Классический пайплайн: STT — LLM — TTS

Голосовой агент: что это такое и почему сейчас

Голосовой агент — это программа, которая ведёт телефонный разговор самостоятельно: слышит клиента, понимает смысл сказанного, принимает решение и отвечает живой речью. Не IVR (Interactive Voice Response — автоответчик с голосовым меню: «нажмите 1, нажмите 2»), не бот в мессенджере — именно голосовой разговор в реальном времени.

До недавнего времени такие системы строились только крупными компаниями с командами ML-инженеров и многомиллионными бюджетами. С 2023–2024 годов ситуация изменилась: облачные STT и TTS подешевели в разы, доступные LLM научились вести связный диалог, а платформы вроде Vapi и Voiceflow снизили порог входа до уровня одного разработчика. Теперь голосового агента для небольшой клиники или интернет-магазина можно запустить за несколько дней.

Где это уже работает в России

Голосовые агенты в российском бизнесе покрывают три основных сценария:

• Входящие обращения — запись к врачу, статус заказа, информация о балансе. Агент снимает нагрузку с операторов на однотипных запросах, которые составляют 60–80% входящего потока.
• Исходящий обзвон — напоминания о записи, подтверждение доставки, опросы NPS (Net Promoter Score — оценка удовлетворённости клиента по шкале от 0 до 10). Стоимость одного исходящего звонка голосовым агентом на порядок ниже, чем у оператора колл-центра — разница особенно заметна при больших объёмах обзвона.
• Квалификация лидов — первичный контакт с входящей заявкой: агент задаёт несколько вопросов, квалифицирует клиента и передаёт его оператору с заполненной карточкой.

Российский рынок голосовых AI-агентов активно растёт: крупные компании внедряют их для снижения нагрузки на колл-центры, стартапы предлагают готовые отраслевые решения. Основные игроки — Yandex SpeechKit, Сбер Salute, Naumen, ЦРТ (Центр Речевых Технологий) — работают давно. С 2023–2024 годов к ним добавились десятки продуктов, построенных на базе западных API.

OpenAI и Россия. С июля 2024 года OpenAI официально заблокировал доступ для российских IP-адресов. API при этом технически работает — через VPN или Azure OpenAI Service (Microsoft), который Россию не блокирует. В курсе мы будем использовать OpenAI API с этой оговоркой. Для проектов, где данные не должны покидать РФ, разбираем отечественные альтернативы: YandexGPT, GigaChat.

Что вы разберёте в этом курсе

Курс строится вокруг двух архитектур, которые встречаются в продакшне рядом. Первая — каскадный пайплайн: STT → LLM → TTS. Три независимых компонента, полный контроль, российские сервисы, гибкость под требования к хранению данных. Разбирается последовательно в первой части курса: STT, TTS, бюджет задержки, LLM-слой, фреймворки оркестрации.

Вторая — нативные realtime-агенты на GPT-Realtime-2: живая аудиосессия без отдельных STT и TTS, прерывания в реальном времени, tool calling прямо в звонке, задержка 300–600 мс. Ему посвящён отдельный большой блок курса.

Дальше — телефония, платформы без кода, Voice RAG, тестирование агентов на реальных звонках, российский стек и кейсы по отраслям. Путь: от понимания того, что происходит внутри звонка — к агенту, который реально работает в бизнесе.

Этот урок — фундамент. Он разбирает каскадный пайплайн: что происходит за те секунды, пока клиент ждёт ответа. Это нужно понять, чтобы потом видеть разницу между каскадным подходом и realtime.

Как звучит реальный агент

Послушайте пример: агент записывает пациента на приём, уточняет удобное время и контактные данные. Весь разговор — чуть более минуты, ни один оператор к нему не подключался.

Vapi — одна из ведущих платформ для запуска голосовых агентов. Она берёт на себя всю инфраструктуру: STT, LLM, TTS, телефонию — разработчику остаётся только описать сценарий и выбрать голос. Зарегистрироваться можно бесплатно — новым пользователям начисляется 10 кредитов, которых хватает на несколько минут тестовых звонков, карта не нужна. После каждого звонка в личном кабинете сохраняется запись, транскрипт и стоимость.