Чем голосовой ИИ-агент отличается от кнопочного IVR
Большинство предпринимателей привыкли к голосовым меню старого поколения (IVR): «Нажмите один для отдела продаж, нажмите два для бухгалтерии». Для клиента такой звонок оборачивается потерянным временем и раздражением, а при первом нестандартном вопросе цепочка заходит в тупик.
Современный голосовой ИИ-агент общается живым естественным языком. Он слушает человека в реальном времени, сразу понимает суть запроса («Запишите на замену масла на субботу после двух»), проверяет свободные слоты в CRM и подтверждает бронь за один короткий диалог.
Чтобы голосовой агент работал стабильно и без задержек, необходима надёжная телеком-инфраструктура. Ниже разберём, как связываются телефония и языковая модель.
Подключение через SIP-транк: соединение АТС и платформы
Связь между телефонной сетью общего пользования и серверами агента настраивается через протокол SIP (RFC 3261) [1].
При входящем звонке клиента виртуальная АТС компании (например, Казахтелеком, Beeline Business, Asterisk или облачные провайдеры телефонии) перенаправляет голосовой поток на SIP-шлюз платформы:
- Канал приёма: SIP INVITE с передачей аудиопотока по протоколу RTP (Real-Time Transport Protocol).
- Кодеки передачи: стандартный G.711 (alaw/ulaw) для телефонных линий или широкополосный Opus при передаче звука высокой чёткости.
- Безопасность: шифрование сигнального трафика через TLS и голосового потока через SRTP.
Такая схема позволяет подключить голосового помощника к уже существующему городскому или мобильному номеру компании без смены оператора связи.
Полнодуплексный звук и технология прерывания речи (Barge-in)
Главная сложность телефонного разговора с роботом — механические паузы. В примитивных системах бот говорит длинную фразу до конца и «глух» к словам собеседника. Если клиент пытается сказать: «Стойте, я ошибся, мне нужен филиал на Абая», робот продолжает начитывать текст.
Для естественного контакта применяется полнодуплексная обработка аудио с технологией barge-in (мгновенное прерывание) [2]:
- VAD (Voice Activity Detection): алгоритм непрерывно анализирует входящий аудиопоток клиента.
- Как только громкость и спектр голоса абонента превышают порог фонового шума, трансляция синтезированного голоса ассистента прерывается за 50–80 миллисекунд.
- Агент замолкает, слушает уточнение клиента и мгновенно корректирует сценарий разговора.
Благодаря этому беседа ощущается как диалог с внимательным человеком, а не с радиоприёмником.
Разбор звонков и фиксация сделок в интерфейсе
Реальные экраны телефонии: общий журнал звонков, детальная карточка разговора с расшифровкой речи и передача оператору.
Извлечение данных и создание сделки в CRM
После завершения разговора работа агента не заканчивается. Во время звонка аудиопоток параллельно расшифровывается в текст:
- Из стенограммы извлекаются ключевые параметры: имя звонящего, марка автомобиля или требуемая процедура, выбранный филиал, дата и точное время.
- В CRM-системе создаётся карточка сделки с прикреплённой аудиозаписью и текстовым резюме диалога.
- Если клиент просил перезвонить человеку или вопрос вышел за рамки инструкций, сделка немедленно переводится на дежурного менеджера с пометкой «Требуется звонок оператора».
Границы технологии: когда звонок нужно отдать человеку
Голосовой ассистент отлично справляется с типовыми сценариями: запись на приём, проверка готовности заказа, подтверждение визита, ответ на вопросы о графике работы и адресах.
В сценариях действуют три строгих правила маршрутизации:
- Жалобы и конфликтные ситуации: при обнаружении слов недовольства или повышенных тонов агент не спорит, а мгновенно переводит звонок на старшего администратора.
- Экстренные медицинские вопросы: при звонках с острой болью пациент переключается на дежурного врача без задержек.
- Неуверенное распознавание: если из-за помех на линии агент дважды не смог разобрать реплику абонента, звонок переводится на оператора связи.