Голосовой бот: как сделать в Telegram в 2026 году

Чтобы сделать голосового бота в Telegram, соберите цепочку voice → файл → распознавание речи → безопасная логика → текст ответа → синтез речи → sendVoice. Для первого прототипа не нужна телефония: бот принимает голосовое сообщение и отвечает в том же чате. Телефонный бот для звонков является отдельной системой с SIP, потоковым аудио и более жёсткими требованиями к задержке.

Какой голосовой бот нужен именно вам

Сначала выберите канал, потому что от него зависит вся архитектура. Голосовое сообщение в Telegram приходит как готовый файл, его можно обработать после отправки. Телефонный звонок идёт потоком, человек ждёт ответ сразу, поэтому ему нужны телефония, прерывание реплики и контроль задержки.

• Telegram voice: подходит для заметок, заявок, расшифровки, голосового меню и ответов без звонка.
• Телефонный бот: подходит для входящих или исходящих звонков, но требует отдельного провайдера телефонии и потоковой обработки.
• Только распознавание: бот возвращает текст или заполняет форму по строгим правилам.
• Распознавание плюс ИИ: бот понимает свободную формулировку, но каждое действие всё равно проходит проверку.
• Распознавание и синтез: бот отвечает голосом, когда аудиоформат действительно удобнее текста.

Начинайте с голосового сообщения в Telegram. Если сценарий не даёт полезный результат без звонка, телефония добавит сложность, но не исправит слабую логику.

Из каких частей состоит рабочая цепочка

Официальное руководство Yandex Cloud показывает связку Telegram, Cloud Functions, API Gateway и SpeechKit для распознавания и синтеза речи. В руководстве перечислены платные ресурсы, поэтому считать облачный вариант бесплатным нельзя.

1. Telegram принимает сообщение и присылает вашему webhook update с file_id.
2. Сервер получает путь через getFile, скачивает аудио и проверяет тип, размер и длительность.
3. При необходимости FFmpeg приводит файл к формату, который принимает сервис распознавания.
4. Speech-to-Text возвращает текст и служебный результат. Пустой или сомнительный текст не передаётся в действие.
5. Правила или модель определяют намерение, но критичные параметры проверяются отдельно.
6. Text-to-Speech превращает подтверждённый ответ в аудио.
7. Бот отправляет voice через sendVoice, затем удаляет временный файл.

В Bot API методы [getFile](https://core.telegram.org/bots/api#getfile) и [sendVoice](https://core.telegram.org/bots/api#sendvoice) описаны отдельно. sendVoice принимает OGG с кодеком OPUS, а также MP3 и M4A. Другой формат лучше сначала преобразовать, а не надеяться на случайную поддержку клиента.

Что подготовить до кода

Создайте бота через BotFather, заведите отдельный сервисный аккаунт для SpeechKit и выберите место выполнения: постоянный сервер или облачную функцию. Токены Telegram и облака храните в переменных окружения, а не в исходном коде и не в промпте модели.

• Один конкретный сценарий, например расшифровать голосовую заявку и попросить подтверждение.
• Список допустимых команд и обязательных полей каждой команды.
• Максимальная длительность сообщения и тайм-аут обработки.
• Ответ при тишине, шуме, неизвестной команде и недоступности распознавания.
• Срок хранения исходного аудио, транскрипта и технических журналов.
• Тестовый чат без реальных персональных данных.

Если обычный бот ещё не запускается круглосуточно, сначала разберите базовую схему Telegram-бота и постоянную работу процесса. Голосовой слой имеет смысл добавлять поверх устойчивого приёма сообщений.

По теме: Как создать бота для видео в Telegram в 2026: кружки и нарезка

Как обработать голос безопасно

Распознанный текст является вводом пользователя, а не доказанной командой. Ошибка распознавания может заменить имя, дату или отрицание. Поэтому обработчик разделяют на понимание и исполнение.

1. Нормализуйте текст: уберите лишние пробелы, но сохраните исходный транскрипт для проверки в пределах разрешённого срока.
2. Определите намерение только из разрешённого списка, например create_draft, show_status или cancel.
3. Извлеките параметры и проверьте формат отдельно от модели. Дата должна существовать, идентификатор должен принадлежать текущему пользователю.
4. Для оплаты, удаления, публикации и передачи данных покажите распознанную команду текстом и отдельную кнопку подтверждения.
5. После подтверждения выполните действие один раз с ключом идемпотентности.
6. Сформируйте короткий текст результата и только затем синтезируйте голос.

