Где в контакт-центре нужно распознавание речи
- Голосовой робот. Робот понимает клиента, только если правильно распознал его слова. Ошибка в номере заказа или адресе ломает весь диалог.
- Транскрибация и поиск. Расшифровки всех разговоров позволяют искать по ключевым словам, разбирать жалобы и обучать операторов.
- Речевая аналитика. Темы обращений, причины повторных звонков, нарушения скрипта.
- Подсказки оператору. Распознавание в реальном времени позволяет показывать оператору ответы из базы знаний прямо во время разговора.
Для робота и подсказок важна скорость (потоковое распознавание с задержкой в доли секунды), для аналитики — точность и стоимость обработки больших архивов.
Почему телефонный звонок — сложный случай
Модели, которые прекрасно расшифровывают подкасты, на звонках часто теряют в точности. Причины:
- Узкая полоса. Классическая телефония передаёт звук с частотой дискретизации 8 кГц, а многие модели обучены на 16 кГц.
- Кодеки и потери пакетов. Сжатие G.729, обрывы, эхо.
- Фоновый шум. Улица, машина, дети, телевизор, громкая связь.
- Разговорная речь. Перебивания, слова-паразиты, недоговорённые фразы, сленг.
- Числа и имена. Номера договоров, суммы, адреса и фамилии — то, что для бизнеса важнее всего, — распознаются хуже обычных слов.
Основные варианты в 2026 году
| Движок | Тип | Сильные стороны | Ограничения |
|---|---|---|---|
| GigaAM (Сбер) | Open-source, лицензия MIT | Создан специально для русского языка, высокая точность; по данным разработчиков, третья версия обучена на сотнях тысяч часов речи и заметно опережает Whisper large-v3 на русских тестах. Есть варианты с пунктуацией и нормализацией текста | Для максимальной скорости нужен GPU; потоковый режим требует инженерной доработки |
| Whisper (OpenAI) | Open-source, лицензия MIT | Многоязычность, хорошая работа с длинными записями, большое сообщество, оптимизированные версии (whisper.cpp, faster-whisper) | Не потоковый «из коробки», чувствителен к тишине (может «додумывать» текст), требователен к ресурсам; на телефонном звуке точность ниже, чем у специализированных моделей |
| Vosk (Alpha Cephei) | Open-source, Apache 2.0 | Работает офлайн даже на слабом железе, есть компактные модели, потоковый режим, простая интеграция | Архитектура на базе Kaldi уступает нейросетевым моделям по точности на шумной разговорной речи |
| T-One (Т-Банк) | Open-source | По данным разработчиков, потоковая модель, обученная именно на телефонной русской речи для колл-центров, компактная и быстрая | Узкая специализация: русский язык и телефония |
| Облачные API (Yandex SpeechKit, SaluteSpeech и др.) | Сервис по подписке | Готовая инфраструктура, потоковый режим, развитые функции | Звонки уходят во внешнее облако, оплата за минуты; для части компаний неприемлемо по требованиям безопасности |
Цифры в публикациях разработчиков получены на их тестовых наборах. На ваших звонках результат будет другим — поэтому финальный выбор стоит делать только по собственному тесту.
Как провести свой тест: 6 шагов
- Соберите выборку. 2–5 часов реальных звонков из вашего контакт-центра: разные операторы, клиенты, время суток, тематики. Записи обезличьте.
- Сделайте эталон. Вручную расшифруйте выборку. Это самая трудоёмкая, но обязательная часть.
- Прогоните движки. Используйте звук в том виде, в каком он придёт в продуктив: 8 кГц, тот же кодек.
- Посчитайте WER. Word Error Rate — доля ошибочных слов: замен, пропусков и лишних вставок относительно эталона. Чем меньше, тем лучше.
- Отдельно проверьте важное. Номера, суммы, даты, адреса, названия ваших продуктов. Общий WER может быть хорошим, а ключевые сущности — распознаваться плохо.
