Клиенты в мессенджерах охотно наговаривают вопрос вместо того, чтобы печатать: за рулём, с занятыми руками, просто из привычки. Для бота голосовое приходит файлом, а не текстом — и если он не умеет распознавать речь, на каждое такое сообщение он отвечает «не понял».
Разберём, как это работает, сколько занимает и где ошибается.
Почему это важнее, чем кажется #
Доля голосовых заметно выше там, где люди заняты руками: доставка, стройка, автосервис, торговля на выезде. Бот, который не слышит голос, в таких нишах бесполезен ровно наполовину.
Второй момент — впечатление. Ответ «не понял, напишите текстом» звучит как отказ. Человек не будет перепечатывать: он либо позвонит, либо уйдёт.
Как это работает #
Клиент отправляет голосовое. Мессенджер передаёт боту аудиофайл.
Речь превращается в текст. Отдельная система распознавания расшифровывает запись.
Дальше как обычно. Бот ищет ответ в базе знаний и отвечает текстом.
По нашим замерам расшифровка десятисекундного сообщения занимает около пяти секунд, дальше добавляется обычное время ответа. Для клиента это выглядит как небольшая пауза перед ответом — примерно как если бы человек дослушал запись.
Отвечает бот при этом текстом, а не голосом: читать быстрее, чем слушать, и к тексту можно вернуться.
Где распознавание ошибается #
Честный список, потому что от него зависят ожидания.
Шум. Улица, цех, машина на скорости. Разборчивость падает, часть слов теряется.
Специальные термины. Названия моделей, артикулы, редкие имена. Система может услышать похожее слово вместо нужного.
Несколько голосов. Если в записи говорят двое, текст получается сбивчивым.
Очень длинные записи. Монолог на три минуты обычно содержит несколько вопросов сразу, и ответить на все разом сложно.
Практический вывод: если в расшифровке что-то неоднозначно, бот должен уточнить, а не догадываться. Уточняющий вопрос лучше уверенного неверного ответа.
Что с этим делать на практике #
Проверять на своих записях. Возьмите десяток настоящих голосовых от клиентов и посмотрите расшифровки. Сразу видно, справляется ли система с вашей терминологией.
Добавить термины в материалы. Названия моделей и услуг в базе знаний помогают боту правильно понять услышанное.
Не отвечать голосом. Текст удобнее для клиента и не создаёт ощущения робота, притворяющегося человеком.
Оставлять выход на человека. Если разобрать запись не удалось дважды — звать менеджера, а не просить повторить в третий раз.
Сколько стоит #
Цены на 23 августа 2026 года:
| Что | Стоимость |
|---|---|
| Тариф «Старт»: 500 диалогов, один канал и одна база знаний | 7 000 ₽/мес |
| Тариф «Бизнес»: 2 000 диалогов | 15 000 ₽/мес |
| Онбординг под ключ (разово) | от 15 000 ₽ |
| Пакет сверх тарифа: 200 диалогов | 1 500 ₽ |
Распознавание голосовых у нас входит в работу бота и отдельно не тарифицируется. Работает во всех подключённых каналах.
Голосовые и голосовой бот — разные вещи #
Их часто путают, а разница принципиальная.
Бот, понимающий голосовые, работает в переписке: клиент наговорил вопрос, бот ответил текстом. Это дополнение к обычному чату.
Голосовой бот разговаривает по телефону: сам звонит или принимает звонки, отвечает синтезированным голосом. Совсем другая история, с другими сценариями и другой ценой ошибки.
Если клиенты пишут в мессенджеры — вам нужно первое.
Частые вопросы #
Бот отвечает голосом? #
Нет, текстом. Читать быстрее, чем слушать, а к тексту можно вернуться и перечитать условия.
Сколько времени занимает расшифровка? #
Секунды: десятисекундное сообщение расшифровывается примерно за пять секунд. Клиент воспринимает это как обычную паузу перед ответом.
Что если запись неразборчива? #
Бот уточняет или зовёт человека. Догадываться он не должен: неверно понятый вопрос ведёт к неверному ответу.
В каких каналах это работает? #
Во всех подключённых, где клиент может отправить голосовое: Telegram, MAX, ВКонтакте, Авито.
Нужно ли что-то настраивать отдельно? #
Нет. Полезно только добавить в материалы названия ваших моделей и услуг — так система точнее распознаёт специфические слова.
А если клиент говорит на другом языке? #
Распознавание рассчитано на русскую речь. Иноязычные записи разбираются хуже, и в таких случаях правильнее передать разговор человеку.
