Речевая аналитика звонков — это автоматическая расшифровка записей разговоров и их проверка по заданным критериям: соблюдён ли скрипт, выявлена ли потребность, отработано ли возражение, названы ли сроки и цена, был ли конфликт. Её главный смысл — охват: вместо выборочного прослушивания нескольких звонков руководитель видит оценку каждого разговора и разбирает только проблемные. Чтобы внедрение дало результат, нужно четыре вещи: законная запись звонков с уведомлением клиента, распознавание речи, которое справляется с телефонным качеством звука, понятная карта оценки из 5–10 критериев и проверка оценок ИИ против оценок опытного контролёра до того, как по ним начнут премировать или наказывать.
Материал подготовлен AIrassvet по открытым источникам, проверенным 11 октября 2026 года. Он адресован владельцам бизнеса, коммерческим директорам, руководителям отделов продаж и контакт-центров, которые хотят контролировать качество звонков без ручного прослушивания. Это практическое руководство: в нём есть выбор типа решения, юридический минимум, шаблон карты оценки и метод проверки точности. Мы не тестировали конкретные сервисы речевой аналитики; цифры о моделях распознавания приведены по данным их разработчиков. Раздел о записи звонков не является юридической консультацией. AIrassvet не аффилирован с упомянутыми компаниями, а раздел в конце описывает услуги издателя.
Содержание
- Что такое речевая аналитика звонков
- Кратко: как внедрить без потерь
- Что даёт речевая аналитика: охват вместо выборки
- Как это работает: от записи до оценки в CRM
- Три типа решений и как выбрать
- Распознавание русской речи: открытые модели
- Запись звонков и закон: юридический минимум
- Пошаговое внедрение
- Шаблон карты оценки звонка
- Как проверить точность оценок ИИ
- Какие показатели отслеживать
- Когда речевая аналитика не нужна
- Частые ошибки
- Частые вопросы
- Первоисточники и метод проверки
Что такое речевая аналитика звонков
Речевая аналитика состоит из двух частей. Первая — распознавание речи: запись разговора превращается в текст с разделением на реплики менеджера и клиента. Вторая — анализ текста: система проверяет разговор по критериям и выставляет оценки, теги и краткое резюме.
Раньше анализ строился на словарях: система искала в расшифровке ключевые слова и фразы — «добрый день», «акция», «дорого», «конкурент». Сейчас всё чаще его выполняет большая языковая модель: она понимает смысл реплики, а не только совпадение слов. Например, отличает «это дорого» как возражение от «это дорого стоит, если не сделать вовремя» как аргумент менеджера.
Расшифровка звонка — не цель, а сырьё. Ценность появляется, когда оценки звонков связаны со сделками в CRM и превращаются в решения: кого обучить, какой скрипт поменять, какой спорный случай разобрать. О более широкой задаче контроля качества продаж, включая переписку, — в статье об ИИ-контроле качества продаж.
Кратко: как внедрить без потерь
- Начните с юридической части: уведомление о записи в начале звонка, цель обработки, срок хранения, круг доступа.
- Проверьте качество распознавания на своих звонках, а не на демонстрации поставщика: телефонный звук, шум, профессиональные термины.
- Ограничьте карту оценки 5–10 критериями, каждый из которых можно проверить по тексту разговора.
- Сверьте оценки ИИ с оценками опытного контролёра на 100–200 звонках до запуска.
- Сначала используйте оценки для обучения, а не для штрафов, пока точность не подтверждена.
- Связывайте оценки со сделками в CRM, иначе аналитика останется отчётом, который никто не читает.
Что даёт речевая аналитика: охват вместо выборки
Ручной контроль качества почти всегда выборочный. Рассмотрим пример: в отделе 10 менеджеров, каждый проводит 60 звонков в день, в месяце 22 рабочих дня. Это 13 200 звонков в месяц. Если контролёр прослушивает и оценивает 40 звонков в день, за месяц он охватит 880 звонков, то есть 6,7% от общего числа. Остальные 93% разговоров руководитель не видит.
