слой принятия решений: что именно сказать

Здесь живёт языковая модель, и сюда уходит основная часть вашего мастерства. Вы не просто пишете промпт для чат-бота: вы строите телефонного агента, который обязан держаться сценария, доставать нужный факт из профиля вашей компании, не выдумывать цены, понимать, когда записать клиента, а когда принять сообщение, и никогда не выдавать себя за человека, если его спросят напрямую. Это системный промпт, набор инструментов, которые он умеет вызывать (посмотреть календарь, сохранить запись, отправить сообщение), и много ограничителей. Здесь же копятся деньги и задержки: каждый ход разговора — ещё один поход к модели и обратно.

Синтез речи: сам голос

Голос — первое, о чём звонящий выносит суждение. Современный синтез звучит отлично — ровно до того момента, когда ему попадается номер телефона, адрес, дробное число или иностранная фамилия: тут он уверенно произнесёт что-нибудь не то. Придётся править произношение, подбирать голос под характер бизнеса и снова бороться с задержкой: чем быстрее нужен ответ, тем раньше приходится отдавать звук в линию, пока он ещё генерируется, — а это отдельная маленькая инженерная задача.

Связующий код: всё, что между кубиками

Из коробки эти компоненты друг с другом не разговаривают. Оркестровку пишете вы: цикл, который слушает, расшифровывает, думает, говорит, обрабатывает перебивания, держит состояние разговора, пишет логи и аккуратно передаёт звонящего человеку, когда тема выходит за пределы компетенции робота. Именно этот связующий код превращает демо в продукт — и именно его вы будете поддерживать столько, сколько робот проживёт.

Пропасть между демо и боевой линией

Вот ловушка, в которую попадают хорошие инженеры. Рабочее демо получится быстро, и покажется, что вы у финиша. Вы звоните на свой же номер, спрашиваете часы работы, записываетесь на время — и всё работает прекрасно. Вы искренне собой гордитесь, и правильно делаете: это настоящий прогресс. Проблема в том, что демо — это звонок, который вы уже умеете совершать. Боевая линия — это все звонки, которые вы не прописали.

Представьте: маленькая парикмахерская в пятницу выпускает самодельного робота на линию. Всю следующую неделю приходят настоящие звонки. Клиентка с сильным акцентом, который распознавание раз за разом коверкает. Кто-то просит записать «как обычно», будто робот его знает. Звонящий перебивает и на полпути меняет время. Ошиблись номером. Поставщик. Человек в поезде, у которого связь пропадает каждые несколько секунд. Вопрос, который хозяйке в голову не приходил, — например, делают ли в салоне свадебные группы. Каждый такой случай — баг, и за каждым багом стоит живой клиент, которому прямо сейчас плохо, пока вы отлаживаетесь на боевой линии.

Коварство в том, что голосовые сбои для вас невидимы, пока вы не пойдёте их искать. Клиент, которому робот испортил впечатление, не заводит тикет. Он кладёт трубку, больше не звонит, и вы никогда не узнаете, что это было. В текстовом приложении сломанный диалог можно прочитать. На телефонной линии провал молча уходит за дверь. Собрать робота — видимая половина работы; собрать наблюдаемость, чтобы знать, когда он подводит, — та половина, о которой не пишут в блогах.

Поддержка: расход, который не кончается

Допустим, вы дожали и вывели на линию по-настоящему крепкого робота. Поздравляю — теперь он ваш. Именно эту часть самоделки формулировка «проект на выходные» прячет целиком, потому что происходит она не в те выходные, когда вы собирали. Она происходит во все выходные после.

• Модели меняются. Поставщики ИИ снимают с поддержки и обновляют модели по своему графику. Промпт, который вёл себя безупречно, начинает плыть после обновления модели под ним, и узнаёте вы об этом от клиента, а не из чейнджлога.
• API меняются. Телефония, распознавание и синтез речи развивают свои интерфейсы. То, что вы склеили в марте, перестаёт работать в сентябре по причинам, к вашему коду отношения не имеющим.
• Ваш бизнес меняется. Новые цены, новые часы, новая услуга, смена мастера, закрытие на праздники. Каждый такой пункт означает правку робота — и если факты зашиты в промпты, это правка кода, а не настроек.
• Счета ползут вверх. Растёт поток звонков, добавляется второй язык, разговоры становятся длиннее — и расходы на API поднимаются нелинейно и незаметно, ровно до того дня, когда придёт счёт.
• Доступность линии. Когда сервер икнёт в восемь вечера, линия-то ваша. Никакой поддержки, кроме вас, а звонящим неважно, что сегодня выходной.

Всё это — не повод не собирать. Это повод честно признать, что «я собрал голосового робота» и «у меня работает голосовой робот, от которого зависит бизнес» — два очень разных предложения. Первое — проект. Второе — постоянная ответственность, которая конкурирует за то же внимание, что вы предпочли бы тратить на свой бизнес.

Что такое готовый сервис на самом деле

Готовый ИИ-секретарь вроде Vunoon — это тот же самый конвейер: телефония, распознавание, решения, голос, оркестровка, — только конвейер уже собран, обкатан на тысячах живых звонков и поддерживается людьми, у которых нет другой работы, кроме как держать его в строю. Вы получаете не компоненты, а готовый продукт плюс снятую с вас операционную ответственность.

