Речевая аналитика: что это и как работает анализ звонков

Речевая аналитика переводит записи разговоров в текст и считает по ним показатели: кто сколько говорил, где молчали, где перебивали, прозвучали ли нужные слова. Здесь собрано, как это описывают сами поставщики, где такие системы ошибаются и что из этого умеет наша расшифровка, а чего не умеет.

Обновлено 13 октября 2026 года. Текст подготовил ООО «ФИИ», источники в конце страницы.

Что такое речевая аналитика

Речевая аналитика это программы, которые разбирают записи разговоров: переводят речь в текст, отмечают, кто говорил, ищут нужные слова и темы и считают показатели разговора. Чаще всего ее применяют к звонкам в колл-центре и в отделе продаж.

Яндекс в документации своей платформы описывает это так: она распознает и анализирует аудиозаписи разговоров, извлекает из них текст, классифицирует обращения и формирует отчеты. Amazon говорит о том же другими словами: анализ звонков нужен, чтобы понять, как проходит разговор оператора с клиентом. У Google в том же ряду стоят поиск тем, ради которых звонят, и контроль качества работы операторов.

Как работает речевая аналитика звонков

Анализ звонков с ИИ складывается из нескольких шагов. Каждый следующий опирается на предыдущий, поэтому ошибка в начале тянется до конца.

Распознавание речи. Запись превращается в текст с метками времени. Современные модели обучают на очень больших объемах: открытую модель Whisper ее авторы обучали на 680 тысячах часов записей.
Разделение по говорящим, или диаризация. Программа отвечает на вопрос «кто говорил когда» и помечает реплики разных людей. Amazon для анализа звонков требует двухканальную запись: оператор в одном канале, клиент в другом. Тогда разделять голоса не нужно, их разделила сама телефония.
Поиск слов и тем. Система ищет в тексте заданные фразы, например обязательное приветствие или предупреждение, и группирует звонки по темам. У Amazon поиск фразы идет по точному совпадению с расшифровкой.
Оценка тона. Каждой реплике или части разговора ставится оценка: положительно, нейтрально, отрицательно. Google выражает ее числом и словесной меткой.
Показатели и отчеты. По меткам времени считаются паузы, перебивания, доля речи каждого участника, а по итогам строятся отчеты по операторам и темам.

Из третьего шага следует простая вещь: если распознавание ошиблось в ключевом слове, точная фраза в тексте не найдется, и звонок не попадет в нужную группу.

Какие показатели считает речевая аналитика

Набор у поставщиков похожий. Ниже то, что описано в документации Amazon и Google.

Тишина. Отрезки, где никто не говорит. Google учитывает паузы длиннее пяти секунд и показывает их долей от всего разговора. Долгая тишина часто означает, что клиента держат на ожидании.
Перебивания. Перебил ли один участник другого посреди фразы. Amazon отмечает, что частые перебивания бывают связаны с раздражением.
Доля речи. Сколько времени говорил каждый. По ней видно, ведет ли разговор один человек или это диалог.
Темп речи. Сколько слов в минуту произносит каждый участник.
Громкость. По ней Amazon предлагает замечать, что кто-то повышает голос.
Тон. Оценка того, как настроен клиент, а у Amazon и оператор.

Тишина и перебивания считаются по времени, а не по словам. Google прямо пишет, что для них не нужна поддержка конкретного языка: они меряют, когда человек замолкает. Зато они зависят от того, насколько верно разделены голоса.

Для анализа звонков менеджера по продажам обычно смотрят на те же величины: доля речи менеджера, перебивания клиента, прозвучали ли обязательные фразы. Пороги у поставщиков разные, поэтому одна и та же запись в двух системах может дать разную долю тишины.

Где речевая аналитика ошибается

Все показатели стоят на распознавании и разделении голосов. Если они ошиблись, отчет будет аккуратным и неверным.

Качество записи. В исследовании точности распознавания на модели Whisper различия в том, как делались записи, заметно влияли на точность. Телефонный канал узкий и сжатый, поэтому звонок распознается хуже записи с микрофона, об этом подробнее на нашей странице про звонки.
Акценты и диалекты. Разработчики Whisper пишут, что модель работает неровно на разных акцентах и диалектах. В том же исследовании разница по диалекту частично уменьшалась дообучением модели.
Додуманный текст. По словам разработчиков, Whisper может выдать текст, которого в записи не было. Для отчета по ключевым словам это опасно: найдется фраза, которую никто не говорил.
Перебивания и одновременная речь. Когда двое говорят разом, разделить их по одной дорожке нельзя. Короткие реплики вроде «да» и «угу» часто приписываются соседу. Обзор соревнования DIHARD III отмечает, что на разговоре двоих разделение по говорящим заметно улучшилось, а на многих других типах записей задача далека от решения.
Тон. У Amazon оценка тона готовая и не настраивается под конкретный бизнес. Google оценивает тон только у клиента.

