Принцип работы
Как настроить голос и язык для ваших AI-администраторов, чтобы они соответствовали вашему бренду
Ravinaro15 мин чтения
Как настроить голос и язык для ваших AI-администраторов, чтобы они соответствовали вашему бренду
Кастомизация голоса для AI-администраторов — это процесс выбора синтетической голосовой персоны, настройки её акцента и темпа, написания системных промптов, контролирующих словарный запас, и развертывания этого профиля на вашем бизнес-номере, чтобы звонящие слышали единый голос бренда при каждом входящем вызове. При правильном выполнении это превращает обычного бота с синтезом речи в представителя ресепшена, который записывает на встречи, квалифицирует лиды и звучит так, будто работает на вас. В этом руководстве мы рассмотрим выбор персоны, настройку акцента, многоязычную маршрутизацию, тестирование, соответствие требованиям и запуск в работу.
Современные движки TTS для телефонии достигли уровня, когда сам голос редко является узким местом. Согласно данным Deepgram, ведущие потоковые движки TTS теперь обеспечивают время до первого аудио менее 100 мс, а LuMay AI сообщает о средней сквозной задержке диалогового ответа от 500 до 800 миллисекунд. Основная работа заключается в конфигурации: выборе правильного голоса, написании промптов, которые естественно звучат при озвучивании, и тестировании на реальных абонентах. Для более широкого контекста о том, как эти агенты вписываются в вашу воронку продаж, ознакомьтесь с нашим руководством по методам квалификации лидов с помощью ИИ для автоматизации записи на встречи.
Почему кастомизация голоса важна для вашего AI-администратора
Звонящий формирует мнение о вашем бизнесе в первые секунды прослушивания голоса ИИ. Если голос звучит роботизированно, использует неподходящий для региона акцент или говорит на языке, не соответствующем вашей отрасли, абоненты кладут трубку. Индивидуально подобранная голосовая персона, соответствующая тону вашего бренда, повышает комфорт звонящих, удерживает их на линии дольше и напрямую улучшает конверсию в запись на встречи во время квалификации.
Голосовая персона — это полный вокальный имидж, который ваш AI-агент демонстрирует во время звонка. Она объединяет модель голоса TTS, региональный акцент, скорость речи, эмоциональный диапазон и словарный запас, определенный в системном промпте. Представьте это как решение по кастингу плюс режиссерские указания. Стоматологическая клиника может выбрать теплую, эмпатичную персону, которая использует слова «запись» и «чистка». Коммерческая юридическая фирма может выбрать четкую, формальную персону, использующую термины «консультация» и «дело». Одна и та же базовая технология, совершенно разный опыт для звонящего.
500–800 мс Средняя сквозная задержка диалогового ответа для современных голосовых AI-агентов (LuMay AI, 2026)
Рабочий стол администратора с гарнитурой рядом с ноутбуком, на экране которого открыт редактор аудиоволн, и блокнотом с рукописными вариантами приветствий.
Рекомендуемая скорость синтетической речи в зависимости от типа звонящего (слов в минуту)
Стандартный разговорный английский: 150–180 слов/мин Пожилые люди и абоненты с нарушениями слуха: 120–140 слов/мин
Выбор голосовых персон и акцентов, соответствующих вашему бренду
Ваша голосовая персона должна соответствовать эмоциональному регистру, который звонящие ожидают от вашей отрасли. Клиники, психотерапевтические практики и службы ухода за пожилыми выигрывают от теплых, размеренных голосов с высокой эмоциональной вариативностью. B2B-компании, юридические фирмы и финансовые услуги лучше обслуживаются четкими, взвешенными голосами, транслирующими компетентность и конфиденциальность. Службы бытового обслуживания и подрядчики могут использовать непринужденную, энергичную персону, звучащую как диспетчер, готовый помочь.
Выбор акцента зависит от региональной специфики. Если ваши клиенты находятся преимущественно в Техасе, нейтральный американский голос с легким южным произношением вызовет больше доверия, чем британский акцент Received Pronunciation. Microsoft Azure AI Speech предоставляет детализированные модели региональных локалей, включая en-US, en-GB, en-AU и en-IN, что позволяет подобрать акцент под вашу аудиторию, а не ограничиваться общим нейтральным английским. Фонетические лексиконы Azure на основе SSML также позволяют исправить произношение названий улиц, имен основателей и отраслевых терминов, которые стандартная модель читает неправильно.