- Измерьте скорость и ресурсы. Задержку первого результата в потоковом режиме и сколько звонков одновременно обрабатывает один сервер.
Критерии выбора
| Задача | Что важнее всего |
|---|---|
| Голосовой робот | Потоковый режим, задержка, точность на коротких фразах и числах |
| Транскрибация архива | Точность, пунктуация, стоимость обработки часа записи |
| Подсказки оператору | Потоковый режим, стабильность под нагрузкой |
| Банки, медицина, госсектор | Работа на своих серверах без передачи звука во внешние сервисы |
| Специфическая лексика | Возможность дообучения или подсказок словаря (термины, названия) |
Что улучшает точность больше, чем смена движка
- Качество звука. Хорошие гарнитуры у операторов и кодек G.711 вместо G.729 там, где позволяет канал.
- Шумоподавление и детектор голоса. Обработка звука до распознавания убирает фон и паузы.
- Дообучение на ваших данных. Даже небольшой объём размеченных звонков с вашей лексикой заметно снижает число ошибок.
- Нормализация. Правила, которые превращают «двадцать пять тысяч» в 25 000, а «эм-ка-дэ-цэ» — в название вашей компании.
- Проверка в диалоге. Робот переспрашивает важные данные: «Правильно понимаю, номер заказа 12345?»
Как считать WER: пример
WER (Word Error Rate) — доля ошибок распознавания относительно эталонной расшифровки:
WER = (S + D + I) / N, где S — замены слов, D — пропуски, I — лишние вставки, N — число слов в эталоне.
| Эталон | Результат движка |
|---|---|
| перенесите доставку заказа один два три на пятницу | перенесите доставку заказов один два на пятницу утром |
В эталоне 9 слов. Ошибки: «заказа» → «заказов» (замена), пропущено «три» (пропуск), добавлено «утром» (вставка). WER = 3 / 9 ≈ 33 %. Формально ошибок много, но для бизнеса критична только одна — потерянная цифра в номере заказа. Поэтому кроме общего WER всегда считайте точность ключевых сущностей: номеров, дат, сумм, адресов.
Скорость и ресурсы
- Задержка первого результата важна для робота: распознанный текст должен появляться, пока клиент ещё говорит.
- Коэффициент реального времени (сколько секунд обработки нужно на секунду звука) важен для архивов: при коэффициенте 0,1 час записи обрабатывается за 6 минут на одном потоке.
- Число одновременных потоков на одном сервере определяет, сколько серверов нужно в пиковый час.
- GPU или CPU. Крупные нейросетевые модели заметно быстрее на видеокартах; компактные модели работают и на процессоре.
Распознавание для робота и для архива часто разносят: потоковая модель обслуживает живые разговоры, а более тяжёлая и точная модель ночью расшифровывает записи.
Как адаптировать распознавание под вашу лексику
- Словари и подсказки — названия продуктов, улиц, фамилий врачей повышают вероятность правильного распознавания этих слов.
- Дообучение акустической модели на ваших записях — эффективно при специфическом звуке (шумные цеха, определённые линии связи, акценты).
- Дообучение языковой части на расшифровках ваших разговоров — повышает точность для отраслевых терминов.
- Постобработка — правила, которые исправляют типичные ошибки и приводят числа к нужному формату.
Для дообучения обычно достаточно десятков часов размеченных звонков. Перед этим записи обезличивают.
Распознавание архива: что учесть
- Раздельные дорожки. Если оператор и клиент записаны в разные каналы, распознавание точнее и сразу понятно, кто что сказал.
- Качество записи. Сильно сжатые записи низкого битрейта распознаются хуже. Для новых записей выбирайте формат с запасом качества.
- Ночная обработка. Пакетная расшифровка в часы низкой нагрузки не мешает живым разговорам и экономит ресурсы.
- Поиск и индексация. Расшифровки сохраняются вместе с метаданными звонка: дата, номер, оператор, очередь — тогда по ним можно искать и строить отчёты.
