Голосовые агенты

Как создать голосового робота: порядок без программиста

Создание голосового робота по шагам: сценарий звонка, инструкция, голос, проба в браузере, номер и запуск. Без программиста, на платформе Савви.

Антон БесщетниковОбновлено 16 ноября 202610 мин чтения
Бумажная аппликация: бумажная телефонная трубка, из которой вырастает лента звуковой волны и собирается в маленького робота, волна коралловая
Коротко

Голосового робота создают в таком порядке: пишут сценарий звонка, сжимают его в короткую инструкцию, включают режим «Голос», выбирают голос и распознавание речи, пробуют разговор в браузере и подключают номер. В Савви всё это делается в кабинете без программиста, а первый звонок слышно ещё до телефонии.

«Ваш звонок очень важен для нас», потом гудки, потом тишина. Клиент так и не узнал, чем закончилась его просьба, а в вашем списке пропущенных прибавилась ещё одна строка. Голосовой робот нужен, чтобы за этой фразой кто-то брал трубку сразу и доводил разговор до результата.

Голосовой робот — это программа, которая принимает или совершает звонок, слышит клиента, отвечает по сценарию и оставляет после разговора текст и итог.

Из каких частей собирается голосовой робот

Голосовой робот собирается из трёх звеньев: распознавание речи превращает слова клиента в текст, языковая модель с инструкцией решает, что ответить, синтез речи произносит ответ. Так описывает цепочку документация LiveKit Agents: фреймворк пропускает аудио через распознавание (STT), модель (LLM) и синтез (TTS), определяет, когда человек договорил, и обрабатывает перебивания.

Руководство OpenAI «Voice agents» называет и второй подход, «речь в речь»: одна модель принимает звук и отвечает голосом, интегрировать её проще. У цепочки выигрыш в контроле — промежуточный текст можно смотреть и менять, любое звено заменять отдельно, расшифровку сохранять, а политики проверять до ответа. Савви устроена как цепочка: распознавание и синтез речи настраиваются отдельными блоками, а текст разговора остаётся в диалоге.

Microsoft в документации Foundry о мониторинге голосовых агентов советует измерять задержку распознавания, модели и синтеза порознь, потому что каждое звено добавляет паузу. Для создателя робота вывод один — пауза в трубке складывается из трёх слагаемых, и длинная инструкция раздувает среднее из них.

Путь одной реплики клиента
1 Клиент говорит Звук с линии телефонии уходит в распознавание
2 Распознавание речи Превращает слова в текст и решает, что реплика закончилась
3 Модель с инструкцией Читает сценарий и базу знаний, формирует ответ
4 Синтез речи Произносит ответ выбранным голосом
5 Ответ в трубке Клиент слышит реплику, текст остаётся в диалоге
Каждое звено добавляет паузу между репликами — лишний текст в инструкции слышен в трубке.

Какой путь выбрать: кабинет, ассистент или свой код

Без программиста голосового робота собирают в кабинете Савви: распознавание, синтез, телефония и аналитика звонков уже подключены, остаётся написать сценарий и настроить голос. Тому, кто привык работать с ассистентом, подойдёт скилл, а своя разработка оправдана там, где нужна нестандартная инфраструктура. Выберите путь, и схема покажет, что остаётся вам.

Выберите путь и посмотрите, что останется на вас Нажмите на путь
Собираете сами в кабинете

Включаете режим «Голос» у агента и настраиваете его полями. Программировать не нужно.

Что делаете
Сценарий, инструкцию, голос, номер
Что готово
Распознавание, синтез, телефония по SIP, вкладка «Звонки»
С чего начать
«Инструкция» → вкладка «Голос»
Поручаете сборку ассистенту

Ассистент, например Claude Code, собирает голосового агента через MCP Савви примерно за 20 минут, а проверяете результат вы.

Что делаете
Ставите задачу и слушаете результат
Что готово
Скилл «Голосовой агент для звонков» из библиотеки
С чего начать
Страница suvvy.ai/skills/voice-agent/
Пишете цепочку на фреймворке

Разработка оправдана, когда нужна своя инфраструктура. Звенья распознавания, модели и синтеза вы подключаете и сопровождаете сами.

Что делаете
Все три звена, телефонию и мониторинг задержки
Что готово
Фреймворк вроде LiveKit Agents: конец реплики и перебивания
С чего начать
Документация выбранного фреймворка
Первые два пути ведут к одному и тому же результату — голосовому агенту Савви.

Скилл лежит в библиотеке на странице «Голосовой агент для звонков». Когда робот собран, кроме входящей линии ему можно отдать обзвон по базе, звонок после переписки и звонок по событию в CRM.

Какой сценарий и какую инструкцию написать до первой настройки

Сценарий звонка умещается на одном листе: цель разговора, три-пять шагов, условие перевода на человека и финал. Из этого листа получается инструкция, а справочные данные уходят в базу знаний. Главное правило голоса по руководству Савви — компактный промпт, потому что чем объёмнее инструкция, тем дольше модель обрабатывает её перед ответом, и в звонке это слышно как пауза.

