Транскрибация звонков: как перевести разговоры в текст

Каждый звонок вашего отдела продаж содержит ценную информацию — возражения клиентов, упущенные возможности, ошибки менеджеров. Но чтобы найти эти инсайты, нужно прослушивать записи. 10 звонков — это час времени. 50 звонков — целый рабочий день. Как раз здесь и нужна транскрибация звонков.

Технология решает эту проблему: переводит аудио в текст, который можно прочитать за минуты вместо часов прослушивания. В этой статье разберём, как устроена транскрибация звонков, какие сервисы выбрать и — самое главное — что делать с текстом дальше, чтобы извлечь из него реальную пользу.

Факт: По данным Straits Research (2024), глобальный рынок речевой аналитики достигнет $16.73 млрд к 2033 году. Компании массово переходят на автоматизацию контроля звонков.

Что такое транскрибация звонков

Транскрибация звонков — это перевод аудиозаписи телефонного разговора в текст. Раньше для этого, как правило, нанимали стенографистов: человек слушал запись и печатал каждое слово вручную. Сейчас эту работу выполняет искусственный интеллект.

Современные сервисы распознают речь автоматически. Так что вы загружаете аудиофайл или подключаете телефонию — и через несколько минут получаете готовый текст. Технология называется speech-to-text или ASR (автоматическое распознавание речи).

На чистых записях хорошие сервисы ошибаются в 5–10% слов — по шкале Microsoft это уровень «хорошо» (подробнее — в разделе о WER ниже). Точность падает, если запись с шумом, эхом или плохой связью.

Главное преимущество: 10-минутный звонок можно прочитать за 2-3 минуты. Это экономия времени в 3-5 раз по сравнению с прослушиванием.

Если менеджер говорит по телефону час в день, за месяц накапливается около 20 часов записей. В текстовом виде это примерно 100 000 слов — но прочитать их можно за несколько часов, а не за 20.

Чем транскрибация отличается от простого перевода аудио в текст

Получить из записи сплошной текст — ещё не всё. Транскрибация звонков для бизнеса подразумевает текст, с которым можно работать: реплики разделены по ролям (менеджер и клиент), расставлены знаки препинания, суммы и даты записаны цифрами, а сам транскрипт привязан к звонку — дате, номеру, сделке в CRM.

Зачем бизнесу транскрибация телефонных разговоров

Расшифровка звонков нужна не ради самого текста. По сути, она решает конкретные задачи, на которые у руководителя обычно не хватает времени.

Контроль качества звонков

РОП физически не может прослушать все звонки отдела. В день поступает 50-100 звонков, причем на прослушивание каждого уходит 5-10 минут. Это 8 часов непрерывного прослушивания — целый рабочий день.

С транскриптами РОП может за 15 минут просмотреть суть 20 разговоров. Не нужно слушать каждое «алло» и паузу — читаешь только содержание диалога.

Поиск информации

Хотите узнать, как менеджеры отвечают на вопрос про цену? Вместо прослушивания 50 звонков — поиск по слову «цена» или «стоимость» в транскриптах. В итоге за 5 минут видите все релевантные моменты.

Точно так же обстоит дело с упоминаниями конкурентов, возражениями клиентов, конкретными продуктами. Текст позволяет искать по ключевым словам — аудио так не умеет.

Обучение менеджеров

Кроме того, транскрипты реальных диалогов — идеальный материал для обучения. Можно показать новичку: «вот здесь менеджер потерял клиента, потому что не отработал возражение про цену. А вот так правильно ответил другой коллега».

Пример: РОП находит в транскриптах все звонки, где клиент сказал «дорого». Анализирует, как разные менеджеры отрабатывают это возражение. Лучшие ответы добавляет в скрипт продаж.

Документация и разрешение споров

Клиент жалуется: «ваш менеджер обещал скидку, но не дал». Менеджер отрицает. Кто прав? А вот с транскриптом ответ находится за минуту — точные слова зафиксированы в тексте.

Текстовый архив разговоров — это доказательная база. Её удобнее хранить, искать и анализировать, чем тысячи аудиофайлов.

Как работает автоматическая транскрибация

Транскрибация звонков устроена просто: загрузка аудио → обработка AI → получение текста. Итак, разберём каждый шаг.

