Запись разговора сама по себе бесполезна: чтобы её прослушать, нужно столько же времени, сколько шёл звонок. Транскрибация превращает аудио в текст, с которым уже можно работать — искать, считать, сравнивать. Разберём, как это устроено, где технология ошибается и какая точность нужна на самом деле.
Что такое транскрибация звонков
Транскрибация звонков — это автоматический перевод аудиозаписи разговора в текст с разметкой, кто из участников что сказал. Ключевое отличие от простой расшифровки: результат нужен не для чтения человеком, а для машинной обработки — поиска, подсчёта и проверки по правилам.
Практическое следствие простое. Прослушать сто звонков по десять минут — это шестнадцать часов. Прочитать сто транскриптов — около трёх. Прогнать сто транскриптов через набор правил — секунды. Транскрибация не экономит время сама по себе, она открывает доступ к операциям, которые с аудио невозможны в принципе.
Из чего складывается транскрипт
За словом «транскрибация» стоит не одна технология, а цепочка, и каждое звено вносит свою ошибку.
- Распознавание речи (ASR). Аудио превращается в поток слов. Здесь возникают ошибки в терминах, названиях, фамилиях и цифрах.
- Разделение говорящих (диаризация). Определяется, где говорит менеджер, а где клиент. Ошибка на этом шаге переворачивает смысл: возражение клиента может оказаться приписано менеджеру.
- Пунктуация и нормализация. Поток слов режется на предложения, «двадцать пять тысяч» становится числом. Без этого шага текст нечитаем и плохо поддаётся правилам.
- Смысловая разметка. В тексте помечаются сущности и события: названа цена, озвучено возражение, зафиксирована договорённость.
Транскрипт без разделения говорящих и без разметки — это просто много текста. Полезным его делает не точность распознавания, а структура поверх неё.
Какая точность нужна на самом деле
Точность ASR принято измерять через WER — долю неверно распознанных слов. Наши модели дают до 97% на русскоязычных телефонных звонках, и это хорошая цифра, но сам по себе процент почти ничего не решает.
Причина в том, что ошибки распределены неравномерно. Служебные слова распознаются почти безупречно, а страдают ровно те слова, ради которых транскрипт и делается: названия продуктов, фамилии, суммы, сроки. Три процента ошибок, целиком пришедшиеся на цифры, хуже, чем десять процентов, размазанных по союзам.
Поэтому оценивать качество нужно не общим процентом, а на своих данных и по своим сущностям: правильно ли распознаётся ваша номенклатура, ваши тарифы, ваши города. Это первое, что стоит проверить на пилоте.
Что портит распознавание
- Качество линии. Узкополосный кодек телефонии режет частоты сильнее, чем любой шум в помещении. Записи из браузерных звонков распознаются заметно лучше телефонных.
- Перебивания. Когда двое говорят одновременно, диаризация ломается первой. В эмоциональных разговорах — самых интересных для разбора — это происходит чаще всего.
- Своя лексика. Модель не знает, что «эхо» у вас продукт, а не звуковое явление. Лечится словарём терминов, который заводится один раз.
- Тихий собеседник. Если клиент говорит в сторону от трубки, его реплики теряются целиком — и разбор получает только половину разговора.
Зачем это отделу продаж
Текст открывает три вещи, которых нет у аудио. Первое — сплошной охват: разобрать можно все звонки, а не выборку в два-три процента, которую успевает послушать руководитель. Второе — поиск: можно за секунду найти все разговоры, где прозвучало конкретное возражение. Третье — счёт: доля звонков с зафиксированным следующим шагом становится обычной метрикой, которую видно в динамике.
Экономика при этом простая: разбор одного звонка стоит от 5 ₽. Час работы человека, который слушает записи, стоит несравнимо дороже и всё равно покрывает единицы процентов.
Чего транскрибация не делает
Она не заменяет прослушивание там, где важна интонация: сарказм, сомнение и раздражение в тексте видны плохо. Она не восстанавливает то, чего не было в записи, — если телефония пишет только одну сторону, вторую взять неоткуда. И она не отвечает на вопрос «почему», она только даёт материал, на котором этот вопрос можно задать.
Разумный порядок такой: транскрибация даёт сплошную картину и находит аномалии, а руководитель слушает те десять звонков, которые система пометила как важные.