Это наш пример, а не статистика: реальные цифры зависят от длины звонков и нагрузки контролёра. Но пропорция типична, и именно её меняет речевая аналитика. Автоматическая оценка охватывает все записанные звонки, а человек тратит время на разбор тех, что получили низкую оценку или попали под тревожный тег.
Что это даёт на практике:
- Контроль скрипта по всем звонкам, а не по случайной выборке.
- Поиск проблемных разговоров: конфликт, угроза расторжения, упоминание конкурента, жалоба.
- Материал для обучения: реальные примеры удачной и неудачной отработки возражений. Их можно использовать и в ИИ-тренажёре для менеджеров по продажам.
- Обратная связь для маркетинга и продукта: о чём спрашивают клиенты, какие возражения повторяются.
- Заполнение CRM: итоги звонка, договорённости и следующий шаг попадают в карточку сделки без ручного ввода. Как связать ИИ с CRM, мы описали в статье об ИИ-агенте для Битрикс24 и amoCRM.
Как это работает: от записи до оценки в CRM
Типовая цепочка выглядит так:
- Запись. Телефония или виртуальная АТС записывает разговор и прикрепляет запись к звонку в CRM. В справке Битрикс24 прямо указано, что приложениям речевой аналитики нужна телефония с включённым прикреплением записи.
- Распознавание. Модель распознавания превращает звук в текст. Качество измеряют показателем WER (word error rate) — долей ошибочно распознанных слов: чем он ниже, тем лучше.
- Разделение говорящих. Реплики размечаются как «менеджер» и «клиент». Если запись идёт в два канала, это проще; если в один — нужна отдельная модель разделения, и ошибки в ней портят оценки.
- Анализ. Словарные правила или языковая модель проверяют разговор по карте оценки и формируют теги, баллы и резюме.
- Результат. Оценки и резюме сохраняются в карточке сделки или звонка, уходят в отчёты, а по тревожным тегам приходят уведомления руководителю.
Слабое звено чаще всего — распознавание. Языковая модель не исправит то, что было расслышано неверно: если вместо «двести тысяч» в тексте «две тысячи», оценка звонка будет неверной при любом качестве анализа.
Три типа решений и как выбрать
| Тип | Как работает | Сильные стороны | Ограничения | Кому подходит |
|---|---|---|---|---|
| Модуль телефонии или приложение для CRM | Готовое приложение берёт записи из телефонии и пишет результат в CRM | Быстрый старт, не нужна разработка | Ограниченная настройка критериев, данные обрабатываются у поставщика | Малый отдел продаж на популярной CRM |
| Специализированная система речевой аналитики | Отдельная платформа со словарями, правилами и отчётами, часто с LLM-анализом | Глубокие отчёты, настройка под контакт-центр | Стоимость и срок внедрения, отдельный интерфейс | Контакт-центр, крупный отдел продаж |
| Своё решение в контуре компании | Открытая модель распознавания и языковая модель на серверах компании, интеграция с телефонией и CRM | Данные не покидают контур, полная настройка | Нужны серверы, интеграция и сопровождение | Банки, медицина, компании с требованиями к хранению данных |
Классификация повторяет деление рынка, которое приводит обзор «Сам Решу» за июль 2026 года: словарные системы контакт-центров, LLM-аналитика для отделов продаж и встроенные модули телефонии. Мы объединили первые два класса в специализированные системы и добавили свой контур как отдельный вариант.
Как выбрать:
- Если звонков немного, CRM популярная, а данные можно обрабатывать у поставщика — начните с приложения для CRM. Это самый дешёвый способ проверить, будет ли команда пользоваться оценками.
- Если у вас контакт-центр с десятками операторов и сложными сценариями — нужна специализированная система с отчётами и правилами. Если часть звонков вы хотите отдать голосовому роботу, смотрите также материал о голосовом ИИ для колл-центра.
- Если записи содержат медицинские, финансовые или иные чувствительные данные или служба безопасности запрещает внешнюю обработку — выбирайте свой контур.
- Если критерии оценки уникальны для вашего процесса — например, проверка технических параметров заказа — понадобится LLM-анализ с настраиваемыми инструкциями, в готовом приложении или своём решении.