Что у вас естьКуда его положить
Цель звонка, шаги, условия перевода на человекаИнструкция агента
Прайс, адреса, часы работы, условияБаза знаний
Голос, темп речи, паузы, приветствие«Доп.настройки», раздел «Голосовой агент»
Название компании и редкие слова«Ключевые слова» в блоке «Распознавание речи (STT)»

Стиль ответов вручную прописывать не нужно: при включении режима «Голос» платформа сама делает реплики короткими, без списков, с паузами через пунктуацию. Заготовка ниже описывает только содержание разговора, подставьте свои значения в квадратных скобках:

Ты голосовой помощник компании [название]. Цель звонка: [записать на приём / принять заявку / подтвердить заказ].

Ход разговора:
1. Выясни, по какому вопросу звонит клиент.
2. Задавай уточняющие вопросы по одному: [что нужно для записи: услуга, дата, имя].
3. Назови итог и попроси подтвердить: имя, дату и номер телефона.
4. Попрощайся и заверши звонок.

Если клиент просит человека или спрашивает про [темы вне сценария], переведи звонок на менеджера.
Имена, адреса и номера распознаются неточно: переспрашивай и проговаривай важное для подтверждения.
Цены, адрес и часы работы бери из базы знаний.

В заготовке три строки, которые чаще всего забывают — переспрос имён и номеров, проговаривание итога для подтверждения и финал. Без финала разговор может затянуться.

Как собрать робота в кабинете по шагам

Сборка в кабинете сводится к шести настройкам в двух местах: в разделе «Инструкция» и в «Доп.настройках», раздел «Голосовой агент». Руководство советует начинать со значений по умолчанию и менять их по одному параметру, тогда слышно, что именно дало эффект.

1 Включите режим «Голос» Раздел «Инструкция», вкладка «Голос». Платформа предложит поправить блок стилистики ответов, нажмите «Да».
2 Вставьте инструкцию Перенесите заготовку, подставьте цель и шаги, подключите базу знаний с прайсом и адресами.
3 Выберите язык «Доп.настройки» → «Голосовой агент» — от языка зависят доступные модели синтеза и голоса.
4 Задайте приветствие «Фиксированный текст» или «Генерация по инструкции». В обоих работают переменные диалога, например имя клиента.
5 Выберите голос Блок «Синтез речи (TTS)»: модель, голос, «Скорость», «Стабильность голоса». Сначала «Сохранить», потом «Прослушать голос» — иначе прозвучит прежний вариант.
6 Проверьте распознавание Оставьте значения по умолчанию — если название компании распознаётся с ошибкой, добавьте его в «Ключевые слова».

Приветствие клиент слышит первым, поэтому выбирать его стоит осознанно. Фиксированный текст звучит одинаково в каждом звонке и прослушивается заранее. Приветствие по инструкции создаётся под каждый звонок, и заранее послушать его не получится.

app.suvvy.ai
Раздел «Настройки голосового агента»: поле «Язык» со значением «Русский», переключатель «Приветственное сообщение» с вкладками «Фиксированный текст» и «Генерация по инструкции», поле с текстом приветствия и переключатель «Начинать разговор первым при исходящем звонке»
«Доп.настройки», раздел «Голосовой агент»: язык и приветствие, с которого начинается каждый звонок.

Голос выбирают на слух. Модели синтеза речи — ElevenLabs v4, v3, Turbo v2.5, Multilingual v2 и Yandex SpeechKit, у каждой свой список голосов. У v4 есть «Стиль речи»: «Без стиля», «Деловой», «Тёплый» и «Живой», писать его в инструкции не нужно. Распознавание речи работает на Yandex SpeechKit или Deepgram Nova-3. Цена минуты от выбора модели не зависит, поэтому сравнивать модели можно только по звучанию.

app.suvvy.ai
Блок «Синтез речи (TTS)»: поле «Модель» (ElevenLabs Multilingual v2), список «Голоса», ползунки «Скорость» и «Стабильность голоса», переключатель «Ударения в русских словах»
Блок «Синтез речи (TTS)»: модель, голос и ползунки звучания. Набор ползунков зависит от выбранной модели.

Как подключить номер: SIP, заверение и цена минуты

Номер подключают от своего оператора связи или АТС по SIP. Нужна отдельная SIP-учётная запись, не менеджерская: номер, сервер, порт, имя пользователя и пароль.

Номер добавляют в агенте на вкладке «Телефония», блок «Входящие звонки», кнопка «Добавить новый номер», или в разделе «Агенты» на вкладке «Номера». В форме заполняются «Номер телефона», «Название», «Входящий агент», «Канальность», «Сервер», «Порт» (по умолчанию 5060), «Имя пользователя» и «Пароль». После «Добавить» статус «Не проверялся» меняется кнопкой «Проверка регистрации» на «Зарегистрирован». Входящие на стороне АТС направляют на внутренний номер агента.

app.suvvy.ai
Окно «Добавить новый номер»: поля «Номер телефона», «Название», «Канальность» с подсказкой про одновременные звонки по тарифу, блок «Пользователь АТС» с полями «Сервер», «Порт» (5060), «Имя пользователя» и «Пароль», кнопки «Закрыть» и «Добавить»
Форма добавления номера: реквизиты SIP берутся у оператора связи или АТС.

