Расшифровка голосовых в мессенджере: сервис без установки приложения

Самая частая ошибка при выходе на аудиторию с низкой цифровой грамотностью — считать, что проблема в обучении. На деле проблема в лишнем шаге: любая установка приложения отсекает большую часть людей ещё до первого использования.

Задача

Испаноязычный регион, где голосовые сообщения — основной способ общения. Ими передают поручения, договорённости, заказы. Проблема универсальная: голосовое нельзя просмотреть глазами, нельзя найти поиском, нельзя переслать выжимкой. Двухминутное сообщение нужно слушать две минуты, даже если в нём одна фраза по делу.

Решения для расшифровки существуют, но почти все требуют установить приложение, зарегистрироваться и разобраться в интерфейсе. Для этой аудитории каждый из трёх шагов — обрыв.

Значит, сервис должен жить там, где человек уже есть, и работать без единой настройки.

Решение: бот вместо приложения

Официальный бот в мессенджере, которым пользуются все. Сценарий предельно короткий: человек пересылает голосовое — получает в ответ текст и структурированное саммари.

Саммари — не просто расшифровка. Расшифровка двухминутного сообщения занимает столько же времени на чтение, сколько оригинал на прослушивание. Поэтому на выходе структура:

Тезисы — о чём вообще было сообщение.

Решения — о чём договорились.

Задачи — что кому делать.

Это превращает голосовое в рабочий документ. Его можно переслать, найти поиском через полгода и не переслушивать, чтобы вспомнить договорённость.

Следующими релизами — фотографии документов и рукописный текст: сценарий тот же, меняется только то, что распознаём.

Один бэкенд, два интерфейса

Архитектурное решение, которое стоит перенимать: бот и веб-кабинет работают на одном бэкенде.

Бот закрывает основной сценарий — быстро, без установки, в привычном месте. Веб-кабинет нужен меньшинству, но именно тому меньшинству, которое платит: там архив, поиск по всем расшифровкам, экспорт.

Если строить их как два продукта, получится два набора данных, две логики и двойная поддержка. Общий бэкенд означает, что расшифровка, сделанная через бота, тут же видна в кабинете, а тарифы и лимиты считаются в одном месте.

Похожий принцип «один бэкенд, два входа» разбирал в кейсе бота и мини-приложения для риелтора.

Про официальный канал и верификацию

Работать через официальный интерфейс платформы, а не через обходные пути, — решение, которое стоит времени на старте и окупается потом.

Бизнес-верификация платформы пройдена, номер подключён, вебхук поднят — инфраструктура готова. Это заняло заметно дольше, чем написать сам код приёма сообщений.

Альтернатива — неофициальные библиотеки, работающие через личный аккаунт. Они запускаются за вечер и умирают в любой момент: аккаунт блокируют, протокол меняется, пользователи остаются без сервиса. Для личного инструмента это приемлемо, для сервиса, за который берут деньги, — нет.

Разница проявляется не в день запуска, а в первый же день, когда что-то ломается на стороне платформы.

Что здесь главное с точки зрения продукта

Ноль шагов установки. Человек не скачивает, не регистрируется, не настраивает. Он делает то, что делал всегда — пересылает голосовое, — просто в другой чат.

Язык интерфейса — язык пользователя. Очевидно и постоянно нарушается: сервис говорит по-английски, потому что так было проще разработчику.

Ответ структурой, а не стеной текста. Именно структура превращает расшифровку из технической функции в полезный результат.

Расширение по типам входа, а не по функциям. Сначала голос, потом фото документа, потом рукопись. Сценарий не меняется — человек присылает то, что у него есть, и получает понятный текст.

Где в такой схеме деньги

Сервис расшифровки легко сделать и трудно продать: люди привыкли, что распознавание речи бесплатно встроено в телефон.

Поэтому платят не за расшифровку, а за то, что вокруг неё. Структурированное саммари вместо простыни текста — это работа, которую человек иначе делает сам. Архив с поиском по всем сообщениям за год — то, чего встроенное распознавание не даёт вовсе. Общий доступ для команды, когда одну переписку разбирают несколько человек.

Отсюда и разделение интерфейсов: бот закрывает бесплатный или дешёвый сценарий и приводит людей, кабинет удерживает тех, кому нужен архив. Пытаться продавать саму расшифровку в лоб — верный способ упереться в сравнение с бесплатной функцией телефона.

Что делать с неточностями распознавания

Автоматическая расшифровка ошибается, и вопрос не в том, как этого избежать, а в том, как с этим обращаться.

Первое правило: показывать и расшифровку, и саммари. Если человек видит только выжимку, он не может проверить, не потерялось ли в ней главное. Полный текст рядом снимает это недоверие за пять секунд.

Второе: имена, названия и числа — самое уязвимое место. Модель уверенно превращает незнакомую фамилию в похожее по звучанию слово, и внешне это никак не заметно. Поэтому в рабочих сценариях суммы и имена всегда стоит сверять по исходной записи, и об этом лучше сказать пользователю прямо, а не надеяться, что он догадается.

Третье: запись остаётся. Расшифровка не заменяет оригинал, она его дополняет — и доступ к исходному сообщению должен быть в одно нажатие.

Частые вопросы

Почему бот, а не приложение?

Потому что каждый шаг до первого использования отсекает часть людей, а установка приложения — самый дорогой шаг. Для аудитории с низкой цифровой грамотностью он часто непреодолим. Бот убирает его целиком.

Насколько точно распознаётся речь?

Зависит от языка, качества записи и шума вокруг. Для рабочих сообщений точности хватает, чтобы понять смысл и найти сообщение поиском. Для юридически значимых записей никакая автоматическая расшифровка не подходит без проверки человеком.

Где хранятся расшифровки?

На сервере проекта, привязанные к аккаунту. Это отдельный и важный вопрос для любого такого сервиса: голосовые часто содержат коммерческие детали, и политика хранения должна быть описана до запуска, а не после первого вопроса пользователя.

Можно ли сделать такое для русскоязычной аудитории?

Да, механика переносится один в один, меняется мессенджер и модель распознавания. В России для этого чаще берут Telegram или MAX, а распознавание ставят на свой сервер, если записи чувствительные.

Что делать с длинными голосовыми на час?

Разбивать на части при обработке и собирать саммари по всему целиком. Ограничение обычно не в модели, а в размере файла, который платформа отдаёт боту. Это стоит проверить до обещаний пользователю: лимит у каждой платформы свой.

Нужна ли модерация присылаемого?

Как минимум ограничение по размеру и частоте — иначе один пользователь с архивом за год займёт очередь на сутки. Это дешевле заложить сразу, чем разбираться, почему сервис встал.

Коротко о главном

Сервис для аудитории с низкой цифровой грамотностью выигрывает не функциями, а отсутствием шагов. Бот в привычном мессенджере побеждает приложение с тем же содержанием просто потому, что до него не надо доходить.

Структурированное саммари вместо голой расшифровки — второе, что делает продукт полезным: оно экономит время, а не переносит его из прослушивания в чтение.

Если у вас есть аудитория, которая живёт в мессенджере и не поставит приложение, — опишите сценарий, посмотрим, укладывается ли он в бота. Напишите в Telegram, MAX или VK.