Мы рекомендуем начинать с самого простого варианта, который проходит юридические требования, потому что главный риск внедрения — не технология, а то, что оценками никто не будет пользоваться. Компромисс: при переходе на другое решение карты оценки и интеграцию, возможно, придётся настраивать заново.
Распознавание русской речи: открытые модели
Для своего контура нужна модель распознавания, которую можно запустить на своих серверах. Две известные открытые модели для русского языка — T-one от «Т-Технологий» и GigaAM от SberDevices.
По данным репозитория T-one, модель распространяется по лицензии Apache 2.0, содержит 71 миллион параметров, обрабатывает звук фрагментами по 300 мс и рассчитана на телефонию. Разработчики приводят такое сравнение WER:
| Набор данных | T-one (71 млн) | GigaAM-RNNT v2 (243 млн) | Whisper large-v3 (1 540 млн) |
|---|---|---|---|
| Записи колл-центра | 8,63% | 10,22% | 19,39% |
| Прочая телефония | 6,20% | 7,88% | 17,29% |
| Имена и названия | 5,83% | 9,55% | 17,87% |
| CommonVoice 19 (чтение вслух) | 5,32% | 2,68% | 5,78% |
Что из этого следует:
- Модель под телефонию выигрывает на телефонии. Универсальная Whisper large-v3 в этом сравнении ошибается почти в каждом пятом слове записей колл-центра.
- Нет модели, лучшей везде. На чтении вслух у GigaAM-RNNT v2 почти вдвое меньше ошибок, чем у T-one, поэтому выбор зависит от ваших записей.
- Это данные разработчика T-one. Независимая проверка на ваших звонках обязательна: акценты, шум, отраслевые термины и названия товаров меняют результат.
Для демонстрационного запуска T-one разработчики рекомендуют не менее 4 ядер процессора и 8 ГБ оперативной памяти; для большой нагрузки нужны графические ускорители. Модель распознавания — только часть решения: для анализа текста понадобится языковая модель, о выборе которой мы писали в статье о малых языковых моделях и в материале о локальных LLM.
Запись звонков и закон: юридический минимум
Ниже — пересказ требований по материалу «Контура», обновлённому 21 мая 2026 года. Это не юридическая консультация: для своей ситуации, особенно в медицине, финансах и юридических услугах, нужна проверка юристом.
Разговоры с клиентами. По данным «Контура», прямого запрета на запись разговоров менеджеров с клиентами в России нет, но данные из записей обрабатываются по закону о персональных данных 152-ФЗ. Минимальный набор:
- уведомить клиента о записи в начале звонка, обычно автоинформатором;
- определить цель обработки, например контроль качества обслуживания;
- ограничить круг сотрудников с доступом к записям;
- не передавать записи третьим лицам без согласия клиента;
- установить срок хранения и удалять записи после него.
Разговоры сотрудников. При записи для контроля качества формальное согласие сотрудника, по данным «Контура», не требуется, но юристы рекомендуют закрепить запись в трудовом договоре, локальном акте или отдельном согласии.
Когда голос становится биометрией. Если запись используется для установления личности по голосу, это биометрические персональные данные, и нужно письменное согласие. Обычная речевая аналитика для контроля качества человека по голосу не идентифицирует, но если поставщик предлагает «голосовую идентификацию», это уже другой правовой режим.
Согласие и штрафы. С 1 сентября 2025 года согласие на обработку персональных данных нельзя прятать в договоре или оферте — оно оформляется отдельным документом. С 30 мая 2025 года штраф для юридических лиц за обработку персональных данных без надлежащего согласия по ч. 2 ст. 13.11 КоАП РФ составляет от 300 000 до 700 000 рублей.
Передача записей внешнему сервису. Если распознавание и анализ выполняет облачный сервис, это передача персональных данных обработчику, а если сервер за рубежом — ещё и трансграничная передача. Об этом подробнее — в статье о 152-ФЗ и зарубежных ИИ-сервисах. «Контур» для ИИ-сервисов рекомендует серверы на территории России.