Загрузка аудио. Звонки попадают в сервис несколькими путями. Во-первых, можно загрузить файл вручную (mp3, wav, ogg). Во-вторых, можно подключить телефонию — тогда новые звонки обрабатываются автоматически. Ещё вариант — интеграция с CRM: звонок записывается в AmoCRM или Bitrix24, оттуда забирается на транскрибацию.

Обработка. AI-модель слушает запись и переводит речь в текст. Параллельно добавляет пунктуацию и форматирование. Как правило, обработка занимает 3-7 минут на один звонок — в зависимости от длительности.

Результат. На выходе — текстовый документ с содержанием разговора. В хороших сервисах реплики разделены по спикерам: видно, где говорил менеджер, а где — клиент. Так, например, устроена транскрибация звонков в Речке.

Совет: Тестируйте сервис на реальных звонках вашего отдела. Качество записи в офисе может отличаться от демо-примеров на сайте.

Разделение по спикерам (диаризация)

Диаризация — это когда сервис определяет, кто говорит в каждый момент записи. Если диаризации нет, вы получите сплошной текст, где непонятно, что сказал менеджер, а что — клиент.

Для контроля качества звонков диаризация критична. Вам важно знать именно реплики менеджера: поздоровался ли он, назвал ли цену, предложил ли следующий шаг. То есть реплики клиента — это контекст, а реплики менеджера — предмет оценки.

Лучше всего диаризация работает со стерео-записями, где менеджер и клиент записаны в разные аудиоканалы. Моно-записи разделяются хуже — алгоритму сложнее понять, где один голос заканчивается и начинается другой.

Распознавание речи в телефонии: что влияет на результат

Телефонный звук — один из самых сложных для ASR. Разберём, что происходит с записью на каждом этапе.

Телефонный звук: 8 кГц и сжатие

Классическая телефония передаёт голос по стандарту G.711 с частотой дискретизации 8000 отсчётов в секунду, то есть 8 кГц. Для сравнения: в документации Microsoft Azure Speech звук 16 кГц отнесён к высокому качеству, а аудио колл-центра описано как низкокачественное: 8 кГц, возможно два собеседника на одном канале, возможно сжатие.

Поэтому модель для транскрибации звонков должна уверенно работать с узкополосным звуком. Облачные API это учитывают: например, Yandex SpeechKit принимает аудио в формате LPCM с частотой 8, 16 или 48 кГц. Если собираете решение сами, проверьте, как выбранная модель ведёт себя именно на ваших записях из АТС, а не на чистой речи.

Моно или стерео

Если АТС умеет писать разговор в два канала — голос менеджера в одном, клиента в другом, — включите эту настройку (уточните у оператора телефонии). Для распознавания это лучший вариант: реплики разделяются по каналам, а не угадываются алгоритмом. В моно-записи оба голоса смешаны, и делить их приходится диаризацией, которая чаще ошибается на перебиваниях и коротких репликах вроде «ага» и «да-да».

Речка работает и с многоканальными, и с одноканальными записями, но стерео-файлы разделяются по спикерам точнее.

Пунктуация и нормализация текста

Модель распознавания выдаёт поток слов, а знаки препинания, регистр и запись чисел добавляет постобработка: «девятьсот рублей» становится «900 ₽». У Microsoft для оценки этого шага есть отдельная метрика — TER. Для отдела продаж это важно: суммы, даты и телефоны должны искаться как цифры.

Словари терминов

Названия ваших продуктов, тарифов, жилых комплексов или лекарств модель могла ни разу не встречать в обучающих данных. Такие слова распознаются с заменами: редкое название превращается в похожее обычное слово. Часть облачных сервисов позволяет передать список фраз-подсказок или дообучить модель на своих текстах. Перед выбором сервиса проверьте, как распознаются 20–30 самых частых терминов из ваших звонков.

Точность транскрибации звонков: что такое WER

Точность распознавания измеряют метрикой WER (word error rate — доля ошибочных слов). Берут эталон, то есть текст, который вручную набрал человек, и сравнивают с результатом машины. Ошибки делят на три типа: вставки (лишние слова), пропуски (потерянные слова) и замены (не то слово). WER — это сумма всех трёх, делённая на число слов в эталоне.

Ориентиры приводит Microsoft: WER 5–10% считается хорошим качеством, около 20% — приемлемым, 30% и выше — плохим, требующим доработки модели. Для сценария колл-центра там же ожидаемое качество названо средним — WER ниже 30%. Если сервис обещает «точность 95%», обычно это значит WER около 5%. Спросите, на каких записях это измерено: на чистой речи или на телефонных звонках.

