Модели ИИ, преобразующие речь в речь, сделали голосовые вызовы достаточно быстрыми и естественными, чтобы телефон, долгое время считавшийся устаревающим каналом, был перестроен в приоритетную линию обслуживания, а не выведен из эксплуатации.
Голосовые агенты человеческого уровня — это системы ИИ, построенные на моделях преобразования речи в речь в реальном времени — архитектурах, которые обрабатывают и генерируют аудио напрямую, без задержки транскрибирования речи в текст и обратно. Результатом является разговор с естественным темпом: прерывания, перекрывающиеся реплики и время отклика, близкое к человеческой задержке.
Это важно, потому что старое поколение голосовых ботов было построено на последовательном конвейере — распознавание речи, затем текстовая модель, затем синтез речи — и каждое соединение в этой цепочке добавляло задержку и лишало тона. Клиенты слышали эти швы. Они слишком четко произносили слова, повторялись и сдавались.
С решением проблем задержки и естественности голос перестает быть каналом, от которого компании отводят людей, и становится каналом, который они могут обеспечить ИИ в масштабе, оставляя человеческих агентов для того, что действительно требует человеческого участия.
Why we think it'll come up
The pipeline collapsed into one model
Speech-to-text-to-speech stacks introduced compounding delay and lost prosody at each conversion step. Native speech-to-speech models process audio directly, cutting turnaround to a pace that feels conversational rather than transactional.
Contact centres are re-platforming around voice, not away from it
Where roadmaps assumed voice volume would keep migrating to chat and self-service, providers are now building AI voice agents as a primary resolution layer for phone queues, not a deflection script that stalls before a human takeover.
Tone recognition is becoming table stakes
Because the model hears actual audio rather than a flattened transcript, it can register hesitation, frustration, or urgency in a caller's voice — information a text-based bot structurally cannot access.
What it changes for customer experience
For customers
Calling a business no longer means a menu-driven bot or a long hold — it means being understood on the first attempt, at any hour, without repeating the account number three times.
For business
Voice, previously the most expensive channel per contact, becomes viable to scale with AI, changing the unit economics of support and outbound service alike.
For CX & operations
Escalation design becomes the differentiator: the value now sits in knowing precisely when to hand a call to a human, not in avoiding the phone altogether.
Industries on the front line
Канал, от которого все отказывались
На протяжении большей части десятилетия телефон был каналом, от которого стратегия клиентского опыта (customer experience) пыталась незаметно отказаться. Каждая дорожная карта указывала в одном направлении: перевести объем на чат, продвигать самообслуживание, рассматривать телефонный звонок как свидетельство того, что цифровое отклонение не удалось. Голосовые боты существовали, но все понимали, чем они являются — меню-ориентированным режимом ожидания, прежде чем человек возьмет трубку. Клиенты слишком четко произносили слова, повторяли номера своих счетов и ждали неизбежной передачи.
Эта траектория изменилась не потому, что вернулся интерес к телефону, а потому, что изменилась технология, лежащая в его основе. Модели ИИ «речь в речь» обрабатывают и генерируют аудио напрямую, без преобразования речи в текст и обратно. Результатом является разговор с естественным темпом — перебиваниями, наложениями реплик, временем ответа, близким к человеческой задержке. Голос больше не является каналом, от которого компании отводят людей. Он становится каналом, который они могут масштабировать с помощью ИИ.
Почему старый конвейер не мог скрыться
Предыдущее поколение голосовых ботов было построено на сшитом конвейере: распознавание речи, затем текстовая модель, затем синтез речи. Каждое соединение в этой цепочке добавляло задержку и лишало тон. Клиенты слышали эти «швы» — паузу перед ответом, сглаженную, невыразительную подачу, которая давала понять, что они разговаривают со скриптом, а не их слушают.
Нативные модели «речь в речь» сворачивают этот конвейер в один. Поскольку модель обрабатывает фактическое аудио, а не сглаженную транскрипцию, она регистрирует колебания, разочарование или срочность в голосе звонящего — информацию, к которой текстовый бот структурно не может получить доступ. Выпуск OpenAI своего Realtime API в октябре 2024 года ознаменовал момент, когда низколатентный, разговорный ИИ «речь в речь» стал доступен непосредственно из аудиовхода, а не через текстового посредника. Это единственное архитектурное изменение отличает бота, которого клиенты терпят, от того, которого они не замечают.
Швы — это то, что на самом деле слышат клиенты. Устраните швы, и канал перестанет сигнализировать о своих собственных ограничениях.
Переход на голосовую связь, а не отказ от нее
Стратегический сдвиг заметен в том, как сейчас строятся контакт-центры. Если раньше дорожные карты предполагали, что объем голосовой связи будет продолжать переходить в чат и самообслуживание, то теперь поставщики перестраивают голосовых ИИ-агентов как основной уровень разрешения для телефонных очередей — а не как скрипт отклонения, разработанный для затягивания времени до тех пор, пока не подключится человек. Это существенно иное проектное задание. Оно означает построение для разрешения, а не для сдерживания.
Это также переворачивает старую экономику. Голосовая связь исторически была самым дорогим каналом на один контакт, именно поэтому ее проектировали на снижение, а не на повышение. С решением проблем задержки и естественности эта структура затрат меняется. Голосовая связь становится жизнеспособной для масштабирования с помощью ИИ, изменяя удельную экономику как входящей поддержки, так и исходящего обслуживания.
Куда на самом деле перемещается ценность
Ничто из этого не устраняет необходимость в человеческих агентах — это перемещает место их ценности. Дифференциатором больше не является то, может ли бизнес избежать телефона. Это то, знает ли бизнес точно, когда передать звонок человеку. Дизайн эскалации становится дисциплиной, которая отличает по-настоящему полезного голосового агента от того, который просто звучит убедительно, пока не перестает.
- Для клиентов: звонок означает быть понятым с первой попытки, в любое время, без повторения номера счета три раза.
- Для бизнеса: канал, долгое время рассматривавшийся как центр затрат, становится чем-то вроде масштабируемой сервисной линии.
- Для CX и операций: конкурентное преимущество заключается в логике передачи, а не в избегании канала.
С чего начать
Разумная точка входа узка, а не всеобъемлюща. Пилотируйте в одном высокообъемном, хорошо прописанном сценарии звонка — запросы по счетам или изменениям встреч являются очевидными кандидатами — с четкой, проверенной передачей человеческим агентам для всего эмоционально заряженного или неоднозначного. Это особенно актуально в телекоммуникациях, банковском и финансовом секторах, страховании, здравоохранении, а также в сфере путешествий и гостеприимства, где объем звонков высок, а стоимость неправильной эскалации влияет как на репутацию, так и на операционную деятельность.
Урок, заложенный в коллапсе конвейера, более широк для дизайна CX: естественность никогда не была приятным дополнением к функции. Это была недостающая функция. Голосовой агент, который быстро решает проблему, но звучит механически, все равно воспринимается как тактика отклонения для человека на другом конце линии. Тот, кто звучит по-человечески и точно знает, когда перестать притворяться, становится тем, кому клиенты действительно захотят позвонить.
Пилотируйте сейчас в одном высоконагруженном, хорошо проработанном сценарии звонков — например, запросы по счетам или изменения записей — с четкой, проверенной передачей живым операторам для всего эмоционально заряженного или неоднозначного.
Trends Radar
Other trends
Build for what's next
Turn this trend into a measurable experience advantage.