Срок хранения. Единого срока закон не устанавливает. «Контур» приводит ориентиры: около 6 месяцев для контроля качества, 1 год для спорных ситуаций и до 3 лет, если запись может стать доказательством в суде.
Пошаговое внедрение
Шаг 1. Сформулируйте вопрос. Не «внедрить речевую аналитику», а «узнать, почему часть входящих заявок не доходит до встречи» или «проверять соблюдение скрипта первичной консультации». От вопроса зависят критерии и выбор решения.
Шаг 2. Наведите порядок в записях. Проверьте, что все звонки записываются, записи прикрепляются к сделкам, а клиентов уведомляют о записи. Если записи идут в два канала — менеджер и клиент отдельно, — это заметно упростит анализ.
Шаг 3. Соберите контрольную выборку. 100–200 реальных звонков разных менеджеров, типов и исходов, включая неудачные и конфликтные. Персональные данные в выборке для поставщиков обезличьте.
Шаг 4. Проверьте распознавание. Расшифруйте 20–30 звонков из выборки у каждого кандидата и вручную сверьте с записью ключевые места: суммы, сроки, названия товаров, имена. Важно не среднее качество, а ошибки в словах, от которых зависит оценка.
Шаг 5. Составьте карту оценки. 5–10 критериев, каждый из которых проверяется по тексту разговора. Шаблон — в следующем разделе.
Шаг 6. Сверьте оценки ИИ с оценками контролёра. Метод — в разделе о проверке точности. Если совпадение по критерию низкое, перепишите формулировку критерия или уберите его.
Шаг 7. Подключите CRM и отчёты. Оценки, теги и резюме — в карточку сделки; тревожные теги — в уведомления руководителю; сводка по менеджерам — в еженедельный отчёт.
Шаг 8. Запустите в режиме обучения. Первые недели оценки используются для разборов и обучения, а не для премий и штрафов. Менеджеры должны видеть свои оценки и иметь возможность оспорить их.
Шаг 9. Пересматривайте критерии раз в месяц. Убирайте критерии, которые ничего не меняют, добавляйте новые по результатам разборов.
Шаблон карты оценки звонка
Пример для первичного звонка по входящей заявке. Формулировки критериев — наш пример; адаптируйте их к своему скрипту.
| № | Критерий | Как проверяется по тексту | Тип ответа | Что приложить как доказательство |
|---|---|---|---|---|
| 1 | Представился и назвал компанию | Реплика менеджера в первые 30 секунд | Да / нет | Цитата реплики |
| 2 | Выяснил задачу клиента | Есть вопросы о задаче и ответ клиента | Да / частично / нет | Вопросы менеджера |
| 3 | Уточнил сроки и бюджет | Названы сроки или бюджет, или клиент отказался назвать | Да / нет | Цитата |
| 4 | Отработал возражение | Если было возражение — есть ответ по существу | Да / нет / не было | Возражение и ответ |
| 5 | Не обещал недопустимого | Нет обещаний скидок, сроков, гарантий вне регламента | Нарушение / нет | Цитата обещания |
| 6 | Назначил следующий шаг | Договорились о дате, встрече или отправке предложения | Да / нет | Цитата договорённости |
| 7 | Упоминание конкурента | Клиент назвал другую компанию | Тег | Название и контекст |
| 8 | Конфликт или жалоба | Резкие формулировки, требование руководителя, угроза отказа | Тег, уведомление | Цитата |
Правила, которые делают карту рабочей:
- Каждый критерий проверяется по тексту. «Был вежлив» плохо проверяется, «не перебивал клиента дольше трёх раз» — проверяется, если разделение говорящих работает.
- Модель приводит цитату. Требуйте, чтобы каждая оценка сопровождалась фрагментом разговора: так контролёр за секунды проверит спорную оценку.
- Есть вариант «не применимо». Если возражений не было, критерий «отработал возражение» не должен снижать оценку.
- Эмоции — только как тег. Оценка тона и настроения по тексту ненадёжна; используйте её для поиска звонков на разбор, а не для премий.
