2026 жылға қарай бизнеске арналған дауыстық технологиялардың қазақстандық нарығы 12 миллиард теңгеге жетті — және сұраныс өсуін жалғастыруда. Жергілікті зерттеулердің деректері бойынша, қазақстандықтардың 67%-ы мәселелерін әлі де чат арқылы емес, телефон арқылы шешуді жөн көреді. Сонымен қатар Voice AI жаһандық нарығы 2025 жылы 9,4 миллиард долларға бағаланады және жылына 28,5% қарқынмен өсуде. Заманауи сөйлеуді тану модельдері таза аудиода 95% және одан жоғары дәлдікке жетеді, ал нақты іскерлік келіссөздерде — шамамен 90%. Қазақстандағы AI-стартаптарға салынған венчурлық инвестициялар көлемі 2023 жылғы 14 миллион доллардан 2025 жылы 73 миллионға дейін өсті. Бұл көрсеткіштер технологияны жай көрсетілім үшін емес, іс жүзінде қолдануға жарамды етеді.
West Star Ltd тәжірибесінде біз дауыстық технологиялар нақты операциялық міндеттерді шешкен бірнеше жобаны іске асырдық: кейінгі талдау үшін қоңырауларды мәтінге айналдыру, клиенттерге автоматты хабарламалар, кіріс өтініштерді дауыстық бот арқылы алдын ала өңдеу. Әр жағдайда технология басында күткеннен басқаша жұмыс істеді — дәл осы тәжірибемізбен бөліскіміз келеді.
ЕКІ БАҒЫТ — ЕКЕУІ ДЕ МАҢЫЗДЫ
«Дауыстан мәтінге» дегенде автоматты транскрипция меңзеледі: келіссөздер, қоңыраулар, кеңестер немесе дауыстық хабарламалар талдауға, сақтауға және іздеуге болатын мәтінге айналады. Кері бағыт — «мәтіннен дауысқа», яғни сөйлеу синтезі: жүйе клиенттерге хабарламаларды, жауаптарды, нұсқаулықтарды дауыстап оқиды.
Іс жүзінде екі бағыт жиі бір сценарийде үйлеседі. Клиент қоңырау шалады — жүйе оның сұрағын танып (STT), білім базасына жүгінеді, жауап құрастырып, оны дауыспен оқиды (TTS). Немесе менеджер кездесу өткізді — жүйе жазбаны мәтінге айналдырып, негізгі сәттерді бөліп алды да, оларды CRM-ге қосты. Екі жағдайда да автоматтандыру тізбегі машинаның адамды «естуінен» немесе онымен «сөйлесуінен» басталады.
Бұл бір технология емес екенін түсіну маңызды. STT және TTS — құралдары, күрделілігі және шектеулері әртүрлі бөлек міндеттер. Оларды бір «дауыстық автоматтандыруға» араластыру — жобаны қате бағалауға әкелетін бірінші қателік.
ҚОҢЫРАУЛАРДЫ МӘТІНГЕ АЙНАЛДЫРУ: БҰЛ НЕ ҮШІН ҚАЖЕТ
Ең кең таралған қолдану — кіріс және шығыс қоңырауларды транскрипциялау. Біздің бақылауымызша, қоңырауларды жазып алатын компаниялардың көпшілігі оларды ешқашан тыңдамайды: жай ғана уақыт жетпейді. 500 қоңырауды қолмен талдау супервайзердің шамамен 41 сағат жұмысын алады. Сөйлеу аналитикасын енгізгеннен кейін дәл сондай көлем есептерді қарау режимінде 15–20 минутта талданады.
Мәтінді оқу аудионы тыңдаудан 5–8 есе жылдам — бұл күніне 200 қоңырау болғанда шешуші мәнге ие болатын қарапайым факт. Транскрипция бірнеше мүмкіндік ашады:
— мазмұны бойынша іздеу (өткен аптада клиент жеткізу туралы не айтты)
— сапаны бақылау: менеджер скриптті ұстанды ма, бағаны дұрыс айтты ма
— әңгіме қорытындысы бойынша CRM-дегі карточканы автоматты толтыру
— аналитика: қандай қарсылықтар жиі кездеседі, қандай сұрақтар қайталанады
— бұзушылықтарды анықтау: әдепсіз сөздер, регламенттен ауытқу, орындалмаған уәделер
McKinsey зерттеуі дұрыс құрылған сөйлеу аналитикасы клиенттердің қанағаттануын 10%-ға арттырып, операциялық шығыстарды 20–30%-ға азайтатынын көрсетеді. Ұқсас нәтижені ресейлік банк секторының деректері де растайды: ең ірі банктердің бірі сөйлеу аналитикасын 5000 қызметкерге енгізгенде 138 миллион рубль үнемдегенін құжатпен тіркеді. Бұл көрсеткіштерге қол жеткізуге болады, бірақ өздігінен емес — нақты нені талдау керектігін және оған қалай әрекет ету керектігін түсіну қажет.
