Голосовой AI-ассистент: формула стоимости и примеры

Голосовой ассистент — не один сервис, а цепочка из трёх ключевых блоков: распознавание речи (STT), понимание запроса (NLU/NLP) и синтез ответа (TTS). Каждый блок может быть реализован через облачные API (быстро, но платно) или самописный модуль (дёшево на объёмах, но долго).

Типичная архитектура:

• STT-модуль — Google Speech-to-Text, Yandex SpeechKit, Vosk (offline).
• NLU-модуль — Rasa, Dialogflow, или свой Intent Parser на regex/ML.
• TTS-модуль — Amazon Polly, Yandex TTS, RHVoice (бесплатно, но грубый голос).

Дополнительно — бэкенд-сервер (Python/FastAPI), база данных (PostgreSQL/Redis), и, возможно, фронт-энд (чат-виджет). Но в этой статье мы сфокусируемся именно на AI-логике и интеграции, отбросив типовой сайт — он считается отдельно.

Итоговая стоимость за 12 месяцев эксплуатации (с разработкой):

Где:

• Dev — разработка (человеко-часы × ставка).
• STT — оплата распознавания (минуты аудио × цена).
• TTS — синтез речи (символы × цена).
• Cloud — сервер (CPU/RAM/трафик).
• Data — обучение NLU (разметка/транскрибация).

Пример расчёта для MVP «Умная лампа» (10 интентов, 50 фраз):

• Dev: 200 часов × 2 500 ₽/час = 500 000 ₽
• STT (1 000 запросов/день × 30 сек × 0,5 ₽/мин): 500 × 30 × 0,5 = 7 500 ₽/мес —> 90 000 ₽/год
• TTS (20 символов/ответ × 0,1 ₽/символ): 200 000 символов/мес × 0,1 = 20 000 ₽/мес —> 240 000 ₽/год
• Cloud: 4 vCPU, 8 GB RAM — 5 000 ₽/мес —> 60 000 ₽/год
• Data: бесплатно (самостоятельная разметка)
• Итого: 500 000 + 90 000 + 240 000 + 60 000 = 890 000 ₽ за первый год.

Используйте Калькулятор стоимости голосового AI-ассистента на нашем сайте — он автоматизирует формулу с актуальными ценами провайдеров.

Допустим, мы делаем ассистента для пиццерии: принимает заказ по голосу. Объём — 500 звонков/день, средняя длительность — 90 секунд.

1. STT-трафик: 500 звонков × 90 сек = 45 000 секунд = 750 минут/день × 30 дней = 22 500 минут/мес. Yandex SpeechKit: 22 500 × 0,85 ₽/мин = 19 125 ₽/мес.
2. TTS-трафик: средний ответ — 50 символов, 500 × 50 = 25 000 символов/день × 30 = 750 000 символов/мес. Яндекс TTS: 750 000 × 0,02 ₽/символ = 15 000 ₽/мес.
3. NLU/бэкенд: Rasa Open Source — бесплатно, хостинг — тот же сервер. Разработка: 8 интентов (заказ, адрес, размер, топпинг, подтверждение, отмена, статус, повторить) — 3 недели × 40 часов × 2 500 ₽ = 300 000 ₽.
4. Сервер: 8 vCPU, 16 GB RAM — 12 000 ₽/мес.
5. Телефония (опционально): SIP-номер + транкинг — 1 500 ₽/мес.

Годовая стоимость: (300 000) + (19 125+15 000+12 000+1 500)×12 = 300 000 + 607 500 = 907 500 ₽. Без телефонии — 889 500 ₽.

Для быстрой оценки лидов от таких звонков — Калькулятор стоимости лида поможет понять окупаемость.

• Штрафы за превышение квот API: Google Cloud Speech-to-Text после бесплатного лимита (60 минут/мес) просит ~16 $/час — при 1000 минут/мес это ~267 $.
• Задержки синтеза: Длинные ответы (пицца с допами) могут генерироваться 2–3 секунды — пользователь ждёт, и это влияет на Retention.
• Очистка аудио: Для STT-качества нужно убирать шумы — Aruba или Spleeter (бесплатно), но требует GPU-ресурсов.
• NLU-обучение: Разметка 50 фраз на интент — ~10 000 ₽ сессия на сервисах типа Toloka.

Совет: Начните с бесплатных моделей (Vosk для STT, RHVoice для TTS) — качество ниже, но для MVP достаточно. Переходите на платные API только при >1000 запросов/день.

Локальный стенд — лучший друг разработчика:

• STT: Vosk — офлайн-модель на 50 МБ.

  from vosk import Model, KaldiRecognizer
  model = Model('model/vosk-model-small-ru-0.22')
  rec = KaldiRecognizer(model, 16000)

• NLU: Rasa train — за 5 минут на 10 интентах.
• TTS: eSpeak (бесплатно, робот) или gTTS (требует интернет, бесплатно).

Таблица рекомендованных бесплатных инструментов:

Если нужна CDN для голосовых файлов — смотрите Калькулятор стоимости CDN.

Если ассистент отвечает одними и теми же фразами (например, «Доставка завтра в 18:00»), TTS можно кэшировать. Формула экономии:

Пример: hit_rate = 60%, TTS_cost = 15 000 ₽/мес → экономия 9 000 ₽/мес.

Дедупликация STT: если 40% запросов — одинаковые (например, «Закажи пиццу»), первые 40% проходят через платный API, остальные — через локальный Vosk для верификации. Экономия STT: 40% × 19 125 = 7 650 ₽/мес.

Также обдумайте re-ranker для NLU: если интенты встречаются одинаково часто, можно возвращать предыдущий интент без повторного вызова NLU — это бесплатно.

Ниже — типовой таймлайн проекта от постановки до продакшна.