Отсюда практическое правило: прежде чем доверять отчету, переслушайте десяток звонков, на которых система поставила флажок, и десяток, на которых не поставила.

Можно ли анализировать звонки без отправки записей в облако

Можно, но это вопрос установки, а не настройки. Модель распознавания ставится на свой сервер, и записи никуда не уходят.

Яндекс предлагает SpeechKit Hybrid: те же модели распознавания, работающие внутри инфраструктуры заказчика. Речевая аналитика Яндекса в составе платформы для своего контура лицензируется отдельно.
Открытая модель Whisper распространяется по лицензии Apache 2.0, и локальная нейросеть для транскрибации ставится на свой компьютер или сервер. Нам для большой модели нужна видеокарта NVIDIA с памятью от 5 ГБ. Но это только первый шаг: поиск фраз, показатели и отчеты к ней придется собирать отдельно.

У зарубежных сервисов есть и языковая граница. В таблице языков Amazon Transcribe русский распознается, а анализ звонков для русского не отмечен.

Почему это важно. Запись звонка, где звучат имя, номер договора или телефон, содержит персональные данные: по закону № 152-ФЗ это любая информация о прямо или косвенно определяемом человеке. При сборе таких данных о гражданах России закон не допускает их записи и хранения в базах за пределами России, кроме названных в нем случаев. Это не юридическая консультация, а повод проверить, куда уходят ваши записи.

Что из этого можно сделать нашей расшифровкой

Готового сервиса речевой аналитики у нас нет. Есть расшифровка записей, которая закрывает первые два шага из пяти.

Текст звонка с метками времени. На странице транскрибации звонков загружается готовый файл записи.
Разделение по говорящим. Реплики подписываются как «Говорящий 1» и «Говорящий 2», имен программа не знает. Проверено на синтезированном диалоге трех голосов, на живых звонках не мерилось.
Выгрузка в JSON: фразы и слова со временем начала и конца и говорящими. Из этих данных можно самостоятельно посчитать долю речи каждого участника и паузы. Сами мы такой отчет не делаем, и точность такого подсчета на звонках не мерили.

Про точность. На открытом наборе начитанной речи FLEURS, 775 записей, доля ошибок в словах 4,1 процента. На звонок это число не переносится, а на шумных записях замера у нас нет. Как мерили, сказано на странице про точность.

Чего расшифровка не делает: не определяет эмоции и не оценивает менеджера, не подключается к телефонии, не ищет обязательные фразы, не выделяет решения и поручения. Через сайт можно расшифровать до часа записи в сутки, поток звонков так не разобрать.

Где считается. По странице расшифровки, запись принимает наш сервер в России и в зарубежные облака не уходит. Исходная запись удаляется сразу после расшифровки. Если записи нельзя выпускать из своей сети вообще, модель Whisper можно поставить у себя, своей программы с установщиком у нас нет.

В документации Сибирь.Диалог описан модуль разбора записей разговоров, но работающего разбора на сайте мы не показываем, и замеров его качества нет. Разработку на заказ мы не ведем: ООО «ФИИ» не принимает заказы на разработку по заданию третьих лиц.

Другие разборы

Источники

Страницы открыты 13 октября 2026 года.

Частые вопросы

Что такое речевая аналитика простыми словами

Программы, которые переводят записи разговоров в текст и считают по ним показатели: кто сколько говорил, где были паузы и перебивания, прозвучали ли нужные фразы, какой был тон.

Чем речевая аналитика звонков отличается от расшифровки

Расшифровка дает текст разговора. Речевая аналитика начинается с расшифровки, а потом ищет в тексте фразы и темы, считает паузы и долю речи и строит отчеты по многим звонкам сразу.

Какие показатели считает речевая аналитика

Обычно тишину, перебивания, долю речи каждого участника, темп речи, громкость и тон. Тишина и перебивания считаются по времени, поэтому зависят от того, насколько верно разделены голоса.

Можно ли анализировать звонки без отправки записей в облако

Да, если поставить модель распознавания на свой сервер. Так устроены SpeechKit Hybrid у Яндекса и открытая модель Whisper. Поиск фраз и отчеты к открытой модели придется собирать отдельно.

Есть ли у вас сервис речевой аналитики

Готового сервиса нет. Есть расшифровка звонков с метками времени и разделением по говорящим. Эмоции и оценку менеджера она не определяет.