# ИИ-анализ звонков и встреч: как мы связали записи, расшифровку и задачи
Источник: https://mashakov.ru/keys-ai-analiz-zvonkov-vstrech/
Опубликовано: 2025-10-21. Обновлено: 2026-11-04.
Создали общий сервис для расшифровки записей и выделения договорённостей. Подключили CRM и другие инструменты, предусмотрели локальную обработку.
**Проект под NDA.** Название заказчика и конфиденциальные детали не раскрываются.
Мы разработали ИИ-сервис анализа звонков и встреч, который превращает аудио- и видеозапись в рабочий материал: расшифровку с участниками и таймкодами, содержание разговора, договорённости и задачи. Решение подключается к другим системам через API и помогает использовать информацию из коммуникаций в ежедневных процессах компании.
Проект создавался для агентства недвижимости. Мы связали обработку записей с CRM, аналитической системой и Telegram-ботом, предусмотрели облачный и локальный варианты работы. Наша задача состояла в том, чтобы собрать общий сервис, который можно использовать из разных инструментов и настраивать под содержание конкретных разговоров.
## Бизнес-задача: сохранить контекст после разговора
В звонке клиент рассказывает, что ищет, называет бюджет и ограничения, задаёт вопросы и возражает. Менеджер предлагает варианты, обещает отправить материалы или договориться о следующем контакте. Эти сведения остаются внутри записи, пока сотрудник не переслушает её и не перенесёт заметки в рабочую систему.
При большом количестве коммуникаций руководителю трудно быстро восстановить контекст: о чём договорились, что важно клиенту и какие действия ещё нужны. Обычная транскрибация разговора решает только часть задачи. Поэтому мы объединили распознавание речи, определение говорящих и смысловой анализ в одном процессе. Такая речевая аналитика связывает содержание коммуникаций с задачами сотрудников.
## Что возвращает сервис анализа разговоров
- Расшифровку аудио или видео с разделением по говорящим и таймкодами.
- Роли участников и имена, если они прозвучали в разговоре.
- Основные темы, содержание обсуждения, решения и договорённости.
- Задачи с исполнителями и сроками, когда они обозначены в записи.
- Следующие шаги, открытые вопросы и риски.
Мы предусмотрели настройку анализа под рабочий процесс. Для звонков по недвижимости отдельно выделяются бюджет, район, требования к объекту, возражения клиента и договорённость о показе. Эти сведения помогают восстановить контекст и продолжить взаимодействие с покупателем, не собирая заново всё содержание разговора.
## Этапы реализации сервиса
### Спроектировали единый API и форматы результата
Мы сделали входом файл или ссылку на запись, а результат разделили на два формата. Структурированный JSON подходит для интеграции с CRM и дальнейшей автоматизации. Текстовый разбор доступен по защищённой ссылке и удобен человеку, которому нужно прочитать содержание встречи.
Такой интерфейс позволяет нескольким системам использовать одну обработку записей. CRM, аналитическая платформа и Telegram-бот передают задания в общий сервис. Предусмотрено также подключение ИИ-ассистентов через MCP.
### Собрали последовательную обработку аудио
Мы организовали обработку по этапам: подготовка аудио, распознавание речи, определение говорящих и смысловой разбор. Для подготовки файлов использовали FFmpeg. Разделение этапов позволяет учитывать особенности записи и получать результат, в котором текст связан с участниками и временными отметками.
Для длинных разговоров реализовали разделение по паузам и последующее объединение фрагментов. При сборке результата важно сохранить участников и таймкоды, иначе по итоговому тексту будет трудно вернуться к нужному месту исходной записи.
### Добавили фоновую обработку
Расшифровка длинной встречи занимает время. Мы вынесли задания в фон: клиентская система может отслеживать статус обработки и забрать готовый результат. Это позволяет встроить анализ аудио в рабочий процесс без ожидания в одном продолжительном запросе.
Для эксплуатации предусмотрели очередь заданий, авторизацию и управление хранением результатов. Вместе с API эти компоненты делают обработку записей отдельным сервисом, который обслуживает несколько источников.
### Реализовали облачный и локальный режимы
Оба варианта доступны через одинаковый интерфейс. В облачном режиме используются модели OpenAI. Локальный выполняет распознавание и анализ на собственной машине компании без отправки материалов в OpenAI. Это даёт возможность выбирать инфраструктуру с учётом требований к данным и доступных вычислительных ресурсов.
Для локальной обработки мы использовали GigaAM, Whisper, pyannote и Qwen, включая запуск на Apple Silicon через инструменты MLX. Клиентская интеграция при этом работает с тем же форматом задания и результата.
## Основные сложности и принятые решения
**Связь текста с записью.** Одного краткого пересказа недостаточно, если нужно проверить детали. Мы сохраняем таймкоды и разделение по говорящим, чтобы результат анализа оставался связан с исходным разговором.
**Длинные записи.** При обработке фрагментов важно не потерять последовательность и участников. Мы использовали разделение по паузам и объединение результатов с сохранением временной структуры.
**Разные задачи бизнеса.** В продажах важны потребности и возражения, а во внутренней встрече — решения и поручения. Поэтому состав смыслового анализа настраивается под процесс.
**Неполные сведения в разговоре.** Имя, исполнитель или срок могут не прозвучать. Мы строим результат вокруг информации из записи: такие поля заполняются, когда соответствующие сведения обозначены, а не выводятся из догадок.
## Технологии и интеграции
Сервис построен на Python, FastAPI и FFmpeg. Облачная обработка использует модели OpenAI, локальная — отдельный набор моделей распознавания, определения говорящих и анализа. Развёртывание поддерживает Docker либо systemd и Nginx. Внешние системы взаимодействуют с сервисом через API, а результат может использоваться как человеком, так и следующим этапом автоматизации.
## Результат и использование в рабочих процессах
Мы получили общую основу для автоматизации работы с разговорами, подключённую к нескольким инструментам. В документации проекта за 14–22 октября 2026 года зафиксирована 261 задача, из них 238 поступили от интеграции с CRM. Это показывает использование сервиса в ежедневном процессе обработки коммуникаций.
Результат проекта — переход от отдельного файла с записью к структурированному содержанию, которое можно прочитать, проверить и использовать в других системах. Подход подходит для анализа звонков продаж, клиентского сервиса и внутренних встреч; состав полей и сценарии интеграции определяются задачей компании.
## Как начать внедрение анализа звонков
На [консультации по внедрению ИИ]() можем разобрать ваши записи, требования к данным и процесс работы с результатом. Поможем спроектировать решение для вашей команды или подготовить отдельную интеграцию. Посмотрите также, как мы используем коммуникации в [аналитике рекламного продвижения]().
[Обсудить анализ звонков и встреч для вашего бизнеса]()