Четыре поставщика TTS, доминирующие в коммерческом телефонном ИИ в период 2024–2026 годов, используют разные подходы к созданию голосового имиджа. Согласно VoiceRun, Cartesia использует архитектуру Mamba state-space для обеспечения времени до первого аудио менее 100 мс на более чем 40 языках; ElevenLabs предлагает модели Multilingual v2 и v3 на 74 языках с модуляцией акцента через промпты и клонированием голоса; Deepgram Aura специально разработана для низколатентного телефонного диалога; а Microsoft Azure AI Speech предоставляет описанные выше модели региональных локалей.
Процесс выбора персоны
- Определите тон вашего бренда двумя прилагательными Запишите две черты, которые звонящие должны ассоциировать с вашим бизнесом, например, «теплый и успокаивающий» или «эффективный и профессиональный». Каждое последующее решение, от модели голоса до словарного запаса, оценивается по этим двум словам.
- Прослушайте три-пять моделей голоса Используйте библиотеку голосов вашей платформы, чтобы сгенерировать одно и то же тестовое приветствие каждым кандидатом. Оценивайте естественность звучания на телефонном качестве аудио, а не на студийных мониторах. Голос, отлично звучащий в наушниках, может казаться плоским при передаче через телефонный кодек.
- Выберите региональную локаль, соответствующую вашей аудитории Выберите вариант акцента, на котором говорит большинство ваших звонящих. Если вы обслуживаете несколько регионов, запланируйте многоязычную или мультиакцентную маршрутизацию, как описано в разделе ниже.
- Настройте произношение имен и терминов Создайте запись фонетического лексикона для названия вашей компании, имени основателя, местных географических названий и специфических отраслевых терминов. Проверьте каждый из них в тестовом звонке, чтобы убедиться, что движок TTS произносит их правильно.
Настройка стиля речи, темпа и словарного запаса через системные промпты
Системный промпт — это место, где вы контролируете, КАК говорит ИИ, а не только ЧТО он говорит. Системный промпт, написанный для текстового чат-бота, не будет работать в голосовом диалоге, потому что каждый токен увеличивает задержку, устные ответы должны быть лаконичными, а обмен репликами заменяет прокрутку ленты. Как объясняет команда документации Vapi, голосовые промпты требуют принципиально иной структуры по сравнению с чатовыми.
Системный промпт, написанный для текстового чат-бота, не будет работать в голосовом диалоге по трем причинам: Каждый токен увеличивает задержку... Устные ответы должны быть лаконичными... Обмен репликами заменяет прокрутку. Команда документации Vapi
Ваш системный промпт должен явно инструктировать агента относительно длины реплик, темпа, уровня формальности и словарного запаса. Установите краткость реплик, указав агенту ограничивать устный вывод одним-двумя предложениями на один ход диалога. Это сохраняет ощущение реального телефонного разговора, а не монолога, и снижает задержку, которую испытывает звонящий, ожидая ответа.
Параметры выполнения, управляющие речевым поведением
Помимо системного промпта, ваша платформа предоставляет параметры выполнения, которые точно настраивают производительность голосовой модели. Согласно документации по настройкам агентов Retell AI и руководству Vapi по температуре LLM, ключевыми параметрами являются:
- Температура LLM от 0.2 до 0.4 для детерминированных задач, таких как планирование и соблюдение требований, или от 0.5 до 0.7 для естественного брендированного общения, где допустима небольшая вариативность.
- Скорость речи, обычно калиброванная между 0.85x и 1.1x стандартной скорости. Более медленные темпы подходят для пожилых звонящих; более быстрые — для линий с большим потоком обращений.
- Параметры стабильности и сходства, которые в ElevenLabs управляют эмоциональной вариативностью. Более низкая стабильность допускает большую выразительность; более высокая стабильность предотвращает неожиданные изменения тональности голоса.
- ID голоса, который определяет конкретный синтетический образ, назначенный агенту.
Лексические адаптации под бренд по отраслям Отрасль Нежелательные формулировки Рекомендуемые формулировки Стоматологическая клиника «слот» «запись на приём» Юридическая фирма «встреча» «консультация» Управление недвижимостью «место» «объект» или «квартира» Бытовые услуги «работа» «выезд мастера» Медицинская практика «осмотр» (checkup) «профилактический осмотр» или «визит» Финансовое консультирование «чат» «обзор» или «беседа»
Включите в промпт конкретные инструкции для приветствия и завершения разговора. Например: «Поздоровайтесь со звонящим словами: "Доброе утро, спасибо за звонок в [Название компании], меня зовут [Имя агента], чем я могу вам помочь?"». То же самое сделайте для фраз завершения, ожидания на линии и переключения на другого специалиста. Именно последовательность в этих мелочах заставляет агента восприниматься как обученный администратор, а не как чат-бот, читающий скрипт. Подробнее о проектировании таких диалоговых сценариев читайте в нашем руководстве по AI-дизайну диалогов для администраторов малого бизнеса.
