Сервисы транскрибации останавливаются на тексте — стене из 15 000 слов. «Сам Решу» превращает звонок, созвон или видео в результат: сделку в CRM, задачи в трекере, КП в DOCX, сводную таблицу в XLSX. Как это устроено: Whisper, записи из Mango Office, извлечение звука из видео и почти сотня коннекторов.

Коротко. Сервисов «аудио → текст» десятки. Все они останавливаются на транскрипте — стене из 15 000 слов, с которой дальше работаете вы сами. «Сам Решу» идёт дальше: расшифровывает звонок, созвон или видео и сразу превращает его в результат — заполненную сделку в CRM, задачи в трекере, коммерческое предложение в DOCX, сводную таблицу в XLSX. Ниже — что именно умеет транскрибация, как она устроена под капотом и почему транскрипт — это сырьё, а не продукт.

Проблема: транскрипт экономит час и тут же забирает его обратно

Классический сценарий. Вы загрузили запись часового созвона, сервис вернул текст. Дальше начинается настоящая работа: перечитать, выцепить суммы и договорённости, руками перенести в CRM, написать follow-up, обновить табличку.

Транскрибация сняла одну рутину и создала другую. Потому что текст — это не результат. Это сырьё.

Что агент принимает на вход

Аудиофайлы — MP3, WAV, OGG, M4A: диктофонные записи, голосовые, экспорт из Zoom
Видео — MP4, MOV, WEBM: агент сам извлекает звуковую дорожку и расшифровывает её
Записи звонков из телефонии — коннекторы Mango Office и облачных АТС отдают записи разговоров напрямую, без ручного скачивания
YouTube-видео — по ссылке, вместе с AI-fallback, если у ролика нет субтитров

Запрос звучит по-человечески: «Возьми вчерашние звонки отдела продаж и покажи, где менеджеры теряют клиентов» — и агент сам заберёт записи из АТС, расшифрует и разберёт.

Под капотом: как устроена расшифровка

Честно про механику — без магии.

Модель. Распознаёт Whisper large-v3-turbo; если модель занята, запрос автоматически уходит на полную large-v3. Язык по умолчанию — русский, поддерживается любой из ISO-списка.
Видео. Бэкенд не таскает ffmpeg с собой: звуковая дорожка извлекается в изолированной песочнице, сводится в моно 16 кГц и только потом уходит на распознавание.
Пакетная обработка. До 10 записей за раз, с параллелизмом и дедупликацией: уже расшифрованный файл повторно не распознаётся — текст берётся из кэша.
Биллинг. Поминутный и прозрачный: платите за минуты аудио, а не за токены.

Четыре слоя сжатия

Формула, которую мы держим в голове, когда проектируем работу со звонками:

Запись — это база данных. В часовом созвоне 15 000 слов, и почти все они вам не нужны.
Транскрипт — первый слой сжатия. Теперь по разговору можно искать.
Выводы — второй слой. Кто что обещал, какие суммы, какие риски, какой следующий шаг.
Действие в вашей системе — то, ради чего всё затевалось.

Большинство продуктов останавливаются на втором слое, лучшие — на третьем. Вся ценность живёт на четвёртом.

Четвёртый слой: что происходит после расшифровки

У «Сам Решу» транскрибация — не отдельная фича, а один инструмент из многих. Рядом — почти сотня коннекторов: 1С, CRM, склады, банки, мессенджеры, ЭДО. Поэтому разговор попадает в тот же контур, где живут ваши сделки, счета и остатки:

Из часового созвона с клиентом — заполненная сделка в amoCRM или Битрикс24: сумма, сроки, возражения, следующий шаг
Из записи планёрки — задачи в трекере с ответственными и дедлайнами
Из переговоров с поставщиком — коммерческое предложение в DOCX по шаблону компании, с реквизитами
Из серии звонков отдела продаж — таблица в XLSX: кто что обещал, где сделка застряла, какие возражения повторяются

Разница простая. Сервис транскрибации отвечает на вопрос «что было сказано». Агент отвечает на вопрос «что теперь сделать» — и делает.

Что это значит для вас

Звонки, созвоны и планёрки — это самые честные данные о вашем бизнесе: там клиенты говорят, чего хотят на самом деле, а команда — что происходит на самом деле. Раньше эти данные испарялись, как только все положили трубку. Теперь они попадают в ваши системы — расшифрованные, сжатые до сути и превращённые в действие.

Транскрипт — это сырьё. Что агент делает со звонком после расшифровки