- Доступ. Расшифровки содержат те же персональные данные, что и записи, — права на них должны быть не шире прав на прослушивание.
Распознавание речи и защита данных
Звонки клиентов содержат персональные данные: имена, адреса, номера договоров, иногда сведения о здоровье или финансах. При выборе движка распознавания важно понимать, куда уходит звук:
- облачный сервис — звук и текст обрабатываются на серверах провайдера; нужно проверить договор, место хранения и сроки удаления данных;
- модель на своих серверах — звук и расшифровки остаются внутри компании, доступ к ним регулируется вашими правами и журналами.
Для банков, медицины, госсектора и объектов КИИ второй вариант обычно единственно допустимый. Open-source модели позволяют получить высокое качество распознавания без передачи данных наружу.
Как распознавание устроено в LLACOT
Мы не привязываем клиентов к одному движку. Архитектура LLACOT AI Voice Robot модульная: распознавание речи, языковая модель и синтез выбираются под задачу и требования заказчика.
- используем open-source модели распознавания, прошедшие инженерную адаптацию под телефонию, — в том числе GigaAM и Vosk: где нужна максимальная точность, выбираем нейросетевые модели, где важны простота и минимальные ресурсы — компактные;
- потоковое распознавание, шумоподавление и детектор голоса: ответ робота звучит примерно через 0,3 секунды после вопроса;
- точность распознавания русской речи — 95 %+ на чистой речи, для специфической лексики (медицина, юриспруденция) доступно дообучение;
- полностью локальное развёртывание: звук и расшифровки не покидают периметр компании;
- транскрибация и поиск по разговорам в контакт-центре LLACOT.
Как распознавание работает вместе с пониманием смысла и синтезом речи, мы рассказывали в статье «Речевые технологии в контакт-центре», а о голосовых роботах в целом — в материале «Голосовой бот для бизнеса».
Частые вопросы
Какой движок самый точный для русского языка?
По открытым тестам лидируют специализированные русскоязычные модели нового поколения, но на ваших звонках порядок может отличаться. Сравнивайте 2–3 кандидата на своей выборке.
Можно ли распознавать речь без интернета?
Да. Open-source модели работают полностью на ваших серверах. Это стандартный вариант для банков, медицины и госсектора.
Нужен ли GPU?
Для транскрибации больших архивов и современных нейросетевых моделей — желательно. Для небольшого числа одновременных звонков и компактных моделей хватает процессора.
Что такое WER и какой WER считается хорошим?
WER — процент ошибочных слов относительно эталонной расшифровки. Для телефонных разговоров хорошим результатом считается однозначный процент на чистой речи; на шумных звонках он неизбежно выше.
Можно ли использовать разные движки одновременно?
Да, при модульной архитектуре. Например, компактная потоковая модель — для голосового робота, а более точная — для ночной расшифровки архива.
Что выбрать: облачный API или open-source модель?
Облако быстрее запустить, open-source на своих серверах дешевле при больших объёмах и не передаёт звук наружу. Для банков, медицины и госсектора обычно выбирают второй вариант.
Сколько звонков нужно для теста?
Для первичного сравнения движков хватает 2–5 часов звонков с ручной эталонной расшифровкой. Важно, чтобы выборка была разнообразной: разные операторы, клиенты, время суток и тематики.
Распознаёт ли система, где говорит оператор, а где клиент?
Если разговор записан в два раздельных канала, — да, сразу и надёжно. Если запись моно, используется разделение по говорящим (диаризация), которое работает хорошо, но может ошибаться при перебиваниях.
Как часто нужно обновлять модель распознавания?
Когда выходят заметно более точные версии или меняется лексика: новые продукты, услуги, названия. Новую версию сначала проверяют на вашей тестовой выборке и только потом включают в работу.
Проверить на ваших звонках
Подберём движок распознавания под ваши задачи и покажем результат на реальном сценарии. Запросите демо на странице LLACOT AI Voice Robot или позвоните +7 (843) 202-35-38.