Аутентичная настройка многоязычной голосовой поддержки
Настройка многоязычного AI-администратора требует назначения отдельной голосовой модели с естественным звучанием для каждого поддерживаемого языка, а не использования одной переведённой голоса. Единая модель, переводящая с английского на испанский, арабский или французский, выдаёт плоский, акцентированный звук, который носители языка сразу распознают как синтетический. Назначение нативной голосовой модели для каждого языка гарантирует, что звонящие услышат естественный акцент на предпочитаемом ими языке, что вызывает доверие и удерживает их на линии.
Сравнение очевидно. Одна переведённая голосовая модель использует один голосовой образ для всех языков, обеспечивая стабильный тембр, но неестественное произношение и интонацию. Использование нативных моделей для каждого языка даёт разные голосовые образы для каждого языка, но каждый из них звучит как речь носителя с правильным ритмом и интонацией. Для компаний, обслуживающих мультиязычные сообщества, второй подход стоит дополнительных усилий по настройке. Более глубокий анализ стратегических преимуществ представлен в нашей статье о выборе автоматизированных решений многоязычной поддержки для малого бизнеса.
Одна переведённая модель против нативных моделей для каждого языка Параметр Одна переведённая модель Нативные модели для каждого языка Голосовой образ во всех языках Один единый голос Разный голос для каждого языка Акцент и просодия Плоский, не носитель Естественное произношение и ритм Восприятие звонящими Ощущается как синтетика Звучит естественно и локально Затраты на настройку Ниже, одна конфигурация Выше, по модели на язык Рекомендуется для Внутренних или малозначимых звонков Приём входящих обращений клиентов
Современные унифицированные многоязычные модели снижают техническую нагрузку при поддержке нескольких языков. Ведущие архитектуры TTS теперь поддерживают до 74 языков в рамках одной модели, согласно данным Cekura. Унифицированные модели, такие как Cartesia Sonic и ElevenLabs Multilingual, сохраняют одно активное WebSocket-соединение, что позволяет переключать язык прямо во время звонка без остановки и повторной инициализации движка TTS.
Динамическое переключение языка во время звонка всё ещё имеет цену, если архитектура вашего пайплайна не унифицирована. Когда звонящий меняет язык в середине разговора, автоматическое определение языка требует буфера аудио выборки от 150 до 300 мс перед началом транскрипции. Если платформа затем переключается между различными одноязычными движками TTS, остановка и повторная инициализация сокета могут добавить от 200 до 500 мс задержки, увеличивая общую задержку ответа до 900–1500 мс. Унифицированные модели избегают этой проблемы, сохраняя соединение активным между языками.
Инструменты и рабочие процессы для тестирования и улучшения голосового вывода
Перед запуском проведите тестовые звонки и A/B-тесты, чтобы выявить тональные несоответствия, которые системный промпт не выявил. Стандартная практика использует маршрутизацию SIP или программируемых операторов через платформы вроде Twilio или Telnyx для распределения входящих звонков 50/50 между разными персонами агентов. Можно протестировать формальный тон против дружелюбного, два региональных акцента или разные скорости речи.
KPI, показывающие эффективность кастомизации голоса, — это процент сбросов вызова в первые 5 секунд, общий процент отказов, коэффициент решения вопроса при первом обращении (containment rate), среднее время обработки звонка и конверсия в целевое действие, например, запись на приём. Высокий процент сбросов в первые 5 секунд означает, что звонящим не нравится то, что они слышат в начале разговора. Низкий коэффициент решения вопроса при высоком проценте отказов говорит о том, что голос или лексика создают трение в процессе квалификации лида. Более широкий фреймворк для оценки этих показателей представлен в нашем руководстве по ключевым метрикам эффективности AI-агентов для сервисных служб малого бизнеса.