Конкретно: то, на что ушли бы выходные, превращается в короткий мастер настройки. Вы регистрируетесь, описываете свой бизнес — услуги, часы работы, цены, которые можно называть, как обходиться со звонками, — и проверяете всё, просто поговорив с роботом, ещё до того, как его услышит первый живой клиент. Когда звучит как надо, вы переводите на него номер. Он отвечает круглосуточно, на 25+ языках, записывает клиентов и принимает сообщения, а после каждого звонка присылает сводку и расшифровку, так что гадать, что было на линии, не приходится.

Он же закрывает то, о чём легко забыть на этапе планирования. Он аккуратно передаёт эстафету: принимает сообщение или договаривается о звонке от вас, когда тема выходит за его пределы, вместо того чтобы блефовать. Он не изображает человека, если его спросят прямо. Он обновляется, когда меняются модели под ним, так что за плывущим промптом бегать не надо. А произношение телефонных номеров, адресов и неудобных фамилий уже выстрадал кто-то другой.

Честное сравнение бок о бок

Никакая таблица не решит за вас «сделать или купить», но если разложить оси рядом, легче увидеть, куда падают именно ваши приоритеты. Вот этот размен, без маркетингового лоска с обеих сторон.

Обратите внимание на последнюю строку — именно она решает большинство случаев. Сборка голосового робота учит вас голосовым роботам. Ведение бизнеса и так занимает полный день. Вопрос под спором «сделать или купить» на самом деле звучит так: хочу ли я заниматься инфраструктурой голосового ИИ вдобавок к тому бизнесу, которым уже занимаюсь?

Когда собрать самому действительно правильно

Есть ситуации, где самоделка выигрывает, и делать вид, что их нет, было бы ровно той нечестностью, которой эта статья старается избежать. Собирайте сами, если:

• Смысл в самом обучении. Вы хотите глубоко понять голосовой ИИ, а робот — средство к этому. Запустите, разберитесь, оставьте или выбросьте: отдача здесь — знания.
• Ваши требования и правда странные. Вам нужно поведение, которого нет ни в одном продукте: причудливое правило маршрутизации, интеграция с самописной старой системой, сценарий, который и не телефонный секретарь вовсе, а отдельное голосовое приложение.
• У вас есть лишнее инженерное время, и надолго. Не свободные выходные, а постоянный запас часов каждый месяц на весь срок жизни робота. Если он есть и при ваших объёмах это дешевле альтернативы, самоделка может сойтись.
• Цена ошибки невелика. Линия не критична. Если робот запорет звонок, никто не потеряет клиента или запись, так что можно спокойно доводить всё до ума прямо на живых звонках.

Когда стоит просто взять готовый сервис

Для большинства малых компаний честная рекомендация — купить, и причина здесь во времени, а не в способностях. Возьмите стоматологию на два кресла. За каждым пропущенным звонком может стоять новый пациент или перенос гигиены. Владелец — стоматолог, а не системный инженер, и его дефицитный ресурс — внимание. Тратить его на капризы кодеков и плывущие промпты — плохой размен по сравнению с тем, чтобы тратить его на пациентов. Для такой практики десять пропущенных звонков в неделю, каждый из которых мог стать записью, — реальная, считаемая потеря, и быстрый способ её закрыть — не репозиторий, а работающая линия уже сегодня к вечеру.

Доводы за покупку сильнее всего, когда телефон действительно влияет на выручку, когда ваше время лучше уходит на ремесло, а не на инфраструктуру, когда вам нужно, чтобы работало надёжно, а не чтобы работало впечатляюще, и когда вы предпочли бы, чтобы в воскресенье в восемь вечера не спал кто-то другой — в тот момент, когда поставщик модели выкатывает изменения. Именно так выглядит большинство владельцев, которые задают нам вопрос «сделать или купить», — включая тех, кто вполне способен всё собрать и просто решил, что владеть этим не хочет.

Как решить за полдня

Таблица на двенадцать вкладок не нужна. Нужны честные ответы на несколько вопросов и готовность им поверить.

1. 1
   Назовите свой реальный запас времени

   Не выходные на сборку, а те часы в месяц, которые вы готовы отдавать поддержке всегда. Если честный ответ — ноль, ответ у вас уже есть, и это не самоделка.
2. 2
   Оцените, насколько важна линия

   Если запоротый звонок стоит вам клиента или записи, вам нужнее надёжность, а не контроль, — а это сильно склоняет к покупке.
3. 3
   Спросите себя, чего вы хотите на самом деле

   Работающий телефонный секретарь или понимание того, как он устроен? Оба ответа нормальны, но ведут они к разным решениям, так что отвечайте честно.
4. 4
   Сначала пройдите быстрый путь

   Настройте готовый сервис и через пару минут поговорите с ним. Теперь у вас есть конкретная точка отсчёта, и можно спросить себя, будет ли ваша самоделка настолько лучше, чтобы оправдать выходные.

Последний шаг и есть честный способ разрешить спор. Самодельную версию легко романтизировать, пока она существует только в голове. Сначала поставьте перед собой реального работающего робота, а потом решайте, будет ли ваш собственный вариант настолько лучше, чтобы отбить постоянные расходы. Часто ответ, когда альтернативу можно наконец услышать, — нет. И это отличный исход: вы только что сэкономили себе месяц.