Голосовой ИИ-бот для бизнеса: из чего он состоит и сколько стоит минута разговора

18 сентября 2026 · 9 мин чтения

Многие считают: голосовой бот — это чат-бот с микрофоном вместо окна ввода. Поставили модель, подключили динамик, готово. На практике между текстом и голосом встаёт два лишних слоя технологии. Каждый добавляет свою цену. И свою точку отказа. Дальше раскладываю голосового бота по слоям, считаю цену минуты разговора и честно говорю, когда весь этот контур не нужен вообще.

Из чего состоит голосовой ИИ-бот

Голосовой диалог не идёт напрямую от уха к модели. Между звонком и ответом стоит цепочка из трёх шагов, и модель — только средний из них.

Сначала движок слушает аудиопоток и распознаёт речь: превращает звук в текст на лету. Дальше текст уходит туда же, куда уходит любое сообщение обычного чат-бота — языковой модели. Она решает, что ответить и какой инструмент вызвать. Последний шаг — синтез: готовый ответ модель озвучивает, и звук слышит собеседник.

К этим трём шагам почти всегда добавляется четвёртый — телефония. Она нужна боту, который принимает телефонные звонки. Провайдер связи доставляет голосовой поток до сервера. Это отдельный контракт и отдельная строка в смете.

Каждый шаг цепочки ведёт отдельный сервис от отдельного поставщика, и у каждого своя задержка. Пока распознавание не закончило слово, модель не может начать думать. Пока модель не досчитала ответ, синтез не может начать говорить. Сложенные вместе, эти паузы и дают ту самую заметную тишину перед ответом бота. Собеседник слышит её как зависание линии.

Где голос выигрывает у текста, а где проигрывает

Голос нужен там, где у собеседника заняты руки или глаза. Он ведёт машину. Стоит у стойки. Разговаривает по телефону, потому что позвонил сам. В этих сценариях печатать неудобно или физически нельзя, и текстовое окно ввода здесь мешает.

Там, где руки свободны, обычно выигрывает текст. Он не требует тишины вокруг, сохраняет историю на экране, и его можно перечитать вместо того, чтобы переспрашивать. Сложный выбор с несколькими параметрами (тариф, конфигурация, список условий) держать в голосе труднее: собеседник не может одновременно смотреть на список и говорить.

Итог простой. Ставьте голос туда, где звонок — единственный привычный канал: входящая линия, куда люди годами набирают номер вместо захода на сайт. Для остального разница в удобстве редко окупает разницу в цене. А голос стоит заметно дороже.

Сколько стоит минута разговора

Текстовый диалог с ботом складывается из трёх частей: системный промпт с базой знаний, история переписки и ответ модели. Я подробно раскладывал это в статье про чат-бота для сайта. Голосовой диалог берёт те же три части и добавляет ещё две: распознавание речи и синтез речи, каждое по своему тарифу поставщика. Если бот принимает звонки, сверху ложится ещё минута телефонии.

Точную цифру в рублях я сознательно не привожу: тарифы на распознавание, синтез и телефонию у разных поставщиков разные и меняются чаще, чем выходит статья. Но порядок понятен уже по числу слоёв. По моей оценке минута голосового разговора обходится в разы дороже минуты текстовой переписки с тем же ботом на той же модели. В тексте просто нет ни распознавания, ни синтеза, ни минуты связи. Прежде чем закладывать голос в бюджет, посчитайте все четыре тарифа на своём объёме звонков. Один тестовый диалог здесь ничего не покажет.

Сравнить эту минуту с часом штатного оператора удобно на реальных числах компании.

Сколько стоит сделать голосового бота

Здесь работает то же деление, что и на рынке текстовых агентов, только дороже на слой телефонии. Готовый конструктор с типовым сценарием обзвона или приёма звонков стоит десятки тысяч рублей и настраивается без разработчика (оценка по рынку). Он хорошо справляется, пока сценарий укладывается в несколько заранее прописанных веток: записать на приём, подтвердить заказ, принять показания счётчика.

Кастомную разработку заказывают, когда бот должен вести содержательный диалог: понимать вопрос своими словами, заглядывать в CRM или 1С, передавать сложный случай человеку с уже готовым контекстом. Это та же вилка, что я разбирал для ИИ-агентов вообще в статье Сколько стоит внедрение ИИ в бизнес: от нескольких сотен тысяч рублей, и цена растёт с числом подключённых систем. Текстовый агент с похожей глубиной сценария у нас стоит от 19 900 ₽ разово. Голосовой контур с телефонией и интеграциями в эту сумму обычно не укладывается: сверху добавляется настройка канала связи и более долгий цикл тестов на живых звонках.

Что реально ломается на практике

Три вещи ломаются чаще остальных, и ни одна не решается выбором более мощной модели.

Задержка. Пока цепочка из трёх сервисов не досчитала ответ, в трубке тишина. Через пару секунд собеседник переспрашивает «алло». Каждый лишний слой добавляет эту паузу. Убрать её целиком нельзя, можно только сократить.

Перебивание. Человек в разговоре часто вставляет слово, пока бот ещё не договорил, или меняет мысль на середине фразы. Текстовый бот такую реплику просто получает следующим сообщением. Голосовому нужно остановиться на полуслове и понять, что собеседник сказал что-то новое. Жаловаться на то, что его перебили, он не умеет.

Шум и акцент. Плохая связь, фоновый шум в цехе или акцент сильно снижают точность распознавания. Ошибка на этом шаге необратима дальше по цепочке: модель отвечает на то, что расслышала. Не на то, что сказал человек. Переспросить у неё нет возможности, если распознавание уже подменило слово.

Персональные данные в голосовом канале

У звонка клиента два следа. Текст, который распознала модель. И аудиозапись с голосом, а часто ещё номер телефона, определившийся автоматически. Если в разговоре звучит имя, адрес или другие данные, запись подпадает под 152-ФЗ так же, как текстовая переписка с теми же полями.

Читайте также: Нейросети для бизнеса: как выбрать модель под задачу и данные

Практический вывод: проверьте до запуска, где физически хранится сама запись звонка. Часть сервисов распознавания речи и телефонии по умолчанию хранит запись разговора. Срок стоит найти в договоре и прочитать заранее.

Когда хватает текстового бота вместо голосового

Если у собеседника есть выбор канала, сначала спросите, чего он ждёт от диалога. Быстрый ответ на типовой вопрос текстовый бот на сайте или в мессенджере закрывает дешевле и без риска, что распознавание не расслышит слово. Разбор трёх уровней такого бота и цены каждого я делал отдельно: Чат-бот для сайта: сколько стоит и когда окупается.

Голос стоит закладывать в бюджет только тогда, когда звонок — привычка аудитории, которую менять дороже, чем содержать голосовой контур. Возрастная аудитория, которая не откроет сайт по своей воле. Служба, куда звонят по инерции годами. Экстренная линия, где печатать просто некогда. Для остальных сценариев я бы сначала проверил текстового бота на реальном потоке обращений. И только потом, если звонки не уходят сами, считал бы вилку под голос.

Частые вопросы