Что отслеживать при тестировании голоса
- Процент сбросов в первые 5 секунд как сигнал немедленного отторжения голоса или акцента
- Коэффициент удержания звонка (containment rate) как мера того, поддерживает ли голосовая персона весь разговор
- Конверсия в запись на приём как итоговый метрика успеха
- Аудит транскриптов на предмет тональных несоответствий, например, чрезмерно неформальных выражений в медицинском контексте
Что исправить перед запуском
- Неправильное произношение названий компаний, имён сотрудников или местных географических объектов в фонетическом словаре
- Реплики длиннее двух предложений, вызывающие ожидание у звонящего
- Лексика, конфликтующая с регистром бренда, например, слово «слот» в юридической фирме
- Дисклеймеры, звучащие роботизированно или прерывающие естественный ход приветствия
Калибровка после запуска происходит в течение первых 30 дней и включает аудит транскриптов, настройку порога перебивания (barge-in) и периодическое обслуживание промптов. Прочитайте все транскрипты, где звонящий положил трубку в середине разговора. Паттерны проявляются быстро: агент использовал слово, которое звонящие не поняли, темп был слишком быстрым для данной демографии, или дисклеймер спровоцировал сброс вызова. Итерируйте системный промпт на основе найденного, разверните заново и снова замерьте показатели.
Соображения комплаенса и доступности для голосовых агентов
Ваш кастомизированный голос должен соответствовать двум категориям требований: стандартам доступности для звонящих с нарушениями слуха или когнитивными особенностями, и юридическим требованиям к раскрытию информации, которые варьируются в зависимости от юрисдикции. Оба аспекта обязательны, и оба можно интегрировать в голосовой профиль, не нарушая брендовый опыт.
Стандарты доступности
Стандартный разговорный английский звучит со скоростью 150–180 слов в минуту. Для пожилых звонящих и людей с нарушениями слуховой обработки понимание резко падает, когда скорость синтетической речи превышает 150 слов в минуту. Согласно рекомендациям W3C по когнитивной доступности, воспроизведение синтетической речи со скоростью 120–140 слов в минуту (примерно 0,85x–0,9x стандартной скорости TTS) значительно снижает когнитивную нагрузку и улучшает понимание по телефону, не вызывая нетерпения. Если ваша база звонящих смещена в сторону старшей возрастной группы, установите параметр скорости речи на 0,85x или 0,9x по умолчанию.
Требования к раскрытию информации об AI в разных юрисдикциях
Раскрытие информации об использовании AI-голоса теперь законодательно требуется в ЕС, на федеральном уровне в США и в ряде отдельных штатов. Согласно Статье 50(1) Закона ЕС об искусственном интеллекте, вступающему в силу 2 августа 2026 года, деплойеры должны гарантировать, что звонящие информированы о том, что общаются с AI, если это не очевидно из контекста. Штрафы за нарушение обязательств по прозрачности согласно Статье 50 могут быть значительными.
Поставщики должны обеспечивать, чтобы системы ИИ, предназначенные для прямого взаимодействия с физическими лицами, проектировались и разрабатывались таким образом, чтобы соответствующие физические лица были проинформированы о том, что они взаимодействуют с системой ИИ, если это не очевидно с точки зрения разумно информированного, наблюдательного и рассудительного физического лица. Европейский парламент и Совет Европейского союза
В США ФКР в феврале 2024 года вынес Декларативное решение (FCC 24-17), классифицировав голоса, созданные ИИ, как «синтетические или заранее записанные голоса» в соответствии с TCPA, что требует раскрытия данных звонящего и наличия механизмов отказа от подписки. ФКР заявила об этом прямо:
Мы подтверждаем, что ограничения TCPA на использование «синтетического или заранее записанного голоса» распространяются на современные технологии ИИ, генерирующие человеческие голоса. Следовательно, звонки с использованием таких технологий подпадают под действие TCPA и правил реализации Комиссии. Федеральная комиссия по связи
Законодательство штатов добавляет дополнительные требования. Закон Калифорнии AB 2905, вступивший в силу 1 января 2025 года, требует раскрытия информации при использовании автоматизированных звонков с генерацией голоса ИИ. Закон Юты об ИИ, вступивший в силу 1 мая 2024 года, требует раскрытия информации в регулируемых профессиях и по запросу. Закон Мэна 10 M.R.S. § 1500-DD, вступивший в силу 24 сентября 2025 года, регулирует раскрытие информации голосовыми чат-ботами на базе ИИ. Для получения контрольного списка по соблюдению требований к раскрытию информации для разработчиков см. чек-лист для разработчиков по соблюдению требований к раскрытию информации голосовых агентов ИИ. Более подробный анализ представлен в нашей статье о том, обязан ли агент ИИ сообщать, что он является искусственным интеллектом.
