Голосовые и фото в продажах: их понимает бот

Клиент присылает голосовое на сорок секунд, а следом — фото с подписью «вот такое надо». Для человека-менеджера это норма. Для большинства ботов — тупик: кнопочный сценарий ломается, потому что в нём нет кнопки «послушать голосовое». А ведь голосовые в продажах давно стали обычным делом, и если бот их не понимает, диалог обрывается на самом интересном месте. Разберём, как с этим работать.

Почему клиенты всё чаще пишут голосом и фото

Печатать долго и неудобно, особенно с телефона на ходу. Проще зажать кнопку и наговорить, или сфотографировать товар, бирку, размер, поломку — что угодно. Для клиента это естественно: он общается с бизнесом так же, как с друзьями в том же мессенджере.

Бизнесу это даже на руку: в голосовом и на фото часто больше информации, чем в сухом тексте. Проблема одна — это нужно уметь принять и понять.

Чем это ломает обычных ботов и менеджеров

Кнопочный бот рассчитан на выбор из меню. Пришло голосовое — он в лучшем случае отвечает «не понял, выберите пункт». Пришло фото — то же самое. Клиент чувствует, что его не слышат, и уходит.

Выглядит провал примерно так:

Клиент: (голосовое 0:38) «Привет, мне бы вот эту штуку, что в прошлый раз брал, но размером побольше…» Кнопочный бот: Извините, я вас не понял. Выберите пункт меню: 1 — Каталог, 2 — Оплата, 3 — Оператор. Клиент: (уходит)

С менеджерами другая беда: голосовые надо переслушивать, фото — разбирать, и всё это в потоке десятков диалогов. Что-то теряется, на что-то отвечают с задержкой. Разницу между сценарным ботом и настоящим AI-агентом мы разбирали отдельно: чат-бот против AI-агента для продаж.

Расшифровка голосовых: речь → текст → ответ

Finebot распознаёт голосовые сообщения: аудио клиента расшифровывается в текст, и агент работает с ним как с обычным сообщением — понимает запрос, ищет товар, отвечает по делу. Распознавание голосовых сообщений встроено в общий поток: клиенту не нужно ничего дублировать текстом.

Для клиента это выглядит просто: наговорил вопрос — получил осмысленный ответ, а не «продублируйте, пожалуйста, письменно».

Клиент: (голосовое 0:25) «Здравствуйте, ищу подарок жене, бюджет где-то до пяти тысяч, что посоветуете?» Бот: Добрый день! В пределах пяти тысяч есть несколько хороших вариантов — вот пара популярных… Подсказать под конкретный повод?

Расшифровка аудио клиента происходит прямо в диалоге, без отдельных шагов и переключений.

Понимание фото: что прислал клиент

С изображениями та же логика. Агент понимает фото: видит, что на картинке, и учитывает это в разговоре. Клиент прислал снимок товара, который хочет повторить, или фото с нужным размером — агент опирается на это, а не отвечает в пустоту.

Клиент: (фото) Вот такое надо, есть похожее? Бот: Вижу — это модель в бежевом цвете с круглым основанием. У нас есть близкие варианты в этой форме, показать?

Это снимает целый класс тупиков, где раньше без живого человека было не обойтись: «покажите, что у вас есть» → клиент скидывает фото-референс → диалог идёт дальше.

Как это встроено в диалог и сделку

Главное — распознавание не живёт отдельной функцией. Голосовое и фото — это просто ещё один способ сказать, что нужно, внутри того же диалога, который ведёт к сделке.

Расшифровал голосовое → понял запрос → нашёл товар в каталоге → создал сделку или позвал менеджера. Всё в одном потоке, без склеек из разных инструментов. Это работает и тогда, когда клиент шлёт мысль кусками: голосовое, следом фото, следом приписка текстом — агент склеивает идущие подряд сообщения и отвечает один раз на всю мысль, а не дёргает клиента на каждую реплику.

Как агент проходит этот путь от первого сообщения до сделки — в разборе как AI-агент ведёт сделку. Полную логику можно посмотреть в разделе как это работает.

Память подключается и к голосу, и к фото

Распознавание работает не в вакууме — оно опирается на тот же контекст, что и текстовый диалог. Если в карточке клиента уже есть факты о прошлых покупках, агент учитывает их и тогда, когда запрос пришёл голосом или картинкой. Клиент наговорил «хочу как в прошлый раз, но побольше» — и агент понимает, о каком «прошлом разе» речь, потому что помнит контакт.