Telegram және WhatsApp-тағы дауыстық хабарламалар — бөлек әңгіме. Іскерлік қарым-қатынас мессенджерлерге көбірек ауысуда, ал дауыстық хабарламалар қалыпты жағдайға айналды. Мәселе мынада: оларды іздеу қиын, ботқа беру мүмкін емес және ресми құжат айналымына қосу күрделі. Дауыстық хабарламаларды бот өңдемес бұрын автоматты түрде мәтінге айналдыру — ең құнды әрі бағасы толық танылмаған сценарийлердің бірі: клиент дауыспен сөйлейді, жүйе мәтінге аударады, бот жауап береді немесе өтінішті тиісті бағытқа жібереді.
СӨЙЛЕУ СИНТЕЗІ: ОЛ ҚАЙДА ҚАЖЕТ
Кері міндет — жүйені сөйлету — оңайырақ және тезірек шешіледі. TTS технологиялары қазір жеткілікті жетілген: дауыстар табиғи естіледі, орыс және қазақ тілдерін қолдайды, интонацияны баптауға болады. Қысқа фразаны генерациялау кідірісі заманауи API-лердің көбінде бір секундтан аз.
Шын мәнінде жұмыс істейтін практикалық қолданулар:
— Дауыстық хабарламалар: «Тапсырысыңыз дайын, курьерді 14-тен 18-ге дейін күтіңіз». SMS-тен арзанырақ әрі жылдамырақ, тірі операторды қажет етпейді.
— IVR мәзірі: классика, бірақ енді жүйе пернелерді басуды ғана емес, айтылған сөздерді де түсіне алады — «"төлем" деп айтыңыз немесе 2-ні басыңыз».
— Бастапқы өңдеуге арналған дауыстық боттар: клиент тапсырыс нөмірін немесе өтініштің мәнін айтады, жүйе сұрауды тиісті бағытқа жібереді.
— Еске салулар мен растаулар: базаға қоңырау шалып, кездесулер туралы еске салу, қысқа дауыстық сауалнамамен кері байланыс жинау.
Мұнда міндетті дұрыс қою маңызды. «Кез келген сұраққа жауап беруі» тиіс дауыстық бот — күрделі әрі қымбат жоба. Тапсырыс нөмірін жинап, қажетті бөлімге қосатын дауыстық бот — 2–3 аптаға арналған шынайы жоба. Күрделіліктегі айырма — түбегейлі.
ТЕХНОЛОГИЯЛАР: НЕНІ ҚОЛДАНУ КЕРЕК
Транскрипция үшін 2025–2026 жылдары практикалық стандарт қалыптасты. OpenAI әзірлеген Whisper — ашық кодты ең қолжетімді әрі дәл модельдердің бірі. Whisper 99 тілді қолдайды. LibriSpeech тесті бойынша таза аудиода ол шамамен 2,7% қате сөз (WER) көрсетеді. Нақты іскерлік келіссөздерде бұл көрсеткіш 8–12%-ға дейін өседі. Орыс тілі үшін қосымша оқытылған нұсқалар бар: солардың бірі Common Voice бейінді деректерінде қосымша оқытудан кейін WER-ді ~9,8%-дан ~6,4%-ға дейін төмендетті.
2025 жылғы наурызда OpenAI GPT-4o-transcribe және GPT-4o-mini-transcribe шығарды — бұлар коды жария етілмеген, Whisper-дің дәлірек ізбасарлары ретінде жарияланған API-шешімдер. Орыс тілі бойынша жария бенчмарктар әзірге жоқ, бірақ алғашқы тесттер акцентті сөйлеуде және шулы жазбаларда жақсару бар екенін көрсетеді.
