ИИ-ассистент для бизнеса — автоматизация процессов и решений

Подключаем ИИ-ассистента к WhatsApp через WAHA (WhatsApp HTTP API), Telegram и электронной почте. Ассистент отвечает по базе знаний компании, сохраняет переписку в CRM и передаёт менеджеру историю обращения вместе с задачей. Права на отправку, доступ к данным и включение каждого канала настраиваются отдельно.

WAHA устанавливается на вашем сервере и подключает WhatsApp через авторизованную сессию. Это независимый проект, не официальный API Meta: при выборе учитываем ограничения и риск блокировки аккаунта. Для задач, которым нужен официальный канал, рассматриваем WhatsApp Business Platform.

Телефонный голосовой робот подключается отдельно через телефонию. Описанные в WAHA события звонков и отклонение вызова сами по себе не дают потокового голосового разговора.

Голосовой агент может уточнить потребность, ответить по продукту, согласовать следующий шаг и передать заинтересованного клиента менеджеру. Для исходящих, в том числе холодных, звонков заранее согласуем базу контактов, допустимость обращения, время звонка, число попыток и прекращение контакта по просьбе человека. Агент представляется ИИ-ассистентом.

Связываем телефонию, диалог и CRM: один идентификатор звонка, подтверждённый статус соединения, итог разговора и следующая задача. Неоднозначные контакты уточняем, повторные события не создают дубли сделок. Перевод на сотрудника и ошибки соединения обрабатываем как отдельные сценарии.

В LiveKit исходящие звонки на телефонные номера подключаются через SIP-провайдера. Альтернатива для готовой платформы голосовых агентов — ElevenAgents с SIP. Выбор зависит от вашей телефонии, языка общения и требований к данным.

OpenAI Realtime — прямой диалог «голос → голос», работа с контекстом и вызовами инструментов. Подходит, когда важны естественная реакция и возможность перебивать ассистента. Интеграции с CRM выполняются через отдельно разрешённые действия.

ElevenLabs Flash — быстрый синтез речи из текста. Производитель указывает около 75 мс задержки модели; для языков кроме английского рассматриваем Flash v2.5. Это характеристика синтеза, а не обещание паузы в готовом звонке.

Cartesia Sonic — потоковый синтез речи. Для Sonic 3.5 производитель указывает около 90 мс до первого байта аудио. Конкретный голос, язык и скорость на телефонной линии проверяем на сценариях клиента.

Yandex SpeechKit — ещё один вариант синтеза. API v3 принимает текст частями внутри сессии: можно озвучивать ответ по мере генерации. Модель диалога, базу знаний и телефонию подключаем отдельно.

Начинаем с сравнения двух вариантов: прямой голосовой модели и цепочки «распознавание → языковая модель → потоковый синтез». Выбираем по качеству на ваших диалогах, полной задержке, стоимости завершённого обращения и условиям обработки данных. Возможности сервисов сверены с документацией 17 сентября 2026 года; доступность в регионе и условия подключения проверяем перед проектом.

Передаём звук и текст потоком, заранее открываем соединения и начинаем озвучивание с первой законченной фразы. Определение конца реплики учитывает смысл и паузу: робот должен дать человеку договорить. При перебивании останавливаем генерацию и воспроизведение, чтобы устаревший ответ не продолжался поверх клиента.

Для коротких вопросов заранее готовим актуальные сведения о продукте; поиск по базе знаний и обращения в CRM имеют ограниченное время ожидания. Ассистент подтверждает встречу или изменение в CRM только после успешного выполнения действия.

Измеряем паузу от конца реплики клиента до первого слышимого ответа: медиану и 95-й процентиль, а также время остановки при перебивании, ошибки фактов и долю успешно завершённых разговоров. Порог приемки согласуем на пилоте и проверяем на телефонной линии при рабочей нагрузке. Нулевая пауза не гарантируется: на неё влияют сеть, телефония, модель и внешние системы.