По типу ошибок видно, что исправлять:

• Много пропусков — слабый сигнал: тихий микрофон, плохая гарнитура, наложение голосов.
• Много вставок — шум и фоновые разговоры, например в open space.
• Много замен — модели не хватает отраслевых терминов, названий и имён.

Для проверки на своих данных Microsoft советует брать от 30 минут до 5 часов репрезентативного аудио. Для отдела продаж это несколько десятков реальных звонков разных менеджеров; текст пары из них выверьте вручную и сравните с результатом сервиса.

Что делать с транскриптом: от текста к инсайтам

Сам по себе транскрипт — это только половина работы. Текст ещё нужно прочитать, проанализировать, найти проблемные места. Здесь возникает новая проблема.

Представьте: у вас 50 менеджеров, каждый делает 10 звонков в день. Это 500 транскриптов ежедневно. Даже если каждый транскрипт — 3000 слов, в сумме получается 1 500 000 слов в день. Читать всё это невозможно.

Ловушка транскрибации: Компании внедряют расшифровку звонков, а потом понимают — читать 50 транскриптов в день не легче, чем слушать 50 записей. Текст экономит время, но не решает проблему масштаба.

Выход — автоматический анализ звонков. AI может проверить каждый звонок по заданным параметрам: поздоровался ли менеджер, выявил ли потребность, назвал ли цену, отработал ли возражения. И выдать готовый отчёт вместо сырого текста.

Сервисы, которые делают транскрибацию + анализ, называются системами речевой аналитики. По сути, они не просто переводят речь в текст, а извлекают из него конкретные инсайты по вашему чек-листу.

Как выбрать сервис транскрибации звонков

На рынке десятки сервисов, и транскрибация звонков у каждого устроена по-своему. Разберём критерии, по которым стоит выбирать.

Точность распознавания русской речи

Например, многие западные сервисы оптимизированы под английский и плохо работают с русским. Ошибки в распознавании делают транскрипт бесполезным — вместо анализа придётся разбираться, что имелось в виду.

Проверяйте на реальных звонках своего отдела, а не на демо-записях. В частности, на точность влияют качество связи, акценты менеджеров и специфическая терминология.

Скорость обработки

Для большинства задач достаточно обработки за 3-7 минут на звонок. Но если вам нужен анализ в реальном времени — ищите сервисы с real-time транскрибацией.

Разделение спикеров

Без диаризации транскрипт малополезен для контроля качества. Убедитесь, что сервис умеет разделять реплики менеджера и клиента. Идеально — если поддерживает стерео-записи с разными каналами.

Интеграция с CRM

Если вы используете AmoCRM, Bitrix24 или другую CRM — проверьте, есть ли готовая интеграция. Без неё придётся вручную загружать файлы или строить интеграцию через API.

Что делает с текстом дальше

Главный вопрос: сервис только транскрибирует или ещё анализирует? Чистая транскрибация даёт сырой текст. Речевая аналитика — готовые отчёты с оценкой по параметрам.

Совет: Если у вас больше 20 звонков в день — рассмотрите сервисы с автоматическим анализом. В итоге экономия времени окупит разницу в цене.

Облачный API, open-source или готовый сервис

Транскрибацию звонков можно организовать тремя способами. Ниже — сравнение по критериям, без рейтинга: какой подход подходит вам, зависит от ресурсов команды и задачи.

Облачный API распознавания речи. Провайдер даёт модель: вы отправляете аудио и получаете текст. Всё остальное — выгрузку записей из АТС, очередь, хранение, связь с CRM, интерфейс — пишет ваша команда.

Open-source модель. Самый известный пример — Whisper от OpenAI: код и веса опубликованы под лицензией MIT, модель обучена на 680 тысячах часов аудио (Radford et al., 2022). Плюс — записи не покидают ваши серверы. Минусы — нужна своя инфраструктура (старшей модели large, по данным разработчиков, требуется около 10 ГБ видеопамяти), а разделения по дикторам среди заявленных задач нет: только распознавание, перевод и определение языка. Диаризацию, обработку телефонного звука и интеграции придётся собирать отдельно.

Готовый сервис речевой аналитики. Подключается к телефонии и CRM без разработки, делит реплики по ролям и сразу проверяет звонок по чек-листу. Так устроена Речка: транскрибация — первый шаг, за ним идёт анализ по вашим параметрам. Данные при этом обрабатываются у сервиса, поэтому вопросы хранения стоит выяснить заранее — о них ниже.

