В компаниях, где продажи и обслуживание клиентов строятся на телефонных разговорах, после каждого звонка нужно сохранять запрос клиента и договорённости. В ходе беседы могут измениться комплектация заказа, желаемый срок поставки или условия оплаты. Если в CRM, системе учёта клиентов и сделок, остаётся только «обсудили предложение», эти детали приходится восстанавливать по памяти или записи.
Когда один звонок следует за другим, заполнение карточек может откладываться. Без записи договорённостей легче пропустить срок отправки расчёта или дату следующего контакта. Если сделку принимает другой сотрудник, ему приходится переслушивать разговоры либо заново уточнять вопросы у клиента. Руководителю тоже сложнее понять, какое действие ожидается от менеджера и какой срок согласован.
Речевая аналитика позволяет подготовить из разговора заметку: что нужно клиенту, кто и что обещал сделать, какие вопросы остались открытыми. Ссылки на фрагменты записи помогают сотруднику проверить сведения перед сохранением в CRM.
Такую обработку можно организовать на общем сервере компании или в облаке, если правила компании разрешают передачу данных поставщику. Фоновый агент получает завершённую запись из телефонии, распознаёт речь, выделяет договорённости и передаёт черновик в CRM. Менеджер продолжает работать в привычной системе; вручную загружать каждый звонок в отдельное приложение не требуется.
До выбора компонентов проверяют, можно ли автоматически получать записи из телефонии и встроить в CRM просмотр и подтверждение черновика. Если этих возможностей нет, потребуется другой порядок работы.
Как устроен анализ звонков для CRM
Фоновый агент самостоятельно выполняет заданную последовательность операций: получает данные, обращается к моделям, проверяет результат и передаёт его дальше.
Этап | Что делает агент | Зачем это нужно |
|---|---|---|
Получает запись | Забирает завершённый файл, время разговора, идентификатор звонка и сведения об участниках | Обрабатывает полный разговор и сохраняет связь с исходной записью |
Распознаёт речь | Преобразует аудио в текст с временными отметками, сохраняет разделение собеседников | Позволяет установить, кто произнёс фразу, и быстро её прослушать |
Извлекает сведения | Выделяет запрос, возражения, обещания и следующий контакт | Готовит поля, с которыми можно работать в CRM |
Проверяет результат | Проверяет обязательные поля, ссылки на реплики и соответствие сделке | Отмечает пропуски и неоднозначности до сохранения |
Передаёт на подтверждение | Показывает менеджеру черновик в CRM; после подтверждения сохраняет заметку и разрешённую задачу | Сохраняет только принятую сотрудником версию |
Проверки по правилам выявляют часть ошибок: например, отсутствующую дату или несуществующую ссылку на реплику. Достоверность суммы или обещания приходится сверять с разговором. Поэтому в начальной схеме обработка запускается автоматически, а содержательные изменения в сделке подтверждает сотрудник.
Какие модели нужны для локальной обработки
В описанной цепочке модели выполняют две задачи: превращают звук в текст и извлекают из текста сведения для CRM. Распознавание можно поручить средствам операционной системы или отдельно установленной модели. Один из примеров первого подхода — системная транскрибация на компьютерах Apple.
Распознавание средствами macOS
В macOS 26 появился SpeechAnalyzer с модулем SpeechTranscriber. Это программные средства Apple для распознавания речи на самом устройстве. Они принимают в том числе готовый аудиофайл и возвращают текст; при соответствующей настройке результат содержит временные отметки. Модуль рассчитан на обычные разговоры и длинные записи. Модели распознавания загружает и обслуживает операционная система.
Такая обработка может быть частью фоновой программы. Открытый проект Yap уже использует системный механизм для транскрибации файлов из командной строки. Это практическое подтверждение, что графическое приложение для каждого сотрудника не является обязательным.
Однако до выбора системной модели проверяют конкретный Mac, версию macOS и поддерживаемые языки. Apple предоставляет для этого проверки доступности устройства и языка. Наличие русской локализации системы само по себе не подтверждает поддержку русского в выбранном модуле распознавания. Если нужный язык недоступен или качество не подходит, можно использовать другую локальную модель.
Системный модуль возвращает расшифровку. Чтобы получить из неё запрос клиента, обещания и следующий шаг, агент передаёт текст модели, которая извлекает нужные сведения.
