Нейросеть для расшифровки аудио: протоколы звонков и встреч без людей
Нейросеть для расшифровки аудио превращает звонки и встречи в протоколы с задачами и ответственными. Как это устроено, сколько экономит, опыт моего сервиса «БОРИС» на Yandex SpeechKit и что учесть по 152-ФЗ при записи звонков.

Нейросеть для расшифровки аудио нужна не ради текста, а ради того, что после встречи никто не помнит, кто что обещал. Менеджер провёл десять звонков, договорился о трёх КП, а в CRM записал одно. Планёрка на час закончилась без протокола, и через неделю каждый помнит решения по-своему. Расшифровка плюс нейросеть закрывают это: запись превращается в протокол с решениями, задачами и ответственными за пару минут. Ниже — как это устроено, на чём я сделал собственный сервис, сколько это экономит и что нужно учесть по закону, если вы записываете звонки клиентов.
Коротко:
- Работают два шага: распознавание речи (аудио → текст) и языковая модель (текст → протокол, задачи, карточка в CRM).
- Ценность не в стенограмме, а в структуре: решения, задачи с ответственными и сроками, риски, следующий шаг.
- Мой сервис «БОРИС» делает саммаризацию встреч, распознаёт речь через Yandex SpeechKit и обрабатывает больше 1000 минут аудио в месяц.
- На 100 встречах по 30 минут ручные протоколы съедают около 25 часов в месяц, с ботом остаётся проверка.
- Запись звонков — это обработка персональных данных. Порядок уведомления и согласий согласуйте с юристом до запуска.
Как работает расшифровка аудио нейросетью
Цепочка из четырёх звеньев:
- Запись. Звонок из телефонии, встреча в видеосвязи, диктофон на телефоне или голосовое в мессенджере.
- Распознавание. Сервис переводит речь в текст. Хорошие сервисы разделяют дикторов: видно, где говорит менеджер, а где клиент.
- Обработка языковой моделью. Из стенограммы получается то, что нужно бизнесу: резюме, решения, задачи, возражения клиента, оценка звонка по чек-листу.
- Доставка. Протокол уходит в чат команды, задачи — в таск-трекер, итог звонка — в карточку сделки в CRM.
Большинство «нейросетей для расшифровки» закрывают только второй шаг. Это удобно для журналиста или студента, которому нужен текст интервью или лекции, но бизнесу нужен не текст, а действие после разговора. Вы получаете простыню текста на 8 страниц, которую никто не читает. Эффект появляется на третьем и четвёртом шаге.
Где брать распознавание речи
| Вариант | Что это | Когда подходит |
|---|---|---|
| Yandex SpeechKit | Облачное распознавание речи Яндекса: потоковое, синхронное и асинхронное для файлов | Российский бизнес, файлы встреч и звонков, нужен договор |
| Yandex SpeechSense | Речевая аналитика для контакт-центров на базе SpeechKit и YandexGPT | Много звонков операторов, нужна оценка качества |
| Открытые модели на своём сервере | Распознавание без передачи аудио наружу | Чувствительные записи, большой объём |
| Встроенная расшифровка в сервисах видеосвязи и телефонии | Готовая функция у провайдера | Быстрый старт без разработки |
По документации SpeechKit, асинхронное распознавание принимает многоканальные записи длиной до 4 часов и размером до 1 ГБ, потоковое работает в реальном времени, синхронное — для коротких фрагментов до 30 секунд. В документации есть отдельный раздел про определение дикторов. Для записей встреч обычно нужен асинхронный режим: загрузил файл — получил текст.
Для контакт-центров у Яндекса есть SpeechSense — сервис речевой аналитики, который оценивает звонки и чаты операторов. Если у вас десятки операторов и нужна проверка качества по всем звонкам, а не по выборке, смотрите туда.
Мой опыт: сервис «БОРИС»
«БОРИС» — бот, который я сделал в одиночку на Python. Он получает запись встречи или звонка, расшифровывает её через Yandex SpeechKit и выдаёт структурированное резюме: решения, задачи, ответственные. Сейчас он обрабатывает больше 1000 минут аудио в месяц с положительной unit-экономикой: расход на распознавание и модель заметно меньше, чем время людей на протоколы вручную.
Что я вынес из этого проекта:
- Стенограмма никому не нужна. Люди читают первые пять строк. Резюме должно помещаться на экран телефона.
- Задача без ответственного — не задача. Модель нужно явно просить выделить, кто и к какому сроку. Если в разговоре срока не было, так и писать: «срок не назван». Это само по себе полезный сигнал.
- Качество записи важнее модели. Один микрофон на переговорную в десять человек даёт плохой текст, и никакая модель его не спасёт.
- Формат под задачу. Планёрке нужен список решений и задач. Звонку продаж — потребность клиента, возражения и следующий шаг. Собеседованию — оценка по критериям. Это разные инструкции для модели.
Расчёт окупаемости на примере «БОРИСА» с формулами — в статье AI без хайпа: как посчитать окупаемость автоматизации.
