Голосовой агент для контакт-центра — это не «модель, которая обзванивает». Это конвейер: распознавание речи, понимание запроса, ответ и синтез — и всё это должно укладываться в задержку, при которой человек не чувствует паузы. На узбекском языке узкое место — именно распознавание: акценты, переключение на русский в середине фразы, банковская терминология.
Что работает из коробки
Базовая модель неплохо берёт чистую студийную речь и стандартные фразы. Для FAQ-сценариев — «остаток по карте», «часы работы», «адрес отделения» — этого почти достаточно. Проблемы начинаются на телефонном канале: сжатый звук, шум, перебивания.
Что пришлось дотягивать
Точность на доменной лексике мы поднимали не сменой модели, а данными: размеченные реальные звонки, словарь терминов, обработка кодовых переключений «узбекский ↔ русский». Отдельно боролись за латентность — стриминговое распознавание вместо ожидания конца фразы убирает самую заметную паузу.
В голосовом AI выигрывает не самая большая модель, а самый короткий и предсказуемый путь от звука до ответа.
Вывод для тех, кто выбирает голосового вендора
Спрашивайте не «какая у вас модель», а «на каких данных она доучена под наш язык и нашу отрасль» и «какая задержка на телефонном канале». Для банков СНГ это и есть два решающих вопроса. Точные цифры по вашему контуру подтверждаются на демо.