Распознавание речи в Staqflow: из записи в заявку и CRM

Голосовое сообщение клиента или запись звонка содержит данные для заявки, сделки и следующего действия. Пока сотрудник слушает аудио и переносит договорённости вручную, обработка задерживается. В Staqflow появился узел «Распознавание речи»: он преобразует файл в текст, который можно классифицировать, структурировать и передать в рабочие системы.

Расшифровка становится частью сквозного процесса

Аудио поступает из бинарного поля: это может быть вложение письма, голосовое сообщение Telegram или запись из хранилища. Поддерживается также прямая ссылка на файл. Результат доступен как сплошной текст, фразы с таймкодами или субтитры SRT и VTT. В зависимости от сервиса можно различать говорящих и задавать подсказки с терминами, фамилиями и названиями.

Следующий узел использует расшифровку для определения темы и срочности обращения, заполнения полей CRM, подготовки конспекта встречи или поиска по архиву разговоров. Польза возникает тогда, когда текст приводит к конкретному действию.

Для коротких и длинных записей доступны разные сервисы

Узел поддерживает девять провайдеров. OpenAI, Groq, Gemini, Mistral и собственный OpenAI-совместимый сервер используют подключения языковых моделей. Deepgram, ElevenLabs Scribe, Yandex SpeechKit и SaluteSpeech подключаются как специализированные речевые сервисы.

Deepgram поддерживает длинные записи и метки говорящих. ElevenLabs Scribe предоставляет в том числе тайминги отдельных слов. Yandex SpeechKit обрабатывает длинное аудио асинхронным заданием; SaluteSpeech предлагает модели для общей речи, колл-центров, медиа и IVR. У всех четырёх специализированных сервисов предусмотрены метки говорящих.

На дату публикации размер файла у OpenAI и Groq ограничен 25 МБ, у Gemini — 20 МБ. Для длинных совещаний стоит выбирать сервис с обработкой задания. Узел самостоятельно отправляет файл, ожидает завершения и возвращает текст; для таких запусков нужно установить достаточный таймаут.

Формат ответа и словарь настраивают под задачу

1. Создайте подключение в пространстве, добавьте узел и выберите провайдера и модель.
2. Укажите бинарное поле или ссылку с аудио.
3. Задайте язык либо используйте его автоматическое определение, если сервис это поддерживает.
4. Выберите текст, таймкоды, SRT или VTT. При необходимости включите метки говорящих.

Термины и имена принимают Deepgram, SaluteSpeech и модели OpenAI. У ElevenLabs отдельного поля для этого нет. Дополнительно можно запросить перевод на английский, задать температуру и включить сырой ответ для диагностики — набор возможностей зависит от сервиса.

Yandex принимает MP3, WAV и OGG, SaluteSpeech — также FLAC. Проверка формата выполняется перед отправкой. Проверка самого подключения доступна не у всех провайдеров: у некоторых даже тестовый запрос уже является оплачиваемой операцией.

Применение в поддержке, продажах и управлении

• Голосовые обращения: Telegram → распознавание → определение темы → заявка в хелпдеске и текстовый ответ клиенту.
• Звонки: запись из телефонии → расшифровка с говорящими → договорённости и следующий шаг в карточке сделки.
• Совещания: длинная запись → текст с таймкодами → конспект, решения и ответственные в чате команды.
• Контроль качества: расшифровка и проверка по чек-листу, спорные звонки — на ручное прослушивание.
• Видеоматериалы: готовый файл SRT или VTT передаётся вместе с роликом.

Для смыслового поиска расшифровки можно преобразовать в эмбеддинги и хранить в векторной базе. Это позволяет искать обращения по теме, даже если участники использовали разные формулировки.

Качество записи и проверка остаются важными

Телефонная запись, шум цеха, фоновая музыка и одновременная речь ухудшают результат. Для колл-центра полезна специализированная модель, для терминов — словарь подсказок. В ответственных сценариях расшифровку следует рассматривать как черновик: спорные фрагменты направлять сотруднику.

Речевые сервисы обычно тарифицируют минуты записи, универсальные модели — токены. Потребление Staqflow учитывается отдельно за работу процесса. Длинные файлы нужно оценивать и по стоимости, и по лимитам выбранного API.

Частые вопросы

Как обработать часовую планёрку?

Используйте специализированный сервис с поддержкой длинных записей и достаточный таймаут. Для Yandex SpeechKit и SaluteSpeech узел сам управляет ожиданием задания.

Можно ли сохранить данные в российском облаке?

В узле доступны Yandex SpeechKit и SaluteSpeech. Выбор остальных шагов workflow и мест хранения также должен соответствовать требованиям компании.

Связанные материалы

• Синтез речи в Staqflow: аудио из текста внутри workflow
• Эмбеддинги в Staqflow: поиск по смыслу и векторные базы
• STAQ.WorkflowAI: визуальный конструктор и ИИ для процессов

Подробнее о возможностях автоматизации — на сайте Staqflow.