Орыс тіліндегі сөйлеу синтезі үшін бірнеше жетілген сервис жұмыс істейді: ресейлік (SaluteSpeech, Yandex SpeechKit) және халықаралық (Google TTS, Microsoft Azure TTS, ElevenLabs). Таңдауды үш фактор анықтайды: кідіріске қойылатын талаптар (нақты уақыт немесе пакеттік режим), бір символдың немесе минуттың құны және деректерді оқшаулау мәселесі — клиенттермен сөйлесулердің аудиосы қайда кетеді.
Бөлек санат — кешенді дауыстық шешімдерге арналған бұлттық платформалар: Deepgram, AssemblyAI, AWS Transcribe. Олар жылдам бастау үшін ыңғайлы, бірақ көлем өскен сайын құны да сызықтық түрде өседі. Өз серверіңізде немесе VPS-те орналастырылған (self-hosted) Whisper — күніне 5–10 сағат аудио көлемінен бастап үнемдірек нұсқа.
ЖҰМЫС ПРОЦЕСТЕРІНЕ ИНТЕГРАЦИЯЛАУ
Технологияның өзі — өнім емес. Құндылық танылған мәтін адамдар немесе басқа жүйелер онымен жұмыс істейтін жерге түскенде пайда болады.
Нақты жобаларда біз байқап жүрген жұмыс істейтін интеграциялар:
— CRM (amoCRM, Битрикс24, 1С): қоңырау қорытындыларын автоматты жазу, негізгі уағдаластықтарды бөліп алу, менеджерге тапсырмалар қою, клиентті өтініш тақырыбы бойынша тегтеу.
— Мессенджерлер: Telegram және WhatsApp-тағы дауыстық хабарламаларды бот өңдемес бұрын мәтінге айналдыру — клиент сөйлейді, бот мәтін алады.
— HR және онбординг: формаларды толтыру кезінде деректерді дауыспен енгізу, демалысқа немесе іссапарға дауыстық өтінімдер.
— Ішкі кеңестер: транскрипция, жауаптыларымен бірге тапсырмаларды бөліп алу, хаттаманы қатысушыларға автоматты түрде тарату.
Енгізу кезіндегі ең жиі қателік — ең күрделі міндеттен бастау. Егер компания бірден «еркін сұрақтарды түсінетін толыққанды дауыстық бот» алғысы келсе, жоба жарты жылға созылады, бюджет екі есе өседі, үміт ақталмайды. Қолдағы бар қоңырау жазбаларын мәтінге айналдырудан бастаған дұрыс: бұл 2–4 аптада жылдам нәтиже береді және келесі қадамдар үшін деректер жинауға мүмкіндік береді.
ШЕКТЕУЛЕР МЕН ӘЛСІЗ ТҰСТАР
Бұл технологиялар туралы адал әңгіме нақты проблемаларды атамай мүмкін емес.
— Акцент және аудио сапасы. Орыс тіліндегі қазақ акценті, кеңседегі фондық шу, сапасыз гарнитура — мұның бәрі тану дәлдігін күрт төмендетеді. Жарияланған 95% — таза студиялық аудиоға қатысты. Нақты колл-орталықта бұл көрсеткіш көбіне 75–80% болады.
— Бір әңгімедегі көптілділік. Код-свитчинг — сөйлемнің ортасында орыс тілінен қазақ тіліне ауысу — қазақстандық іскерлік сөйлеуде қалыпты жағдай. Модельдердің көбі мұнымен нашар күреседі. Қазақ+орыс тілдеріне арналған мамандандырылған шешімдер бар, бірақ олар аз.
— Салалық лексика. Нақты салаға тән терминдерді, аббревиатураларды, өнім атауларын модель көбіне қате «естиді». Қосымша оқытусыз немесе пайдаланушы сөздігінсіз тар салаларда дәлдік төмендейді.
— Нақты уақытта тану кезіндегі кідіріс. Нақты уақыт режиміндегі ағынды транскрипция қуатты серверлерді немесе кідірісі төмен бұлттық API-ді талап етеді. Бұл дайын жазбаларды пакеттік өңдеуге қарағанда қымбатырақ әрі күрделірек.
— Заңдық және комплаенс тәуекелдері. Қоңырауларды жазу және мәтінге айналдыру заңнамамен реттеледі. Абоненттің келісімі, деректерді сақтау, трансшекаралық беру — егер API шетелде болса — мұның бәрін іске қосудан кейін емес, бұрын пысықтау керек.
— Үлкен көлемдердегі құн. Бұлттық API-лер аудионың минуты үшін тарифтеледі. Айына ондаған мың қоңырау болғанда сомалар едәуір болады. Whisper-ді жергілікті орналастыру ұзақ мерзімде арзанырақ, бірақ инфрақұрылым мен DevOps ресурстарын талап етеді.