Если в цепочке используется ИИ-модель, проверяйте её ответ по тем же правилам, что и результат любого агента. Подход с доказательствами и повторяемостью описан в статье как проверять ответы ИИ-агента.

Диагностика по шести артефактам

Не отлаживайте голосового бота фразой «не работает». На каждом этапе должен оставаться безопасный технический след без токенов и полного аудио.

• update: событие дошло, известны тип сообщения и file_id.
• bytes: файл скачан, размер не нулевой, формат определён.
• transcript: сервис вернул непустой текст или понятную ошибку.
• intent: выбрано разрешённое действие и проверены параметры.
• audio: синтез создал непустой файл допустимого формата.
• delivery: Telegram вернул успешный результат отправки.

Если цепочка ломается, идите слева направо. Есть update, но нет bytes: проверяйте токен, file_id и сеть. Есть bytes, но нет transcript: формат, язык, права сервисного аккаунта и тайм-аут. Есть transcript, но неверное действие: правила намерений и обязательное подтверждение. Есть audio, но нет delivery: формат и параметры sendVoice.

По теме: Как сделать стикер-бот в Telegram в 2026: набор и свой бот

Как провести приёмочную проверку

Подготовьте набор фраз до запуска. Он должен проверять не красоту голоса, а устойчивость результата и безопасный отказ.

1. Чистая короткая фраза: транскрипт совпадает по смыслу, бот выбирает ожидаемое действие.
2. Шум и тихая речь: бот просит повторить, если ключевые параметры не распознаны.
3. Тишина: действие не выполняется, пользователь получает понятную подсказку.
4. Длинное сообщение: бот соблюдает ваш лимит и не держит webhook до тайм-аута.
5. Неизвестная команда: бот показывает доступные варианты, а не придумывает действие.
6. Критичная команда: бот показывает текст и ждёт отдельную кнопку подтверждения.
7. Повтор одного update: необратимое действие не выполняется второй раз.

Для каждого теста запишите ожидаемый транскрипт, фактический транскрипт, выбранное намерение, результат и время обработки. Если ошибка повторяется, исправляйте конкретный переход, а не весь бот сразу.

Частые сбои и ограничения

Webhook может не отвечать из-за неверного HTTPS-адреса или долгой обработки. Сохраняйте update в очередь и завершайте сетевой ответ быстро. Отдельный worker может заниматься скачиванием, распознаванием и синтезом.

Ошибки формата часто возникают при попытке передать OGG напрямую в сервис, который ждёт другой контейнер или параметры кодека. Явное преобразование и проверка ненулевой длительности надёжнее расширения имени файла.

Речь может содержать персональные данные. Не отправляйте аудио в сторонний сервис без понятного основания, правил организации и уведомления пользователя. Не храните исходные записи бессрочно. Для сценариев с заявками заранее определите минимальный набор данных.

Эта схема не подходит для экстренных, медицинских или финансовых решений, где ошибка распознавания создаёт высокий риск. Она также не является готовой телефонной линией: для звонка нужны SIP или оператор телефонии, потоковое STT/TTS, управление перебиваниями и отдельное измерение задержки.

Частые вопросы

Можно ли сделать голосового бота без ИИ-модели?

Да. Speech-to-Text может распознать речь, а строгие правила выберут команду. Для узкого меню это предсказуемее свободного диалога.

Обязательно ли отвечать голосом?

Нет. Часто текстовый ответ проще проверить и исправить. TTS добавляйте, если пользователь действительно слушает результат.

Можно ли считать облачный бот бесплатным?

Нет. Официальное руководство Yandex Cloud прямо перечисляет оплату SpeechKit, функций, API Gateway и трафика. Перед запуском проверьте действующие тарифы выбранных ресурсов.

Как не выполнить ошибочную команду?

Покажите распознанный текст и параметры, затем запросите подтверждение кнопкой. Для необратимого действия используйте идемпотентность и журнал.