Не минуты аудио, а готовые записи в CRM

Локальное распознавание звонков часто сравнивают по стоимости одной минуты аудио. Для руководителя продаж это неполный показатель. Пока сотрудник не проверил имя клиента, сумму, срок и обещанное действие, расшифровка не стала полезной записью. Автоматизация окупается, если сокращает время на *принятую* запись в CRM и не повышает цену ошибки.

Речь не о живой подсказке во время разговора, а о пакетной обработке завершённых звонков. Сначала полезно выяснить, что происходит сегодня: менеджер прослушивает запись целиком, пишет заметку по памяти или вообще не оформляет результат? Экономию рабочего времени можно считать только относительно реально существующего процесса. Если запись раньше никто не разбирал, появится новая аналитика, но не «сэкономленные минуты».

Как устроить небольшой локальный контур

Телефония выгружает завершённый звонок с идентификатором и временем. Файл попадает в закрытое хранилище; фоновый обработчик проверяет формат, выделяет речь, запускает ASR и сохраняет текст со ссылками на временные отрезки. Следующий шаг — шаблон заметки: тема обращения, договорённость, срок, вопрос без ответа. Поля без надёжного подтверждения остаются пустыми. Оператор сверяет важные детали с аудио и только после подтверждения запись попадает в CRM. Повторная обработка того же call_id не должна создавать второй контакт или задачу.

Для локального прототипа доступны открытые модели Whisper и реализация faster-whisper. В документации Whisper указаны варианты моделей и ориентировочная видеопамять: например, около 2 ГБ для small, 5 ГБ для medium и 6 ГБ для turbo. Это ориентиры, а не гарантия скорости на конкретном сервере. faster-whisper поддерживает пакетную обработку и фильтр пауз VAD; последний надо проверять на коротких репликах, чтобы не потерять важное «да» или отрицание. Локальная языковая модель для черновика заметки необязательна: если достаточно расшифровки и ручного заполнения полей, не добавляйте ещё один этап и его стоимость.

Потребуются доступ к экспорту аудио, хранилище с ограничением прав и срока хранения, рабочая станция или сервер для ASR, очередь заданий, интеграция CRM и журнал подтверждений. Отдельно проверьте допустимость обработки записей и круг сотрудников, которым они доступны. Локальное исполнение убирает отправку аудио внешнему API, но само по себе не решает вопрос доступа, резервного копирования и удаления.

Модельный расчёт: где возникает окупаемость

Ниже *сценарий для расчёта*, не результат конкретной компании и не тариф поставщика. Допущения: 800 записанных звонков в месяц, в среднем по 6 минут; сотрудник сейчас тратит 4 минуты после звонка на проверку и оформление одной записи. Полная стоимость его часа для компании — 700 ₽. После внедрения 70% звонков проходят быструю проверку за 1,5 минуты; остальные 30% из-за шума или спорных деталей всё ещё занимают 4 минуты. Все 800 записей в итоге подтверждает человек. Доля существующего сервера, хранения и сопровождения, отнесённая на этот процесс, — 6 000 ₽ в месяц; настройка интеграции — 60 000 ₽ однократно.

  • Текущий труд: 800 × 4 / 60 × 700 = около 37 300 ₽ в месяц, или 46,7 ₽ на подтверждённую запись.
  • После автоматизации: 560 × 1,5 + 240 × 4 = 1 800 минут проверки; труд стоит 21 000 ₽. Вместе с 6 000 ₽ инфраструктуры — 27 000 ₽ в месяц, или 33,75 ₽ на запись.
  • Модельная экономия — около 10 300 ₽ в месяц. При неизменной нагрузке 60 000 ₽ запуска окупились бы примерно за 5,8 месяца.

Результат чувствителен прежде всего к доле звонков, для которых проверка действительно стала быстрее. Если таких только 40%, ежемесячная экономия падает примерно до 3 300 ₽, а срок возврата затрат растёт до 18 месяцев. При доле меньше примерно 26% текущие 6 000 ₽ ежемесячных расходов уже не покрываются трудовой экономией. Если исходное оформление занимало не четыре, а две минуты, нужно пересчитать всё заново. Не стоит считать высвобождённые часы денежным эффектом, если команда не может использовать их для другой полезной работы.

Что может съесть выигрыш

Качество расшифровки меняется с языком, акцентом, шумом и предметной лексикой. Разработчики Whisper прямо предупреждают, что модель может вставлять слова, которых не было в аудио. Независимое исследование также изучало такие ошибки на неречевых фрагментах. В коммерческом звонке неправильная сумма или обещанный срок дороже нескольких минут ручной проверки. Не переводите важные поля в CRM без подтверждения человеком.

В расчёт нужно добавить не только машинное время, но и исправление неверных заметок, хранение, резервное копирование, мониторинг очереди, обновление моделей и интеграции. На пике звонков сервер может обрабатывать запись позже рабочего срока; тогда теряется и полезность результата. Для компании с малым потоком текущая ручная процедура может быть дешевле выделенного локального контура. Для компании с обязательной записью и запретом отправки аудио наружу локальность может быть отдельным требованием, но её цена должна быть видна в бюджете.

Следующий шаг без закупки сервера

Возьмите 100–200 завершённых звонков разных типов: короткие, шумные, с названиями товаров, суммами и обещаниями. Замерьте фактическое время сегодняшнего оформления. Затем в тестовом контуре на уже доступной машине прогоните локальный ASR, но не записывайте результат автоматически в CRM. Сотрудники отметят, сколько заметок удалось принять быстро, сколько потребовало полного прослушивания и где возникли опасные ошибки. Этими долями замените 70% и 30% из модели. Решение о сервере принимайте после расчёта стоимости подтверждённой записи и проверки, что скорость обработки укладывается в рабочий день.

Источники: [репозиторий и таблица моделей Whisper](https://github.com/openai/whisper), [карточка Whisper об ограничениях](https://github.com/openai/whisper/blob/main/model-card.md), [документация faster-whisper](https://github.com/SYSTRAN/faster-whisper), [исследование ошибок Whisper на неречевых фрагментах](https://arxiv.org/abs/2501.11378).