Голосовой ИИ на русском языке — на вашем сервере

Вопрос поставлен неверно: у них разные роли. GigaAM-v3 обучена на 700 тыс. часов русской речи и, по заявлению разработчиков, ошибается примерно вдвое реже Whisper-large-v3 — её берут, когда файл уже записан и время на обработку есть. T-one при 70 млн параметров работает потоково и уверенно держит телефонный канал с его сжатием и шумом, поэтому её ставят туда, где ответ нужен по ходу разговора. В проектах они часто живут рядом: одна на линии, вторая на ночном разборе записей. Финальный выбор делается замером на ваших записях, а не по чужим таблицам.

Для разбора записей — да, но отдельный сервер обычно не требуется: файлы становятся в очередь на общий GPU-узел контура и обрабатываются ночью. Потоковое распознавание считается по пиковому часу телефонии, потому что нагрузка растёт с числом одновременных разговоров, а не с их суммарной длительностью. Лёгкие сценарии живут на CPU: короткие команды на складе через Vosk, озвучка уведомлений через Silero. Конфигурацию мы считаем на диагностике по вашему реальному трафику звонков и числу переговорных, а не по усреднённым рекомендациям из документации.

Техническую часть мы закрываем: запись, распознавание и хранение разворачиваются внутри вашего контура, доступ к расшифровкам разграничен по ролям, удаление идёт по расписанию, каждое обращение к архиву журналируется. Юридическая часть остаётся за вами. Собеседника нужно уведомлять о записи, для обработки персональных данных требуется основание, а голос и содержание разговора — это персональные данные. Отдельно оформляется согласие сотрудников на прослушивание их разговоров и определяются сроки хранения. Мы даём инструменты и настройки, но решение о самой записи принимает ваш юрист.

Зависит от того, как записывали. Телефонный разговор обычно приходит двумя отдельными каналами — там разделение почти безошибочное. Совещание, снятое одним микрофоном в комнате, даёт худший результат: перебивания, эхо, несколько голосов одновременно. На таких файлах диаризация путается, и мы это закладываем в постановку: протокол собирается по содержанию решений, а не по формальной привязке каждой фразы к фамилии. Если разделение критично, вопрос решается петличными микрофонами или регламентом «говорим по очереди». Одним софтом эта проблема закрывается лишь частично.

На типовых обращениях — во многом да: в проекте по автоматизации бронирования 92% заявок закрывается без участия оператора. Но это заявки с понятной структурой: проверить доступность, посчитать стоимость, подтвердить. Как только разговор уходит в конфликт, нестандартные условия или эмоции, сценарий обязан передать человека вместе с расшифровкой и историей обращения. Иначе экономия на минуте разговора оборачивается потерей клиента. Мы всегда закладываем порог уверенности и правило эскалации, а полностью безлюдную линию не проектируем — на длинном горизонте она обходится дороже.

Диагностика с замером на ваших записях — несколько дней. Пилот одного сценария укладывается в 2–4 недели: подбор модели, словарь номенклатуры, постобработка, интеграция с телефонией или трекером, замер ошибки до и после. Дальше сценарий расширяется итерациями по 1–2 недели: новые типы обращений, дополнительные поля в учётной системе, новые площадки. Дольше всего в таких проектах идёт не техника, а согласования — регламент записи разговоров и доступы к телефонии на вашей стороне. Об этом стоит договориться до старта, иначе пилот встанет на организационном шаге.