Открытые модели для речи и текста
Такое сочетание можно собрать из отдельно устанавливаемых моделей. Whisper и GigaAM выполняют распознавание, Qwen обрабатывает полученный текст. Это даёт альтернативу системному модулю Apple и позволяет подобрать компоненты под язык разговоров и оборудование компании. В таблице собраны варианты для обоих этапов.
Компонент | Роль в системе | Что учитывать при выборе |
|---|---|---|
Apple SpeechTranscriber | Локальная транскрибация средствами macOS | Совместимость оборудования, доступные языки и качество телефонных записей |
Whisper large-v3 / large-v3-turbo | Многоязычное распознавание речи | Turbo сокращает вычисления за счёт уменьшенного декодера; скорость и потери точности сравнивают на своих звонках |
GigaAM-v3 e2e RNNT | Распознавание русской речи | Возвращает текст с пунктуацией; кандидат для сравнения на русскоязычных разговорах |
Qwen3-8B / Qwen3-14B | Извлечение договорённостей из расшифровки | Проверяют полноту полей, ошибки в смысле, необходимую память и время обработки |
У Whisper large-v3-turbo число слоёв декодера, части модели, которая формирует текст, уменьшено с 32 до 4 относительно large-v3. По описанию разработчиков, это ускоряет распознавание ценой некоторого снижения точности. GigaAM даёт альтернативу для русского языка. Qwen3-8B работает с текстом: в этой схеме ей передают уже распознанный разговор и описание нужных полей.
Для запуска Whisper на Mac существует whisper.cpp с поддержкой графического ускорения Metal. Языковую модель можно запускать локально через Ollama. Это программные компоненты агента; сотруднику не нужно открывать их или вручную переносить между ними данные.
Варианты для Linux и Windows
Открытые модели позволяют собрать ту же цепочку на других операционных системах. При этом устанавливать модели на компьютер каждого сотрудника не требуется: они могут работать на общем сервере, который получает звонки из телефонии и возвращает результаты в CRM.
На Linux возможен такой состав: Whisper через whisper.cpp или faster-whisper для распознавания, Qwen через Ollama для извлечения сведений, фоновый сервис для очереди и обмена с CRM. Faster-whisper поддерживает обработку на процессоре и совместимых видеокартах NVIDIA; Ollama можно запускать как системную службу.
На Windows тоже можно использовать Whisper через whisper.cpp и Qwen через Ollama: у обоих компонентов есть поддержка этой ОС. Для постоянной работы дополнительно настраивают запуск после перезагрузки и восстановление заданий. Совместимость с конкретной редакцией Windows Server проверяют отдельно: в требованиях Ollama перечислены пользовательские версии Windows.
Для инфраструктуры Windows Server есть и другой вариант: разместить Linux-компоненты в виртуальной машине Ubuntu под Hyper-V. Доступ виртуальной машины к видеокарте требует отдельной настройки и проверки оборудования.
Компьютеры менеджеров и сервер обработки могут работать под разными ОС. Системная транскрибация Apple остаётся вариантом для Mac; на Linux и Windows её заменяет отдельный движок распознавания. После выбора компонентов нужно определить, как подготовить запись, чтобы агент различал участников разговора.
Как определить, кто взял на себя обязательство
Чтобы извлечь обязательства из расшифровки, агенту нужно знать, кому принадлежат реплики. Фраза «отправлю предложение завтра» имеет разный смысл в зависимости от того, произнёс её клиент или менеджер. Здесь важен формат исходной записи: если собеседники записаны в отдельных каналах, их реплики можно обрабатывать раздельно, а затем соединять по времени.
Такой подход использовал разработчик Рустам Рахманов в своей локальной системе: записи из Asterisk уже разделены по участникам. Это позволяет обойтись без дополнительного определения говорящих по голосу.
Для конкретной телефонии соответствие каналов ролям проверяют, включая входящие звонки и переадресации. Обычный стереофайл ещё не гарантирует, что слева записан клиент, а справа менеджер. Если оба голоса смешаны в одном канале, нужна диаризация — разделение речи по говорящим. Затем всё равно нужно установить, какой из говорящих является сотрудником.
Для компании это повод начать с формата записи, который выдаёт её АТС. Раздельные исходные дорожки могут упростить систему сильнее, чем замена одной модели другой.
Какие ошибки могут попасть в CRM
После разделения реплик нужно проверить точность слов и выводов. Ошибки возможны на обоих этапах: при распознавании звука и при извлечении сведений из текста.
