Speech Realtime Max: как создать ИИ-агента, который закрывает три просьбы за один звонок

13 ноября 2026 года Яндекс открыл в Yandex AI Studio новое поколение речевых моделей. Speech TTS Live подбирает интонацию под живую речь, Speech Realtime Max тянет несколько связанных действий в одном диалоге и обрывает фразу, если абонент перебил. Для команд, которые запускают ИИ-агенты для бизнеса на входящей линии, пропадает лишний перевод на оператора между переносом визита, расчётом и ссылкой на оплату. Раньше мы склеивали это из отдельных сценариев: каждый умел одну фразу и честно отдавал трубку. Теперь узкое место не в голосе, а в том, есть ли у агента инструмент в вашу систему.
Что такое ИИ-агент, если ему звонят, а не пишут
На совещании это звучит как "поставим бота". По сути спрашивают, что такое ИИ-агент и чем он отличается от меню "нажмите один". На линии агент не зачитывает заготовку. Он слышит реплику, выбирает следующий шаг, вызывает учётную систему и произносит только то, что система вернула. Перебили на середине суммы - в историю садится сказанный кусок, а не абзац, который человек не дослушал.
Первый наш голосовой заход это правило пропустил. Инструкция была длинной: "ты администратор, помоги со всем". Голос звучал уверенно, цену называл "ориентировочно", инструмента расчёта в сценарии не было. Абонент спорил с цифрой, которой в расчёте компании не существовало. Красивая речь только ускорила конфликт.
Что открыли в AI Speech и чего в цене пока нет
По сообщению ТАСС со ссылкой на компанию, модели уже доступны в Yandex AI Studio. TTS Live рассчитан на естественную речь, отдельные варианты есть для медицинских сценариев и аудиогидов. Realtime Max на странице AI Speech описан как режим для агента, совместимый с Realtime API. За один звонок он может перенести запись, посчитать стоимость, применить скидку и отправить ссылку на оплату, пока идёт обращение к корпоративным системам. Сборка идёт в конструкторе без кода, проверка - в Playground.
Деньги отделяем от анонса сразу. В открытом фрагменте тарифа Realtime API для Speech TTS Live оплачивается входной текст: каждый начатый блок в 250 символов считается единицей тарификации. Выходное аудио, кэш, токены инструментов и выходные токены отдельно не тарифицируются. Рублёвой ставки в просмотренном фрагменте нет. Минуту разговора из новости мы не выводим и в смету не ставим.
Как собрать сценарий до того, как появится телефония
Телефонию по SIP на этом шаге не подключаем. В разделе AI Speech открываем Playground, выбираем Speech Realtime Max и описываем один узкий случай текстом. Для проверки берём сервисный выезд, не "любой вопрос клиента". Три инструмента с именами по действию: перенести визит, вернуть сумму из учётной системы, отправить ссылку. В инструкции прямой запрет: нет ответа инструмента - нет цифры вслух, есть передача человеку.
Потом сценарий ломаем сами. Перебиваем фразу про стоимость и смотрим, что легло в историю. Если там вся заготовка, включая скидку, которую не успели сказать, к линии идти рано. Следующий шаг решит, что человек согласился на непроизнесённое.
Именно так у нас теперь выглядит создание ИИ-агента для звонка. Сначала обрыв фразы и честный отказ, потом уже разговор про подключение телефонии. Пока Playground врёт, SIP эту ложь только разнесёт по живым абонентам.
Где живой голос не спасает процесс
Несколько действий за звонок появляются только тогда, когда агент ходит в учёт клиентов или в расчёт стоимости. Без этого Realtime Max просто хорошо говорит. Показ в наушниках на таком пилоте всегда сильный. Первая заявка "посчитайте по нашему договору" показывает пустоту: модели неоткуда взять скидку, и она начинает её сочинять.
Медицинский тембр не заменяет контур по 152-ФЗ. Если в реплике звучат сведения о человеке, хранение расшифровки и доступ к карточке решаются отдельно от выбора голоса.
Перебивание тоже легко недооценить. Человек на полуслове говорит "нет, давайте на завтра". Агент, который договаривает старый слот и ещё шлёт оплату, оставляет две записи и один злой перевод на сотрудника. Сотрудник в этот момент чинит не исключение, а нашу ошибку истории диалога.
Короткая инструкция "сделай всё, что попросят" - не рабочий агент, а дыра. Список шагов держим узким: перенос, расчёт, ссылка. Остальное уходит человеку уже с контекстом, а не с просьбой повторить всё сначала.
Что заложить в своего агента до первого боевого звонка
Оператору больше не нужно быть коммутатором между тремя простыми просьбами. К нему приезжает случай, где система промолчала, скидка не прошла проверку или вопрос вышел за три шага. Раньше такой звонок почти всегда доезжал до человека целиком. Теперь человек нужен на обрыве. Это нормальная смена работы, а не признак, что автоматизацию пора выключать.
В текст инструкции не кладём номер карты, пароль кабинета и фразу "если не уверен, назови среднюю цену". Секрет и цифра живут в системах. Агент получает ответ инструмента и право остановиться. И перед тем как создать ИИ-агента уже на боевой номер, мы записываем три вещи: имя инструмента, правило отказа и границу, за которой говорит человек.
Тот же предел стоит проверить и без телефона. Текстовый агент на российской модели вежливой фразой дыру не закроет: шаг должен дойти до учёта и оборваться, когда данных нет или человека перебили. Голос тут только делает ошибку слышнее.
Если смотрите голосовой пилот на этой неделе, доведите в Playground один сценарий на Speech Realtime Max до честного перебивания. Дошло - можно говорить про линию. Не дошло - не хватает системы, в которую агент имеет право сходить и из которой может вернуться пустым ответом.
У вашего текущего сценария после перебивания в истории только сказанное или ещё и фраза, которую абонент не дослушал?
Похожие статьи
- Режим "Действуй!" у ИИ-агента Алисы: одно поручение и строка в кодексе до декабря
- Hy4 flash в Nous Portal: ИИ-агент Гермес две недели гоняет рутину без счёта
- Nod от n8n Labs: локальный ИИ-агент на ноутбуке не заменяет ночную смену
- YandexGPT Lite 5 отключат 15 ноября: что сменить в Яндекс ИИ-агенте, пока старый адрес ещё отвечает
