К содержанию
Все статьи

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.

🧑‍💻Сергей Шульман 7 мин чтения

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:

  1. Запись. Звонок из телефонии, встреча в видеосвязи, диктофон на телефоне или голосовое в мессенджере.
  2. Распознавание. Сервис переводит речь в текст. Хорошие сервисы разделяют дикторов: видно, где говорит менеджер, а где клиент.
  3. Обработка языковой моделью. Из стенограммы получается то, что нужно бизнесу: резюме, решения, задачи, возражения клиента, оценка звонка по чек-листу.
  4. 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

ВариантЧто этоКогда подходит
Yandex SpeechKitОблачное распознавание речи Яндекса: потоковое, синхронное и асинхронное для файловРоссийский бизнес, файлы встреч и звонков, нужен договор
Yandex SpeechSenseРечевая аналитика для контакт-центров на базе SpeechKit и YandexGPTМного звонков операторов, нужна оценка качества
Открытые модели на своём сервереРаспознавание без передачи аудио наружуЧувствительные записи, большой объём
Встроенная расшифровка в сервисах видеосвязи и телефонииГотовая функция у провайдераБыстрый 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:

ВручнуюС нейросетью
Время на протокол одной встречи15 минут2 минуты на проверку
Часов в месяц25около 3,3
Забытые договорённостирегулярнозаметно реже
Контроль звонков руководителемвыборочно, на слухпо 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

  1. Выберите один тип записей. Планёрки или звонки продаж, не всё сразу.
  2. Опишите формат протокола. Что должно быть в итоге и куда он уходит.
  3. Закройте юридическую часть. Уведомление, политика, где хранятся данные.
  4. Подключите источник. Телефония, видеосвязь или просто бот, куда сбрасывают записи.
  5. Две недели проверки. Ответственный читает каждый протокол, правки собираются в инструкцию для модели.
  6. 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

Читайте также

Есть похожая задача?

Разберу её бесплатно за 30 минут и предложу решение. Пишите в Telegram или звоните.