Перед рабочими звонками владелец аккаунта подписывает заверение на подключение телефонии: без него исходящие не работают и новые номера не добавляются. Оплата по счёту с расчётного счёта организации платой за подключение не считается, вся сумма попадает на баланс, минимум 5 000 ₽.

Минута разговора стоит 25 ₽ на PRO, 20 ₽ на Business и 15 ₽ на Scale, связь у оператора оплачивается отдельно. Трёхминутный звонок обойдётся в 75, 60 и 45 ₽ соответственно. Для сравнения — обращение у менеджера стоит около 89 ₽ (оценка по средним ставкам: 40 000 ₽ в месяц на 450 обращений). Месячный бюджет из минут проще прикинуть по расчёту стоимости голосового агента.

Позвоните роботу сами: проверка на слух перед запуском

Позвоните роботу сами, пока к нему не подключён ни один номер: тестовый звонок открывается после включения режима «Голос», разговор идёт прямо в браузере и стоит 0 ₽. Слушайте темп: где робот задумывается, где перебивает, где тянет. Смысл ответов проверите вторым заходом.

Прогоните три сценария, по одному звонку на каждый:

  • типовой вопрос из сценария: слушайте паузу перед ответом;
  • вопрос с датой или номером: слушайте, как робот диктует цифры и переспрашивает ли он;
  • просьба позвать человека: проверьте перевод: функция «Перевод звонка на менеджера» включается в «Доп.настройках», раздел «Стандартные функции», там указывают «Номер менеджера» и случаи для перевода.

Звонок на свой телефон возможен после подключения номера: на вкладке «Телефония», в блоке «Исходящие звонки» есть «Тестовый звонок от лица ИИ-Агента». Там указывают «Номер для звонка», «Номер агента» (линию, с которой пойдёт вызов), «Звонящего агента» и по желанию «Контекст звонка», затем нажимают «Позвонить». Перебивание, молчание и тараторенье номеров лечатся отдельными настройками голоса. После первых рабочих звонков откройте вкладку «Звонки» в аналитике и посмотрите «Причины завершения звонка»: по ним видно, где сценарий требует правки.

Чтобы повторить этот порядок на своём сценарии, откройте аккаунт и начните собрать голосового робота с пробного звонка.

Частые вопросы

Как создать голосового робота без программиста

Включите у агента режим «Голос» в разделе «Инструкция», напишите сценарий звонка короткой инструкцией, выберите голос в «Доп.настройках» и проверьте разговор тестовым звонком в браузере. Затем подключите номер по SIP. Код писать не нужно: распознавание речи, синтез и телефония уже встроены в платформу.

Чем платформа для голосового робота отличается от разработки с нуля

При разработке с нуля вы собираете три звена сами: распознавание речи, модель и синтез, плюс определение конца реплики и перебивания. На платформе эти звенья настраиваются полями в кабинете, а ваша работа сводится к сценарию, инструкции и базе знаний. Свой код оправдан, когда нужна нестандартная инфраструктура.

Как работают голосовые роботы

Робот слышит речь клиента, распознавание превращает её в текст, модель по инструкции формирует ответ, а синтез речи произносит его голосом. Эта цепочка проходит между репликами, поэтому всё, что её удлиняет, клиент слышит как паузу. Текст разговора остаётся в диалоге.

Можно ли попробовать голосового робота без номера телефона

Да. После включения режима «Голос» в разделе «Инструкция» появляется тестовый звонок: разговор идёт прямо в браузере и стоит 0 ₽. Номер понадобится только для рабочих звонков.

Какие голоса и модели речи доступны роботу

Синтез речи работает на моделях ElevenLabs v4, v3, Turbo v2.5, Multilingual v2 и Yandex SpeechKit. Распознавание речи доступно на Yandex SpeechKit и Deepgram Nova-3. У ElevenLabs v4 есть «Стиль речи»: «Без стиля», «Деловой», «Тёплый» и «Живой».

Сколько стоит голосовой робот

Минута разговора стоит 25 ₽ на тарифе PRO, 20 ₽ на Business и 15 ₽ на Scale. Связь у оператора оплачивается отдельно, а тестовый звонок на вкладке «Голос» бесплатный. От выбора модели синтеза речи цена минуты не меняется.

Антон БесщетниковОснователь и CEO платформы СаввиБолее 100 внедрений ИИ-сотрудников в разных сферах бизнеса. Пишет о том, как устроены ИИ-агенты: инструкции и промпты, голосовые агенты, интеграции с CRM и каналы общения с клиентами.