Блог · 16 октября 2026 · 4 мин

Расшифровка молчала первые 30 секунд, и живой клиент стал спамом

Распознавание речи теряло начало записи, где играла музыка ожидания, и языковая модель ставила спам по хвосту разговора. Как мы это нашли, что поменяли в распознавании и что теперь видно в карточке звонка.

Звонок длится сорок секунд, и первые десять из них уходят на гудки и музыку ожидания: так было на записи, которую мы 18 июля переслушали от начала до конца. Потом менеджер здоровается, клиент спрашивает, есть ли в наличии одна конкретная позиция, а под конец выясняется, что это направление компания больше не возит, и стороны вежливо прощаются.

В карточке этого звонка стояло «спам», и причина была расписана гладко: звонивший что-то предлагал, ему отказали.

Модель прочитала одно прощание

В расшифровке мы нашли только последние десять секунд разговора: фразу о том, что от этого направления компания отказалась, и «до свидания». Приветствия, названия позиции и самого вопроса клиента там не было вовсе.

Покажите эти две строки любому человеку, и он тоже решит, что кому-то вежливо отказали. Модель разбора честно сделала тот же вывод из того текста, который ей достался.

Куда ушло начало разговора

Модель распознавания, которой мы тогда пользовались, по своему устройству слушает запись окнами по тридцать секунд. В первое окно этого звонка попали десять секунд музыки и двадцать секунд живой речи, и на всё окно модель выдала одну фразу «Продолжение следует…». Её частенько видят под роликами с автоматическими субтитрами: там, где никто не говорит, модель подписывает то, что чаще всего слышала в похожих местах.

Наш фильтр такие заглушки убирает, он её и убрал, и вместе с ней из расшифровки ушла та часть, где клиент объяснял, что ему нужно. Похоже на диктофон, который включили на середине встречи: всё записанное правда, только вопрос остался за кадром.

36 звонков из 1049

В тот же день мы прошли по базе. Из 1049 звонков длиннее 15 секунд у 36 расшифровка начиналась не с начала записи, это 3,4 процента, и двадцать из них, то есть больше половины, получили метку «спам» или итог со словом «отказ».

Повтор, который достраивает начало

Первое решение было самым прямым: если первое окно вернулось заглушкой, от записи отрезаются восемь секунд и модель спрашивают заново, а если не помогло, отрезаются восемнадцать. Мы проверили его 18 июля на восьми живых звонках, и версия, которая заменяла расшифровку результатом повтора полностью, испортила два из них: обрезка сдвигает и все следующие окна, поэтому середина, которая раньше распознавалась чисто, местами пропадала.

Поэтому повтор теперь только дописывает потерянное начало к тексту первого прохода. На тех же восьми звонках шесть получили заметно больше текста, два остались прежними. Хуже не стал ни один, а в одном вместо 27 знаков вернулось 242, и за благодарностью с прощанием мы увидели полную заявку на аренду техники.

Звонок про позицию, с которой всё началось, теперь читается от вопроса клиента до ответа менеджера. 10 августа ту же проверку распространили на всю запись, потому что окно теряется и в середине разговора: дыру длиннее 25 секунд мы ищем в любом месте и переспрашиваем модель именно по ней.

Пометка на карточке

Если повтор возвращает ту же тишину, у звонка в кабинете появляется пометка: «Часть разговора не слышна в записи, поэтому итоги по звонку неполные. Послушайте запись целиком». Руководитель видит её до того, как начнёт опираться на метку, и знает, что этот разбор стоит на неполном тексте.

Если в вашей телефонии перед разговором играет музыка ожидания или голосовое меню, спросите того, кто делает вам расшифровку, что его система делает с первым окном записи, где звучит одна музыка. Мы на этот вопрос теперь отвечаем пометкой на карточке, а показать, как это выглядит на ваших звонках, можем на бесплатном разборе первых 33 записей через anfisa-phone.ru.