Как проверить точность оценок ИИ
Перед запуском нужно понять, насколько оценкам ИИ можно доверять. Порядок, который можно повторить:
- Возьмите 100–200 звонков из контрольной выборки.
- Пусть два опытных контролёра независимо оценят их по той же карте. Звонки, где они разошлись, обсудите и договоритесь об эталонной оценке — это заодно покажет, какие критерии сформулированы неоднозначно.
- Прогоните те же звонки через систему и сравните оценки по каждому критерию отдельно.
- Посчитайте три показателя для каждого критерия: долю совпадений с эталоном; ложные срабатывания — система отметила нарушение, которого не было; пропуски — нарушение было, но система его не отметила.
- Задайте порог заранее. Например, критерий допускается в отчёты для премий, только если доля совпадений не ниже согласия двух контролёров между собой. Критерии ниже порога используются только как подсказка для разбора.
- Повторяйте проверку после смены модели, скрипта или поставщика телефонии.
Ограничение метода: выборка в сотню-две звонков не покажет редкие ситуации. Поэтому после запуска оставьте возможность менеджерам оспорить оценку и раз в месяц проверяйте вручную небольшую случайную выборку.
Какие показатели отслеживать
Речевая аналитика окупается, если меняет показатели бизнеса, а не только даёт красивые отчёты. Выберите 2–3 показателя до запуска и зафиксируйте их текущие значения:
- Конверсия звонка в следующий шаг: встречу, отправку предложения, оплату.
- Доля звонков с нарушением ключевых критериев — по менеджерам и по неделям.
- Время контролёра на один разобранный звонок — должно снизиться, потому что система показывает проблемное место.
- Скорость реакции на жалобы и угрозы отказа — от звонка до действия руководителя.
- Заполненность CRM после звонков, если система пишет итоги в карточку сделки.
Не ждите мгновенного эффекта от самой аналитики: результат появляется, когда по её данным меняют скрипты и проводят обучение. Обещания поставщиков о росте конверсии на конкретный процент — это их отдельные случаи, переносить их на свой процесс нельзя.
Когда речевая аналитика не нужна
- Звонков мало. Если отдел проводит десяток разговоров в день, руководитель может прослушать их сам, а время лучше потратить на скрипт и обучение.
- Продажи идут не по телефону. Если основные переговоры проходят в мессенджерах и почте, анализировать нужно переписку — это близкая, но другая задача.
- Записи не связаны со сделками. Без связи «звонок — сделка — результат» аналитика покажет нарушения, но не покажет, какие из них влияют на продажи.
- Нет человека, который будет разбирать результаты. Оценки без разборов и обучения ничего не меняют.
- Нельзя законно записывать и обрабатывать звонки в выбранной схеме — сначала решите правовой вопрос.
Частые ошибки
- Слишком много критериев. Карта из 30 пунктов не помещается в голове ни у менеджера, ни у руководителя.
- Доверие к оценкам без сверки. Если система без проверки ставит низкие оценки за то, чего не было, команда быстро перестаёт ей верить.
- Штрафы с первого дня. Менеджеры начинают «говорить для робота», а не для клиента.
- Проверка на демонстрационных записях. Студийный звук и типовые фразы не показывают, как система справится с вашими звонками.
- Забытая юридическая часть. Отсутствие уведомления о записи или бессрочное хранение записей создают риски, которые больше пользы от аналитики.
- Отчёты, которые никто не открывает. Результаты должны попадать туда, где работают руководители: в CRM, уведомления и еженедельные встречи.
Частые вопросы
Что такое речевая аналитика звонков?
Это автоматическая расшифровка записей телефонных разговоров и их проверка по заданным критериям: соблюдение скрипта, выявление потребности, отработка возражений, договорённости, конфликты. Результаты сохраняются в CRM и отчётах, а проблемные звонки попадают на разбор руководителю.
Законно ли записывать звонки клиентов для анализа?
По данным «Контура», прямого запрета на запись разговоров менеджеров с клиентами нет, но нужно уведомить клиента о записи, определить цель, ограничить доступ, срок хранения и не передавать записи третьим лицам без согласия. Для чувствительных сфер рекомендуют письменное согласие и проверку юристом.