Как подключить транскрибацию к телефонии и CRM

Ручная загрузка файлов годится для теста на 10–20 звонках. В рабочем режиме записи должны попадать на транскрибацию сами. Для этого обычно используют один из трёх путей:

• Из АТС. Сервис забирает записи у оператора телефонии по API или получает их по вебхуку после звонка.
• Из CRM. Звонок уже привязан к сделке в amoCRM или Битрикс24 — оттуда запись уходит на обработку, а результат возвращается в карточку.
• Через API. Если у компании своя система, звонки передаются в сервис напрямую.

У Речки есть готовые интеграции с телефонией — Mango Office, Sipuni, Билайн, Zoom; другие АТС подключаются через API — и с amoCRM и Битрикс24. Стандартное подключение занимает до трёх рабочих дней. До старта выясните, пишет ли ваша АТС звонки в стерео и сколько хранит их в архиве: от этого зависит, получится ли обработать прошлые звонки.

Безопасность и хранение записей звонков

Запись разговора с клиентом содержит его голос, имя, телефон, иногда адрес и паспортные данные. Это персональные данные, и на них распространяется закон 152-ФЗ. Часть 5 статьи 18 обязывает оператора при сборе персональных данных граждан РФ записывать, систематизировать, накапливать, хранить, уточнять и извлекать их с использованием баз данных, находящихся в России.

Что спросить у сервиса транскрибации звонков перед подключением:

• в какой стране расположены серверы, где обрабатываются и хранятся записи и транскрипты;
• шифруются ли данные и изолированы ли они от данных других клиентов;
• кто видит записи и можно ли разграничить доступ по ролям;
• ведётся ли журнал действий пользователей;
• сколько хранятся записи и можно ли удалить их по запросу.

В Речке данные хранятся на серверах в России, конфиденциальные данные шифруются, данные каждой компании изолированы, доступ разграничен по ролям, а действия пользователей логируются.

Плюсы и минусы автоматической транскрибации

Транскрибация + анализ: комплексное решение

Чистая транскрибация звонков и речевая аналитика — это разные вещи. Транскрибация переводит аудио в текст. Речевая аналитика идёт дальше: анализирует текст по заданным параметрам и выдаёт готовые выводы.

Например, Речка транскрибирует звонок за 3-5 минут и сразу проверяет по настраиваемым параметрам. Вы получаете не сырой текст, а отчёт: менеджер поздоровался (да), выявил потребность (нет), назвал цену (да), отработал возражения (частично), назначил следующий шаг (нет).

Какие параметры можно проверять автоматически:

• Поздоровался ли менеджер
• Представился ли (имя, компания)
• Выявил ли потребность клиента
• Рассказал ли о продукте/услуге
• Назвал ли цену
• Отработал ли возражения
• Договорился ли о следующем шаге
• Попрощался ли корректно

В Речке можно создавать собственные чек-листы с 15-20 параметрами под специфику вашего бизнеса. Система сама находит ответы в транскрипте и заполняет отчёт.

Результат: Вместо часов прослушивания — 15 минут на просмотр готовых отчётов. РОП видит полную картину по каждому менеджеру: кто работает по скрипту, а кто сливает клиентов.

Кроме того, важное преимущество — интеграция с CRM. Речка работает с AmoCRM и Bitrix24 из коробки. Звонки обрабатываются автоматически, результаты анализа появляются в карточке сделки.

Часто задаваемые вопросы

Заключение

Транскрибация звонков экономит время — читать текст в 3-5 раз быстрее, чем слушать запись. Но сам по себе транскрипт — это сырьё, которое ещё нужно обработать.

Если у вас 5-10 звонков в день, достаточно простой транскрибации. Если больше 20 — рассмотрите сервисы с автоматическим анализом. Они не просто переводят речь в текст, а сразу показывают где менеджер ошибся.

Главное — не застрять на этапе «у нас есть транскрипты, но некому их читать». Транскрибация должна вести к действию: нашли ошибку — обучили менеджера — увидели рост конверсии.

Попробуйте Речку бесплатно: Получите 30 минут анализа в подарок. Загрузите звонки вашего отдела и увидите не только текст, но и конкретные ошибки менеджеров с рекомендациями по улучшению. Начать бесплатно →