Enterprise AI CallcenterЛокально

Как работает голосовой робот: весь звонок остаётся на ваших серверах

Звонок поступает через вашего SIP-провайдера или АТС. Дальше всё — распознавание речи, выбор ответа, синтез голоса, записи — происходит в вашей инфраструктуре.

Архитектура

Иллюстрация: Иллюстрация: локальный ИИ-колл-центр — данные остаются в вашей компании ВАША КОМПАНИЯ — ДАННЫЕ НЕ ВЫХОДЯТ ЗА ЕЁ ПРЕДЕЛЫ GPU-сервер AI Fortis распознавание речи · голос · хаб Языковая модель локальная (опционально) SIP-транк / АТС Ваша CRM / ERP Звонящий ваш поставщик (API) Иллюстрация
С вашим поставщиком LLM через API наружу выходит только текст реплик; с локальной LLM — ничего.

Компоненты

Телефонный шлюз

Работает на вашем сервере и подключается к вашему SIP-транку или АТС. Входящие и исходящие звонки, определение занятости, перевод на коллегу.

Распознавание речи

Наше собственное распознавание речи на GPU-сервере, настроенное на телефонный звук и на каждый поставляемый нами язык.

Голос

Наши собственные нейронные голоса, оптимизированные для телефонных разговоров и правильного ударения. Собственный голос для вашего бренда — по запросу.

Управление диалогом

Кто когда говорит, перебивание звонящим, паузы, защита от повторов, раскрытие ИИ и уведомление о записи.

Языковая модель

Формулирует ответы и решает, когда вызвать инструмент. Ваш текущий провайдер через API или полностью локальная модель без интернета.

Диспетчерская

Агенты и версии, кампании, список «не звонить», часы звонков, записи, расшифровки, извлечение данных, клиентские порталы, роли, журнал аудита.

Путь одной реплики — с измеренным временем

Иллюстрация: Иллюстрация: одна реплика звонка с измеренным временем
Звонящий
SIP-шлюз
Распознавание речи
Языковая модель + инструменты
Голос
ответ за 0,14–0,31 с первый звук 136 мс (медиана) конец речи → первый звук 1,4 с (медиана, тестовые звонки) Иллюстрация
  1. Звонящий говорит; аудио поступает по SIP на шлюз на вашем сервере.
  2. Распознавание речи превращает речь в текст, пока звонящий ещё договаривает.
  3. Языковая модель определяет ответ и при необходимости вызывает инструмент (например, проверку баланса в CRM).
  4. Голос синтезирует ответ частями, поэтому первый звук раздаётся раньше, чем готов весь ответ.
  5. Звонок, расшифровка и извлечённые поля сохраняются в хабе; вебхук уведомляет ваши системы.

Время — это лабораторные измерения и измерения тестовых звонков (октябрь 2026). Полное время реплики зависит в основном от выбранной языковой модели.

Что происходит на ваших серверах во время звонка

Звонок попадает на ваш телефонный шлюз через действующий SIP-транк или АТС. Оттуда он идёт в наше собственное распознавание речи, которое превращает слова звонящего в текст внутри вашего здания. Разговорный уровень решает, что делать дальше, с языковой моделью на ваш выбор: ваш действующий провайдер через API, и тогда отправляется только текст реплик, или полностью локальная модель без подключения к интернету.

Если агенту нужны данные, он обращается к вашим системам через HTTP-инструменты, используя только разрешённые вами действия. Ответ затем идёт в наши собственные голосовые модели, которые озвучивают его в звонке. Записи, транскрипты и журналы остаются на ваших серверах, со сроком хранения, который вы задаёте для каждого клиента.

Поскольку каждый шаг выполняется внутри вашей инфраструктуры, ваша служба безопасности может проверить поток данных, сетевые правила и журнал аудита так же, как для любой другой внутренней системы. Ничто в звонке не зависит от облачного сервиса речи, поэтому вы сохраняете контроль и над данными, и над затратами.

Во время пилота мы измеряем эти шаги на вашем собственном оборудовании и с выбранной вами языковой моделью, потому что именно эта модель даёт наибольшую часть задержки. Вы получаете цифры для вашей конфигурации, а ваша команда видит, как агент ведёт себя на реальных звонках, ещё до любого развёртывания. Тот же пульт управления затем показывает живые звонки, кампании, записи и журнал аудита для каждого агента.

Оборудование и мощность

Мы поставляем корпоративные GPU-серверы под ваш объём. Вот что мы измерили на одном из наших лабораторных серверов:

КонфигурацияОдновременные звонкиПервый звук голоса (медиана / p95)
Корпоративный GPU-сервер — стандартный режим50 000+136 / 178 мс
Корпоративный GPU-сервер — режим максимальной точности16p95 156 мс
Сервер только с CPU (небольшие внедрения)697 / 179 мс

Измерено с реальным распознаванием речи на записанной болгарской речи. Рабочие серверы подбираются под ваш объём; больший объём означает больше серверов.

Уровни оборудования — в конфигураторе →

Частые вопросы

Действительно ли всё работает на наших серверах?

Да: наше собственное распознавание речи и голосовые модели, управление диалогом, телефонный шлюз, кампании и записи. Языковую модель выбираете вы: ваш текущий провайдер через API (тогда передаётся только текст реплик) или полностью локальная модель без интернета.

Какое оборудование нужно?

Мы поставляем корпоративные GPU-серверы под ваш объём. Для ориентира: один из наших лабораторных серверов обслуживал 50 000+ одновременных звонков. См. шаг 2 конфигуратора.

Как быстро отвечает агент?

В наших тестовых звонках с облачной языковой моделью медианное время от конца фразы звонящего до первого звука ответа составило 1,4 с; сам голос начинает звучать через 136 мс после того, как готов текст ответа. Наибольшую часть занимает языковая модель, поэтому мы измеряем её с вашим выбором в пилотном проекте.

С какой телефонией это работает?

С любым стандартным SIP-транком или АТС: ваши номера и оператор остаются прежними.

Посмотрите, как это работает на вашем сценарии

Назначьте 20-минутный звонок, послушайте агента или поручите нам создать бесплатного пробного агента для одного из ваших типов звонков. Без обязательств.

  • GDPR с этапа проектирования
  • Работает на ваших собственных серверах
  • Работа и поддержка 24/7
  • Команда из 5 человек в Софии, ЕС

Уже работает в организациях в Болгарии — названия под NDA.

Как мы это доказываем →