Что получается на выходе: протокол встречи
Пример структуры, которую я настраиваю для планёрок:
- Тема и участники.
- Решения — что окончательно договорились сделать или не делать.
- Задачи — что, кто, к какому сроку.
- Открытые вопросы — что обсуждали, но не решили.
- Риски — что может сорвать сроки, по словам участников.
Для звонков продаж — другая:
- Потребность клиента его словами.
- Бюджет и сроки, если звучали.
- Возражения и как менеджер на них ответил.
- Следующий шаг и дата.
- Оценка звонка по чек-листу отдела продаж.
Вторая структура — основа для контроля качества продаж без прослушивания записей руководителем. Как ИИ работает в отделе продаж шире, — в статье ИИ в продажах.
Сколько это экономит
Условный расчёт для отдела, который проводит 100 встреч по 30 минут в месяц:
| Вручную | С нейросетью | |
|---|---|---|
| Время на протокол одной встречи | 15 минут | 2 минуты на проверку |
| Часов в месяц | 25 | около 3,3 |
| Забытые договорённости | регулярно | заметно реже |
| Контроль звонков руководителем | выборочно, на слух | по всем звонкам, по тексту |
Цифры иллюстративные: у вас будут свои ставки и объёмы. Но порядок такой: экономия на времени — десятки часов в месяц, а главный эффект — сделки, которые не потерялись из-за забытой задачи. Его сложнее посчитать, но он обычно больше.
Запись звонков и 152-ФЗ: что учесть
Это не юридическая консультация, а список вопросов, которые нужно закрыть с юристом до запуска.
- Голос и разговор — персональные данные. Запись звонка клиента, в которой человек называет имя, телефон и обстоятельства, — обработка персональных данных по 152-ФЗ. Нужны основание обработки, политика и понятный порядок хранения.
- Предупреждение о записи. Обычная практика — сообщать в начале звонка, что разговор записывается. Нужна ли в вашем случае отдельная форма согласия, решает юрист.
- Биометрия — отдельная история. Если голос используется для идентификации человека, это биометрические персональные данные, и для них закон требует согласия в письменной форме, за исключениями из статьи 11. Обычный протокол встречи идентификацией не занимается, но границу лучше проверить.
- Где обрабатываются данные. Отправлять записи клиентов в зарубежный сервис — риск и с точки зрения закона, и с точки зрения доступа: Anthropic и OpenAI официально Россию не обслуживают. Российское облако с договором или модель на своём сервере снимают большую часть вопросов. Про второй вариант — статья о локальных моделях.
- Сотрудники. Запись внутренних встреч и звонков сотрудников тоже стоит закрепить во внутренних документах.
- Срок хранения. Решите, сколько хранится аудио, а сколько — протокол. Аудио часто можно удалять после расшифровки и проверки.
Как внедрить за две недели
- Выберите один тип записей. Планёрки или звонки продаж, не всё сразу.
- Опишите формат протокола. Что должно быть в итоге и куда он уходит.
- Закройте юридическую часть. Уведомление, политика, где хранятся данные.
- Подключите источник. Телефония, видеосвязь или просто бот, куда сбрасывают записи.
- Две недели проверки. Ответственный читает каждый протокол, правки собираются в инструкцию для модели.
- Замер. Часы на протоколы до и после, доля звонков с записанным следующим шагом.
Если хочется собрать цепочку без программиста, часть звеньев можно сделать в конструкторах автоматизаций, об этом — статья про n8n.
Частые вопросы
Какая нейросеть лучше всего расшифровывает русскую речь? Для бизнеса в России я использую Yandex SpeechKit — на нём работает «БОРИС». Для чувствительных записей — открытые модели распознавания на своём сервере. Выбирайте по тестовым записям в ваших реальных условиях: шум, акценты, качество микрофона.
Можно ли расшифровать запись бесплатно? Небольшие объёмы — да, у многих сервисов есть бесплатные лимиты. Для регулярной работы с сотнями минут закладывайте расход на распознавание и модель, он обычно намного меньше стоимости времени людей.
Нужно ли предупреждать клиента о записи звонка? Практика — предупреждать. Конкретный порядок уведомлений и согласий под ваш бизнес определит юрист.
Чем это отличается от функции расшифровки в сервисе видеосвязи? Встроенная расшифровка обычно даёт стенограмму и короткое резюме. Своя цепочка позволяет задать формат под вашу задачу, оценивать звонки по чек-листу отдела продаж и отправлять результат прямо в CRM и таск-трекер.
Можно ли сразу получать задачи в CRM? Да. Модель выделяет задачи и следующий шаг, а интеграция создаёт их в CRM или таск-трекере. Это и есть основной эффект, а не сама стенограмма.
Если протоколы у вас пишут вручную или не пишут вовсе, это одна из самых быстрых автоматизаций с понятной окупаемостью. Посмотрите, как работают AI-сотрудники, или напишите в Telegram, какие встречи и звонки хотите разбирать автоматически.
Похожие статьи: AI без хайпа: как посчитать окупаемость автоматизации · ИИ в продажах