Голос клиента — это биометрия?
Только если голос используется для установления личности, например для голосовой идентификации. Тогда нужно письменное согласие. Запись разговора для контроля качества, по данным «Контура», биометрией не считается.
Чем LLM-аналитика лучше словарной?
Словарная система ищет ключевые слова и фразы, а языковая модель понимает смысл реплики и может проверять критерии, которые не сводятся к словам, например «назначен ли конкретный следующий шаг». Но LLM-анализ дороже и тоже ошибается, поэтому его нужно сверять с оценками контролёра.
Можно ли развернуть речевую аналитику на своих серверах?
Да. Для распознавания есть открытые модели для русского языка, например T-one и GigaAM, а для анализа — языковые модели, которые запускаются локально. Понадобятся серверы, интеграция с телефонией и CRM и сопровождение решения.
Сколько звонков нужно для проверки системы перед запуском?
Мы рекомендуем 100–200 реальных звонков разных менеджеров и исходов, оценённых двумя опытными контролёрами. Этого достаточно, чтобы увидеть неудачные критерии и ошибки распознавания, но недостаточно для редких ситуаций, поэтому выборочная проверка нужна и после запуска.
Первоисточники и метод проверки
Мы прочитали первоисточники 11 октября 2026 года. Данные о модели T-one и сравнение WER взяты из репозитория разработчика; требования к записи звонков — из материала «Контура»; условия работы приложений речевой аналитики — из справки Битрикс24; классификация рынка — из обзора «Сам Решу». Шаги внедрения, шаблон карты оценки, метод проверки точности и расчёт охвата — редакционная методика AIrassvet, а не результат тестирования конкретных сервисов.
- «Т-Технологии»: репозиторий T-one на GitHub — лицензия, размер модели, сравнение WER, требования к запуску.
- «Контур», 21.05.2026: запись телефонных разговоров с клиентами и сотрудниками — уведомление, согласие, хранение, биометрия, штрафы.
- Битрикс24, 28.08.2026: речевая аналитика звонков — приложения — условия подключения и критерии приложений.
- «Сам Решу», июль 2026: речевая аналитика в 2026 — классы решений на рынке.
Ограничения: сравнение моделей распознавания проведено разработчиком T-one и не проверено независимо; правовые требования пересказаны по вторичному источнику и могут отличаться для отраслей с особым регулированием; пример охвата контроля — расчёт на условных данных.
Как AIrassvet помогает внедрить речевую аналитику звонков
Если вы хотите анализировать звонки в своём контуре или связать оценки разговоров со сделками в CRM, решение лучше собирать вокруг вашего процесса продаж, а не вокруг готового набора отчётов. На сайте AIrassvet описаны направления, которые относятся к этой задаче напрямую:
- Интеграция мультимодальных ИИ-моделей — распознавания речи и языковой модели — в рабочие процессы компании.
- Развёртывание языковых моделей на серверах компании, когда записи звонков нельзя передавать во внешний сервис.
- ИИ-агенты, интегрированные с каналами связи, включая телефонию, и бизнес-системами компании, например CRM.
- Аудит процесса, подготовка данных, тестирование, запуск и сопровождение решения.
Первый шаг — выбрать один тип звонков, описать текущие показатели, где хранятся записи, какие есть ограничения по данным и по какому критерию вы признаете оценки системы достаточно точными.
Итог: сначала точность и закон, потом отчёты
Речевая аналитика звонков переводит контроль качества с выборки на все разговоры, но сама по себе ничего не улучшает. Результат дают четыре условия: законная запись с уведомлением клиента и понятным сроком хранения, распознавание, проверенное на ваших телефонных записях, короткая карта оценки с цитатами-доказательствами и сверка оценок ИИ с оценками опытного контролёра до того, как по ним начнут принимать решения о людях.
Начните с одного типа звонков и контрольной выборки в 100–200 разговоров. Если система совпадает с контролёром по ключевым критериям, подключайте CRM и отчёты; если нет — переписывайте критерии или меняйте распознавание, прежде чем масштабировать.