- Февраль 2024 г.: ФКР принимает Декларативное решение FCC 24-17, классифицирующее голоса, созданные ИИ, в рамках TCPA
- Май 2024 г.: Вступает в силу Закон Юты об ИИ, требующий раскрытия информации в регулируемых профессиях
- Январь 2025 г.: Вступает в силу закон Калифорнии AB 2905, обязывающий раскрывать информацию об использовании голоса ИИ в автоматизированных звонках
- Сентябрь 2025 г.: Вступает в силу закон Мэна 10 M.R.S. § 1500-DD, регулирующий раскрытие информации голосовыми системами ИИ
- Август 2026 г.: Обязательства по прозрачности согласно Статье 50 Закона ЕС об ИИ становятся юридически обязательными
Интегрируйте уведомление о статусе ИИ в приветствие естественным образом, а не добавляйте его отдельным утверждением. Например: «Доброе утро, спасибо за звонок в [Название компании], с вами общается наш ассистент на базе ИИ, [Имя агента]. Чем я могу вам помочь?» Это удовлетворяет требованиям к раскрытию информации, не нарушая разговорную динамику. Если вы записываете звонки, вы также должны соблюдать законы о двустороннем согласии в таких штатах, как Калифорния, Флорида и Пенсильвания. Подробности по конкретным штатам см. в нашем руководстве по закону о записи звонков во Флориде и телефонным агентам на базе ИИ.
Развертывание вашего настроенного агента ИИ на вашем существующем номере
После финализации профиля голоса разверните его на вашем текущем бизнес-номере. Есть два варианта: немедленная переадресация вызовов или официальный перенос номера. Немедленная переадресация использует условные коды, такие как *71 или *004 для маршрутизации при занятости или отсутствии ответа, либо *72 для безусловной переадресации, чтобы направлять вызовы на DID-номер агента ИИ в течение нескольких минут, сохраняя при этом вашего текущего оператора связи. Это самый быстрый способ запустить систему.
Полная локальная портируемость номеров полностью переносит номер на VoIP-оператора. Простые переносы занимают от 1 до 4 рабочих дней согласно правилам ФКР. Сложные переносы бизнес-стационарных линий занимают от 7 до 14 рабочих дней, а иногда растягиваются до 2–4 недель. Для переноса требуются письмо-уполномочие (Letter of Authorization) и запись обслуживания клиента (Customer Service Record) от вашего текущего оператора. Если вы также хотите отправлять SMS-сообщения через агента ИИ, регистрация US A2P 10DLC добавит еще 2–4 недели. Полный разбор сроков см. в статье о том, сколько времени требуется для запуска ресепшн-бота на базе ИИ.
Готовые конвейеры развертывания структурируют работу в пять этапов: создание базы знаний и определение тональности общения, прослушивание голосовых персонажей и составление словаря произношения, интеграция телефонии SIP или переадресации вызовов, синтетическое моделирование и стресс-тестирование граничных случаев, а также постзапусковая калибровка в первые 30 дней. Типичный срок полного цикла запуска от подписания договора до приема реальных звонков составляет около 10 дней для стандартного развертывания с переадресацией; дольше, если задействован перенос номера или регистрация A2P. Для компаний, которым также нужно покрытие WhatsApp, профиль голоса ИИ можно подключить вместе с текстовым агентом. См. наше пошаговое руководство по интеграции ИИ с WhatsApp для автоматизации малого бизнеса.
Настройка голоса — это не разовая задача. Системные подсказки дрейфуют по мере добавления услуг, изменения часов работы или обновления цен. Звонящие сталкиваются с новыми граничными случаями, которые исходная подсказка не предвидела. План поддержки, включающий периодический аудит транскриптов, обновление подсказок и обслуживание словаря произношения, позволяет со временем поддерживать качество вывода голоса. Подробнее о важности этого читайте в нашей статье о том, что такое план поддержки и почему он не является опциональным. После запуска агента следующим шагом будет настройка A/B-тестирования для ваших первых двух голосовых персонажей и начало 30-дневного окна калибровки с еженедельным просмотром транскриптов.
Автор Ravinaro
Мы создаём ИИ-администраторов, агентов для WhatsApp и системы автоматизации записи для малого бизнеса. Если эта статья вызвала у вас вопросы о вашей системе, короткий звонок поможет найти ответ быстрее, чем поиск.
Читать дальше