АУДИТОРИЯЛАР БОЙЫНША ПРАКТИКАЛЫҚ ҚОРЫТЫНДЫ
Маманға. Қоңырау жазбаларын пакеттік транскрипциялаудан бастаңыз — бұл тақырыпқа ең оңай кіру жолы. Whisper-ді жергілікті орналастыруға болады, ол тегін және сапаны бақылау міндеттері үшін жеткілікті дәл. Өнімдік интеграция үшін GPT-4o-transcribe API-ін зерттеңіз — онда күрделі аудиода дәлдік жоғарырақ, бірақ минутына ақы алынады. Бұлт пен өз серверіңіздегі орналастыру арасында таңдау жасамас бұрын айына минутпен есептелген нақты аудио көлемін есептеңіз — сценарийлер дәл осы көрсеткіште ажырасады.
Басшыға. Басты сұрақ — «қандай технологияны таңдау керек» емес, «қандай міндетті шешеміз». Менеджерлерді бақылау үшін транскрипция, бірінші желіні жеңілдетуге арналған дауыстық бот, клиенттерге хабарламалар — бұлар құны мен тәуекелдері әртүрлі үш бөлек жоба. «Бәрін бірден жасаймыз» дегенге келіспеңіз. Бір сценарийдегі пилот 4–8 аптаға созылады, өлшенетін нәтижені алдын ала анықтау керек: транскрипциямен қамтылған қоңыраулардың үлесі, бір өтінішті өңдеу уақыты, менеджерлер жұмысының сапасын бағалау.
Меншік иесіне. Сөйлеу технологиялары адамдарды алмастыру туралы емес, олардың жүктемесін өзгерту туралы. Супервайзерлер қоңырауларды қолмен азырақ тыңдап, ауытқулармен және үрдістермен көбірек жұмыс істейді. Менеджерлер кездесу хаттамаларын жазуға уақыт жұмсамайды. Операторлар типтік сұрақтарға азырақ жауап береді. Бұл — деректер сапасы мен басқарушылық көрінуге салынған инвестиция, ол бірден емес, алынған ақпарат төңірегінде процестер қалыптасқан сайын өзін ақтайды.
ЖИІ ҚОЙЫЛАТЫН СҰРАҚТАР
Абоненттің келісімінсіз қоңырауларды мәтінге айналдыруға бола ма?
Жоқ. Қазақстан заңнамасы әңгіменің жазылып жатқаны туралы хабардар етуді талап етеді. Стандартты тәжірибе — қоңыраудың басында дауыстық ескерту. Тиісті дербес деректерді өңдеу саясаты болған жағдайда транскрипцияларды компания ішінде аналитика мен оқыту үшін пайдалануға жол беріледі.
Қазақ тілі қаншалықты дәл танылады?
Орыс тілінен әлдеқайда нашар. Коммерциялық STT жүйелерінің көбі үшін қазақ тілі — ресурсы аз тіл. Қазақ тіліндегі деректерде оқытылған мамандандырылған шешімдер бар, бірақ олар аз. Аралас сөйлеу (қазақ+орыс) — бөлек күрделі міндет, оған әзірге сапасы қолайлы дайын қораптық шешім жоқ.
Шағын бизнес үшін қоңырауларды мәтінге айналдыруды енгізу қанша тұрады?
Қарапайым нұсқа: бұлттық API және телефониямен интеграцияға арналған скрипт. Айына 1000 минут көлемінде API құны шамамен 6 доллар болады. Интеграцияны әзірлеу — телефонияңызға байланысты 30-дан 80 сағатқа дейін. Бұл пилот үшін шынайы бюджет, одан кейін масштабтаудың мәні бар-жоғы түсінікті болады.
Дауыстық бот — чат-ботпен бірдей ме?
Жоқ. Дауыстық бот кірісте сөйлеуді тану қабатын, ал шығыста сөйлеу синтезін қосады. Сұрауды өңдеу логикасы чат-боттағыдай, бірақ танудағы қателер бүкіл тізбектің сенімділігін төмендетеді. Дауыстық ботты сүйемелдеу қиынырақ: мәтіндік қате бірден көрінеді, ал дауыстық қате қатенің айқын белгісінсіз өтінішті дұрыс емес бағытқа жіберуге әкелуі мүмкін.