Что такое STT и TTS
STT (speech-to-text) переводит речь в текст: записи звонков, встречи, голосовые сообщения. TTS (text-to-speech) решает обратную задачу — озвучивает текст синтезированным голосом. В России технологии доступны у крупных платформ, прежде всего SpeechKit у Яндекса и SaluteSpeech у Сбера; оба сервиса работают по API и позволяют обрабатывать аудио без отправки данных за рубеж. Из этих двух кирпичиков собираются все голосовые продукты: от транскрибации переговоров до автономных телефонных агентов.
Прикладские сценарии
- Голосовой агент: TTS озвучивает ответ, STT слушает клиента; агент подтверждает записи, напоминает о оплате, принимает показания — как это устроено, разбираем в материале «Как работают ИИ-звонки».
- Транскрибация архива: записи разговоров превращаются в текст — по нему работает поиск, контроль скриптов и аналитика.
- Подсказки оператору: разговор распознаётся в реальном времени, ассистент подсказывает ответ по базе знаний.
- Озвучка контента: инструкции, новости, обучающие материалы — синтезированным голосом за секунды.
Форматы и цены
| Формат | Цена | Срок |
|---|---|---|
| Аудит аудиопотока и прототип | от 90 000 ₽ | 3–5 рабочих дней |
| Пилот голосового агента (STT+LLM+TTS) | от 480 000 ₽ | 4–6 недель |
| MVP голосового помощника | от 690 000 ₽ | 2–3 недели |
| Полный речевой контур с контролем | 0,9–1,2 млн ₽ | 4–6 недель |
Ориентиры по стоимости голосовых проектов — в ответе на вопрос «Сколько стоят ИИ-звонки»: пилот от 480 000 ₽ включает распознавание, ответы по вашей базе и запись результата в CRM или 1С. Готовый сценарий для сервисных служб — ИИ-звонки на платформе ВЫШКА.
Обратная сторона синтеза
Технологии TTS общедоступны, и этим пользуются мошенники: синтезированный «голос руководителя» — типичная схема атак на бухгалтерии. Мы закрываем её регламентами верификации и контролем канала — тема разобрана в материале о клонировании голоса и защите. При записи разговоров действует 152-ФЗ: информирование о записи, обезличивание расшифровок, ограничение доступа.
Как стартуем
- Пришлите примеры записей или описание потока звонков — оценим качество распознавания на вашем материале.
- Прототип — расшифровка выборки или демо-звонок агента — покажем в течение пяти рабочих дней.
- Пилот на реальном потоке с метриками: доля успешных диалогов, экономия минут операторов.