AI-HumanVoice от Скорозвона: голосовой робот с ИИ-мышлением и дикторским голосом — x1,4 к конверсии в лидгене

Баланс между гибкостью и органикой: как мы пришли к новому типу голосовых роботов

Если посмотреть на современную голосовую автоматизацию, на рынке долгое время доминировали два противоположных подхода:

• Сценарные роботы звучат естественно, поскольку заранее записываются профессиональным диктором. Стоимость минуты здесь минимальная — нет затрат на LLM-токены и синтез речи. Но обзвон таким роботом ограничен жёсткими рамками скрипта: если клиент задаст нестандартный вопрос, диалог зайдёт в тупик.
• ИИ-роботы, напротив, созданы для гибкого разговора: они генерируют ответы в моменте, опираясь на загруженную в них базу знаний. Однако озвучивание реплик здесь невозможно без TTS-синтеза речи. Даже при самых дорогостоящих решениях человеческое ухо часто распознаёт искусственные интонации, что неизбежно сказывается на конверсии.

Попыткой примирить эти два мира стали гибридные модели. Они ведут клиента по скрипту звонка для робота, а при сложных возражениях точечно подключают LLM. Однако на этих участках гибриды всё так же используют TTS-синтез. Это создаёт не только проблему роботизированного звучания, но и комплаенс-барьер: лучшие модели генерации речи обычно развернуты на зарубежной инфраструктуре.

Мы в Скорозвоне решили подойти к задаче с совершенно другой стороны. Так появился новый тип робота — AI-HumanVoice, сочетающий силу мышления AI с естественным дикторским голосом и подходящий даже для отраслей с жёсткой регуляторикой.

Что такое AI-HumanVoice

AI-HumanVoice — шестой тип голосового робота для обзвона в продуктовой линейке Скорозвона (наряду с автоинформатором, шаблонным, сценарным и гибридным решениями, а также ИИ-роботом). В отличие от гибридов, он не использует синтез речи и полагается на ИИ только в маршрутизации разговора:

• Логика управления диалогом — на стороне ИИ (LLM + RAG по отраслевой базе знаний).
• Озвучка — на основе заранее записанной библиотеки дикторских реплик, собранной из лучших диалогов заказчика.

В разговоре с абонентом ИИ считывает контекст, решает, что произнести, и оркестрирует предзаписанными аудиофайлами, создавая плавный и естественный диалог. В итоге робота практически невозможно отличить от живого оператора — и при этом он остаётся в РФ, не зависит от зарубежных серверов и стоит дешевле LLM-роботов с синтезом.

Как это работает: 4 шага от запроса до реализации

Шаг 1. Сбор датасета. Заказчик передаёт от 50 разнообразных реальных диалогов отдела продаж: успешные, неуспешные, с возражениями, с нестандартными вопросами. Чем больше диалогов — тем точнее и гибче сценарий.

Шаг 2. Анализ и сборка промпта. Промпт-движок Скорозвона анализирует датасет и выделяет:

• самые частотные и эффективные реплики менеджера;
• типовые отработки возражений;
• типовые ветви диалога.

На выходе создаётся финальный промпт для LLM и структура реплик для записи.

Шаг 3. Запись аудиобиблиотеки. Полученный сценарий реплик записывает профессиональный диктор. Получается аудиобиблиотека под конкретный бизнес и целевую аудиторию заказчика. Голос может принадлежать даже реальному сотруднику компании — для аудитории, которой важна узнаваемость.

Шаг 4. Работа в звонке. Абонент произносит реплику → NLU понимает смысловую нагрузку → LLM по промпту определяет интент и выбирает подходящий ответ → робот проигрывает соответствующий дикторский аудиофайл.

Три ключевых преимущества для бизнеса

Голос как у живого менеджера. Конверсия в дозвон и удержание абонента выше: по дикторской озвучке почти невозможно распознать робота. По нашим расчётам, в лидгене прирост конверсии в 1,4 раза.

Дешевле LLM-робота с TTS. Нет токенов на синтез речи, нет GPU-инференса для TTS. Помимо сборки, заказчик платит только за минуты NLU и генерацию логики для выбора реплики. По расчётам Скорозвона, экономия составляет до 50% от стоимости минуты полностью нейросетевого робота.

Отсутствие комплаенс-барьеров. TTS-движки крупных вендоров (ElevenLabs, Google AI Studio и аналоги) работают через зарубежную инфраструктуру. Это стоп-фактор для регулируемых отраслей, таких как банки, страхование, взыскание, медицина, госструктуры. AI-HumanVoice же проигрывает локальные аудиофайлы из хранилища — зависимости от зарубежных серверов в момент звонка нет.

Дополнительные плюсы:

• Модель обучена на реальных успешных диалогах бизнеса — робот говорит так, как говорят лучшие менеджеры компании.
• Задержки в ответах ниже за счёт проигрывания готовых аудио вместо синтеза.
• Можно использовать голос реального сотрудника компании — для аудитории, привыкшей общаться с конкретным менеджером.

Кому подходит AI-HumanVoice

• Компании, где конверсия с TTS-роботом достигла потолка: абоненты сбрасывают, услышав синтезированную речь.
• Сегменты, где клиент чувствителен к качеству голоса: дорогой лидген (продажа премиальных продуктов, B2B-услуги), реактивация спящей базы.
• Регулируемые отрасли с жёстким ограничением на зарубежную инфраструктуру.
• Клиенты, у которых уже есть библиотека успешных диалогов от внутреннего КЦ или телемаркетинга.

Сценарный робот подойдёт лучше, если задача — массовый холодный обзвон с предсказуемым диалогом или рутинное информирование, а в приоритете минимальная стоимость минуты.

Гибридный — когда основной сценарий предсказуем, но в нескольких точках нужна гибкость LLM для отработки сложных возражений.

Голосовой робот с искусственным интеллектом и синтезом речи — если нужен быстрый запуск со сложной логикой, нет измеримой зависимости между ростом конверсии и наличием живого голоса на линии, а также нет бюджетных ограничений на TTS и LLM.

AI-HumanVoice vs другие типы голосовых роботов

Бенчмарк на основе кейсов Скорозвона: исходящий лидген, холодная база. Результат зависит от задачи, отрасли, типа и качества базы.

Подробнее о типах голосовых роботов, представленных в Скорозвоне, читайте на странице.

Как попробовать в числе первых

Если у вас уже накоплена база записей разговоров отдела продаж — AI-HumanVoice собирается под ваш бизнес за 1–3 дня.