Распознавание способно добавить слова, которых не было в записи. Разработчик локального сервера описывает такие случаи на тишине и шуме. Эта проблема также указана в карточке Whisper. Поэтому сначала проверяют наличие речи и подозрительные повторения, сохраняют исходное аудио и отмечают сомнительные фрагменты. Пересказ языковой моделью может сделать ошибочный текст убедительнее, поэтому исходную расшифровку сохраняют отдельно от резюме.
Быстрый ответ может оказаться неполным. В одном из сравнений локальных моделей на Mac самая быстрая конфигурация возвращала мало текста на части записей. Небольшой набор записей не является тестом телефонных разговоров, но показывает полезный принцип проверки: вместе со временем обработки нужно смотреть, все ли существенные реплики попали в расшифровку.
Просьба клиента не равна обещанию менеджера. Если клиент попросил расчёт до четверга, а менеджер ответил только «подготовлю предложение», в карточке должны отдельно появиться желаемый срок клиента и обещание подготовить предложение. Согласованный срок пока неизвестен. Аналогично «сможем купить после утверждения бюджета» не означает подтверждённый заказ.
Отсутствие ответа не всегда означает отказ работать с возражением. В проекте речевой аналитики Avito предусмотрели отдельное состояние для случаев, когда у оператора не было возможности ответить, например из-за обрыва связи. Это показывает, зачем заранее определять смысл полей: оценка «ответил / не ответил» может скрывать существенную разницу между разговорами.
Зачем связывать результат с историей клиента
Проверенная заметка нужна менеджеру перед следующим разговором: по ней можно восстановить, что обсуждали и на чём остановились. Для этого результат обработки связывают с нужной сделкой и сохраняют рядом с предыдущими контактами.
Так историю общения использует коммерческий отдел английского футбольного клуба Lincoln City. Его сотрудники ведут переговоры с компаниями о партнёрстве, и обсуждение может продолжаться месяцами. По словам руководителя коммерческого направления, клуб связал записи и расшифровки звонков с CRM, чтобы перед следующим контактом сотрудник видел предыдущие разговоры.
Кейс показывает применение в работе отдела продаж; устройство локальной системы в нём не рассматривается. Поставщик сервиса также спонсирует клуб, а независимого замера результата в интервью нет.
При подключении агента к CRM такую связь с историей клиента нужно обеспечить технически: определить контакт и выбрать карточку сделки. У одного контакта могут быть несколько сделок, поэтому номер телефона не всегда даёт однозначный ответ. При неоднозначности выбор остаётся за менеджером. После временного сбоя связи с CRM агент должен проверить, была ли заметка уже сохранена, прежде чем повторять операцию. Иначе один звонок породит несколько одинаковых задач.
Где разместить агента и как выбрать оборудование
Получение звонков, работу моделей и обмен с CRM можно сосредоточить на общем сервере компании. Сотрудники разных отделов будут получать подготовленные заметки в своих карточках CRM. Их компьютеры не выполняют распознавание, поэтому обработка может продолжаться после выключения рабочего ноутбука. Удалённому сотруднику нужен защищённый доступ к CRM и разрешённым записям.
Роль такого сервера может выполнять выделенный Mac mini на Apple Silicon, подходящая рабочая станция или компактный сервер с графическим ускорителем. Для обслуживания нескольких отделов учитывают три ограничения:
Суммарная нагрузка. Важны минуты записей и число одновременно завершившихся звонков. Пока сервер занят, следующие задания ждут в очереди. Дополнительные параллельные задачи требуют памяти, поэтому число сотрудников само по себе не определяет нужную конфигурацию.
Права на данные. Менеджер должен видеть только разрешённые ему сделки и записи, руководитель — данные своей команды. Эти ограничения проверяют и при открытии аудиофрагмента, и при подтверждении заметки. Наличие файла на общем сервере не делает его общедоступным.
Доступность системы. Сбой единственного узла задержит обработку всех отделов. Нужны сохраняемая очередь, резервные копии и порядок восстановления. На время сбоя сотрудники должны иметь возможность вести CRM вручную, а нагрузка моделей не должна нарушать работу телефонии.
При проверке измеряют всю обработку: подготовку аудио, транскрибацию, анализ текста и передачу результата. Распознавание и языковая модель используют общие вычислительные ресурсы. Если памяти недостаточно для обеих, их последовательная загрузка увеличит задержку. Эти расходы времени легко пропустить, проверив только один короткий файл.
