Голосовые агенты: как работают и 9 платформ, которые стоит знать в 2025

Что такое голосовой агент

Голосовой агент на базе ИИ — это программная система, способная вести двусторонние, интерактивные беседы в реальном времени по телефону или через интернет (VoIP). В отличие от устаревших IVR-деревьев, голосовые агенты принимают свободную речь, поддерживают прерывания (бардж-ин) и умеют обращаться к внешним инструментам и API (CRM, планировщики, платежные системы), чтобы выполнять задачи целиком.

Ключевой конвейер

Автоматическое распознавание речи (ASR)

ASR преобразует входящий поток аудио в текст. Для естественной смены говорящего требуется потоковое распознавание с частичными гипотезами в пределах примерно 200–300 мс, чтобы система могла вовремя реагировать.

Понимание языка и планирование (LLM + инструменты)

Голосовые агенты поддерживают состояние диалога и извлекают намерения пользователя. Часто модели типа LLM выступают планировщиками: интерпретируют запросы, решают, когда вызывать API или базы данных, и используют RAG при необходимости достать внешние данные.

Синтез речи (TTS)

TTS превращает ответы агента в естественное звучание. Современные системы начинают выдавать первые аудиотокены примерно за 250 мс, поддерживают тональные и эмоциональные вариации и позволяют пользователю прерывать речь.

Транспорт и интеграция с телефонией

Этот слой подключает агента к телефонным сетям (PSTN), VoIP (SIP/WebRTC) и контакт-центрам. Как правило, реализуется поддержка DTMF в качестве резервного варианта для сценариев с повышенными требованиями к соответствию нормативам.

Почему голосовые агенты актуальны именно сейчас

Несколько трендов сделали голосовые агенты жизнеспособными в продакшене:

Качественные ASR и TTS с почти человеческой точностью и натуральным звучанием.
Реальные LLM с задержками в доли секунды, которые могут планировать и генерировать ответы.
Улучшенное определение границ фраз и смены говорящего.

В сумме это обеспечивает более гладкие и естественные разговоры, что стимулирует внедрение голосовых агентов для снижения нагрузки на операторов, работы в нерабочее время и автоматизации процессов.

Чем агенты отличаются от голосовых ассистентов

Голосовые ассистенты чаще дают информационные ответы. Голосовые агенты выполняют действия: переназначают встречи, обновляют CRM, обрабатывают платежи и запускают рабочие процессы через API.

Топ-9 платформ для создания голосовых агентов

OpenAI Voice Agents — низколатентный мультимодальный API для realtime голосовых агентов.
Google Dialogflow CX — мощное управление диалогом с интеграцией Google Cloud и многоканальной телефонией.
Microsoft Copilot Studio — конструктор без/с минимальным кодом для Dynamics, CRM и Microsoft 365.
Amazon Lex — нативная AWS платформа для голосовых и чат-интерфейсов с интеграцией в облачные контакт-центры.
Deepgram Voice AI Platform — единая платформа для стримингового STT, TTS и оркестрации агентов для предприятий.
Voiceflow — совместная платформа для дизайна и эксплуатации голосовых, веб- и чат-агентов.
Vapi — API для разработчиков для сборки, тестирования и деплоя настраиваемых голосовых агентов.
Retell AI — набор инструментов для проектирования, тестирования и внедрения агентов для колл-центров.
VoiceSpin — решение для контакт-центров с входящими/исходящими голосовыми ботами, интеграцией CRM и омниканальной коммуникацией.

Как выбрать платформу

Оценивайте платформы по интеграции с телефонией и CRM, задержкам (нужно ли субсекундное взаимодействие) и операционным возможностям: тестирование, аналитика, соответствие регуляциям. Эти критерии определяют пригодность платформы для вашего стека и требований продакшена.