AI-автоматизація голосових у Telegram: як не втратити жодну заявку

Відкрийте робочий Telegram українського магазину чи сервісу. Значна частина звернень там — не текст, а голосові. На 40 секунд, дві хвилини, іноді три. Менеджер слухає кожне в реальному часі, потім вручну переносить ім'я, телефон, адресу в CRM. На одну заявку йде 8–10 хвилин. Голосові накопичуються швидше, ніж їх розгрібають.

Глобальні гайди про AI-ботів у Telegram обходять голос стороною. У найкращому разі пишуть «бот відповідає на текстові запитання». Але для українського ринку голос — основний канал. Цей пост закриває прогалину: як перетворити голосове повідомлення на структуровану заявку в CRM без жодної секунди ручної роботи.

Чому голосові ламають звичайні боти

Класичний AI-бот чекає на текст. Коли приходить голосове, він або ігнорує його, або відповідає «я не розумію». Для бізнесу це гірше, ніж відсутність бота: клієнт уже почав розмову, а його проігнорували.

Друга проблема — час. Голосове на 3 хвилини менеджер мусить прослухати повністю. Швидше ніяк. Ще 2–3 хвилини — витягнути деталі й занести в CRM. У пікові години це десятки хвилин втраченого часу.

Третя — помилки. Менеджер, який слухає 15 голосових поспіль, переплутає телефон або місто. Це не недбалість, а втома. Машина таких помилок не робить.

Як це працює: з .ogg у заявку в CRM

Ланцюжок простий. Telegram віддає голосові у форматі .ogg (кодек Opus). Офіційний Whisper API від OpenAI приймає mp3, mp4, m4a, wav, webm — але не ogg. Тому перший крок — конвертація через ffmpeg:

ffmpeg -i voice.ogg -ar 16000 -ac 1 voice.mp3

Далі по кроках:

1. Telegram Bot API отримує голосове через webhook і завантажує файл через getFile.
2. ffmpeg конвертує .ogg у .mp3 за секунду.
3. Whisper API транскрибує аудіо в український текст.
4. GPT-4o витягує з тексту структуру: ім'я, телефон, товар, місто, тип заявки.
5. HTTP Request у n8n записує ліда в KeyCRM або KeepinCRM, за потреби створює ТТН через Nova Poshta API.

На виході LLM віддає такий JSON:

{
  "name": "Оксана",
  "phone": "+380671234567",
  "product": "Кросівки New Balance 574, розмір 42",
  "city": "Львів",
  "intent": "замовлення"
}

Усе збирається в один n8n workflow. Коду — нуль, якщо не рахувати рядок ffmpeg. Весь цикл «голос → ліда» займає приблизно 15 секунд.

Українські пастки, про які мовчать глобальні гайди

«Підключіть Whisper — і готово», пише глобальний гайд. На українському матеріалі це не так.

Суржик. Клієнт каже «дайте мені сіню кросовку». Whisper запише дослівно, але LLM мусить розуміти, що «сіня» — це «синя». Промпт варто писати з урахуванням суржику, інакше агент губить деталі.

Транслітерація назв. «Львів» Whisper іноді віддає як «Львов» або «Лвив». Тому після транскрипції — нормалізація: звіряти міста й відділення зі списком через Nova Poshta API, а не вірити сирому тексту.

Швидка мова і фоновий шум. Голосові часто записані на ходу — в машині, на вулиці, з вітром у мікрофон. Базова модель помиляється. whisper-large-v3 справляється краще і на українській помітно точніша. Якщо крутити локально — безкоштовно.

Скільки це коштує в 2026

Цифри без маркетингу. Беремо потік 1000 голосових на місяць, середня тривалість 30 секунд.

| Компонент | Розрахунок | Вартість | |-----------|-----------|----------| | Whisper API (транскрипція) | 500 хвилин × $0.006 | $3 (~120 грн) | | GPT-4o-mini (витяг структури) | ~1000 запитів | до $1 (~40 грн) | | VPS для n8n (Hetzner CX22) | 2 vCPU, 4 GB RAM | $6 (~250 грн) | | Разом | | ~$10 (~400 грн) |

400 гривень на місяць за повну автоматизацію голосових заявок. Один оператор за ту саму роботу коштує від 15 000 грн на місяць. Різниця — у 37 разів.

До цього додається безкоштовне: Telegram Bot API, Nova Poshta API, Monobank API. Українські сервіси віддають ключі й документацію безкоштовно.

З чого почати

1. Зареєструйте бота в @BotFather, отримайте токен.
2. Розгорніть n8n на VPS — є готовий docker-compose, 10 хвилин.
3. Підключіть Telegram Trigger, перевірте, що голосове доходить до workflow.
4. Додайте ноду Execute Command для ffmpeg-конвертації .ogg → .mp3.
5. Підключіть Whisper API і GPT-4o, напишіть промпт українською з урахуванням суржику.
6. Тестуйте на 20–30 реальних голосових, виправляйте нормалізацію міст і товарів.
7. Останнім кроком підключіть CRM — коли транскрипція вже стабільна.

На весь цикл — 3–4 години, якщо розумієте, що таке API. Якщо ні, дешевше заплатити тому, хто зробить під ключ.

Хочете, щоб голосові заявки самі падали в CRM? Напишіть нам — перша консультація безкоштовна. Зберемо бота під ваші процеси, навчимо на вашій базі заявок.

Раніше ми писали про архітектуру AI Telegram-бота на n8n + OpenAI + KeepinCRM і про Guest AI Bots у Telegram.