Это важно для повторных продаж: человек не обязан заново описывать, что брал. Голосовое или фото становятся коротким способом продолжить знакомый разговор, а не начинать с нуля.

Почему это снимает нагрузку с менеджеров

Голосовые и фото — самая утомительная часть ручной работы в переписке. Каждое голосовое нужно переслушать (часто не с первого раза), каждое фото — открыть и разобрать, и всё это в потоке десятков диалогов. Когда первичную обработку берёт на себя агент, менеджер подключается уже к расшифрованному и понятому запросу, а не тратит время на «прослушать и понять, чего хотят».

Особенно это заметно в нишах, где клиенты по умолчанию шлют медиа: товары по фото-референсу, ремонт по снимку поломки, заказы «вот как на картинке». Там, где раньше каждое сообщение упиралось в живого человека, теперь типовые случаи проходят сами, а люди остаются на действительно сложных.

Ограничения и где нужен человек

Без иллюзий. Распознавание голоса и понимание фото — мощные инструменты, но не магия. Очень шумная запись, неразборчивая речь, фото плохого качества или сложный технический случай — здесь честнее передать диалог менеджеру, чем гадать.

Удобно видеть это таблицей — где агент справляется сам, а где зовёт человека:

| Что прислал клиент | Как обрабатывает агент | |---|---| | Чёткое голосовое с понятным запросом | Расшифровывает, понимает, отвечает и ведёт к сделке сам | | Фото товара-референса нормального качества | Понимает, что на снимке, и подбирает близкое из каталога | | Шумная или неразборчивая запись | Уточняет или передаёт менеджеру с контекстом | | Фото плохого качества / сложный технический случай | Зовёт живого человека, не угадывает |

Finebot так и делает: когда уверенности нет или запрос выходит за рамки типового, агент зовёт живого человека и отдаёт ему контекст. Это не недостаток, а правильная граница — AI берёт на себя массу рутины, а на сложном работает специалист. Хорошо видно это на доставке: AI-бот для доставки.

Важно, что эта граница работает в пользу клиента, а не против него. Лучше честно подключить человека на неразборчивой записи, чем уверенно ответить не на тот вопрос и завести диалог в тупик. Клиент при передаче ничего не теряет: всё, что агент успел распознать и понять, уходит менеджеру вместе с диалогом, поэтому человеку не приходится переслушивать голосовое или заново разбирать фото.

Распознавание уже настроено — с вашей стороны ничего не нужно

Расшифровку голосовых и понимание изображений включаем и настраиваем мы при запуске под ключ — отдельных действий от вас не требуется. С первого дня агент принимает голос и фото как обычные сообщения в диалоге: клиент наговаривает запрос или скидывает снимок — агент сразу понимает голосовые и фото и ведёт разговор дальше, в том же потоке, что и сделку. И всё это с учётом, в каких случаях диалог честно уходит человеку — шумная запись, плохое фото, сложный случай.

Посмотреть, как это работает вживую, можно в разделах возможностей и демо.

Частые вопросы

Понимает ли бот голосовые сообщения от клиентов? Да. Finebot распознаёт голосовые: аудио расшифровывается в текст, и агент работает с ним как с обычным сообщением — понимает запрос, ищет товар, отвечает по делу. Клиенту не нужно ничего дублировать письменно.

Что происходит, когда клиент присылает фотографию? Агент понимает, что изображено на фото, и учитывает это в разговоре. Если клиент прислал снимок товара-референса или фото с нужным размером, бот опирается на изображение и подбирает близкие варианты из каталога.

А если запись шумная или фото плохого качества? Распознавание не магия: при неразборчивой речи, сильном шуме или некачественном фото агент честнее передаёт диалог менеджеру, чем угадывает. Так клиент не получает ошибочный ответ, а сложный случай берёт человек.

Нужно ли клиенту что-то дополнительно нажимать, чтобы бот понял голос или фото? Нет. Голосовое и фото обрабатываются прямо в диалоге как обычные сообщения, без отдельных шагов и переключений. Для клиента это выглядит так же естественно, как переписка с живым менеджером.

Хотите проверить на своих голосовых и фото — напишите нам в WhatsApp, покажем на живой платформе.