Сервер с GPU оправдан, когда его производительность или возможность запускать нужную модель компенсирует затраты на покупку, питание и обслуживание. При небольшом потоке имеющегося оборудования может оказаться достаточно. Оценивать это удобнее через полную стоимость обработки и труда сотрудников.
Размещение определяют для всей цепочки: телефонии, обработки, CRM и резервных копий. Полностью локальной система будет, если все эти компоненты находятся внутри компании. Если анализ выполняется на своём сервере, а CRM остаётся у поставщика, схема уже смешанная.
Автономность относится к обработке сохранённых записей после установки необходимых компонентов. Телефонную связь обеспечивает оператор, а загрузку моделей и обновления организуют отдельно.
Когда обработку можно перенести в облако
Если политика компании допускает передачу записей или расшифровок внешнему поставщику, вычисления можно разместить за пределами офиса. Для той же цепочки обработки есть два технически разных варианта.
Арендованный сервер со своими моделями. На виртуальной машине с Linux работают whisper.cpp или faster-whisper, Qwen через Ollama и сервис агента. База, например PostgreSQL, хранит состояния заданий; закрытое файловое хранилище содержит записи. При необходимости выбирают машину с GPU; такие конфигурации есть, например, в Yandex Compute Cloud. Компания сохраняет возможность выбирать версии моделей, но отвечает за настройку, обновления и восстановление программ. Расходы включают аренду, диски, резервные копии и передачу данных. Данные размещены у провайдера, даже если облачный аккаунт принадлежит компании.
Готовые модели через API. Например, агент может передать запись в закрытое хранилище Yandex Object Storage, получить расшифровку через SpeechKit и отправить текст в YandexGPT Pro для подготовки полей CRM. Сам агент управляет очередью, проверяет ответ и показывает черновик сотруднику. Своя видеокарта для этих этапов не нужна; обработка и хранение оплачиваются по условиям сервисов.
У облачного маршрута есть ограничения: доступ к интернету, квоты поставщика, время ожидания и расходы при росте объёма. Например, асинхронное распознавание SpeechKit может занимать от нескольких минут до суток. Если заметка нужна сразу после звонка, такой режим требует отдельной оценки.
До выбора согласуют место и сроки хранения аудио, текстов, служебных журналов и копий, порядок удаления и использования данных поставщиком. Отключение одного вида журналирования не означает отсутствие всех сохраняемых данных. В AI Studio, например, условия хранения различаются для разных типов данных. Для заказчика в Беларуси отдельно проверяют регистрацию, договор, оплату и доступность нужных сервисов.
Возможна и комбинация: распознавание внутри компании, анализ текста через облачный API. В этом случае наружу уходит расшифровка, которая тоже может содержать сведения о клиентах и сделках. Разрешение на такую передачу требуется независимо от того, где осталось аудио. Проверка договорённостей сотрудником сохраняется при любом размещении.
Что должна показать первая проверка
Выбранные модели, оборудование и подключение к CRM проверяют вместе: от автоматического получения звонка до сохранения подтверждённой заметки. Для этого нужны собственные записи с обычной речью, шумом, перебиваниями, названиями товаров, суммами и изменением условий по ходу разговора. Проверка должна показать четыре результата:
Содержание: сохранены существенные договорённости, числа и отрицания; неизвестные сведения не заполнены догадками.
Проверяемость: менеджер может открыть нужную реплику, исправить поле и подтвердить результат в CRM.
Работа без ручного запуска: новый звонок попадает в обработку автоматически; пиковая очередь укладывается в согласованное время, после перезапуска задания восстанавливаются, повторное событие не создаёт дубль.
Практическая польза: проверка и исправления занимают меньше времени, чем прежнее заполнение карточки, при приемлемой полной стоимости.
Состав полей и ответственность за подтверждение определяют до испытаний; для этого пригодится практикум подготовки процесса к ИИ. Готовые модели позволяют собрать такую систему. Её надёжность зависит от того, как устроены получение записей, проверка содержания, связь со сделкой и восстановление после ошибок.
Чем может помочь Makesense
Makesense помогает проверить применимость такой схемы к действующей телефонии и CRM, сравнить варианты размещения и компоненты, подготовить пилот. Для первого разбора подойдут обезличенная расшифровка, образец карточки сделки и пример того, какие сведения теряются после звонков. Результат разбора — состав системы, ограничения, программа испытаний и предварительная оценка затрат. Подробнее об автоматизации процессов.