Rozmowy VoIP nagrywa się na poziomie centrali albo protokołem SIPREC, bo serwer widzi zarówno sygnalizację, jak i strumień audio. Rozmowy GSM z prywatnych i służbowych komórek wymagają czegoś innego: nagrywania po stronie operatora (usługa na karcie SIM), architektury FMC, bramki GSM albo połączeń zestawianych przez system (call-through). Aplikacja nagrywająca zainstalowana na telefonie jest najsłabszą z tych opcji i na iPhonie nie zadziała w ogóle.

Sam plik audio to jednak dopiero początek. Wartość pojawia się wtedy, gdy nagranie zostaje automatycznie przypisane do właściwego kontaktu w CRM, przetranskrybowane i przeszukiwalne. Poniżej rozkładam na części każdą z tych warstw: technikę, prawo, jakość dźwięku, dopasowanie numerów i wdrożenie.

Ile rozmów handlowych ginie poza systemem i ile to kosztuje

Typowa sytuacja w polskiej firmie handlowej: centrala VoIP stoi w biurze, obsługuje numer główny i telefony recepcji. Handlowcy jeżdżą w teren i dzwonią z komórek. Manager otwiera raport z centrali, widzi 240 połączeń miesięcznie i wyciąga wniosek, że zespół dzwoni mało. W rzeczywistości połączeń było 1900, tylko 240 z nich przeszło przez system.

Konsekwencje układają się w powtarzalny zestaw:

Wiedza o kliencie żyje w jednej głowie. Handlowiec ustala z klientem warunki, terminy, wyjątki cenowe. Nikt tego nie zapisuje, bo po dziesiątej rozmowie dziennie nikt nie ma na to siły. Kiedy pracownik odchodzi, firma zostaje z kartą kontaktu, na której widnieje „zainteresowany, oddzwonić".

Spór z klientem nie ma rozstrzygnięcia. Klient twierdzi, że umówił się na 12% rabatu i darmową dostawę. Handlowiec pamięta inaczej. Bez nagrania to słowo przeciwko słowu i zwykle kończy się ustępstwem po stronie firmy.

Coaching opiera się na wrażeniach. Manager „czuje", że Marek za szybko schodzi z ceny, ale nie ma materiału, żeby to pokazać. Feedback bez dowodu jest odbierany jako czepianie się.

Onboarding trwa miesiącami. Nowa osoba uczy się na własnych błędach, zamiast odsłuchać dwadzieścia najlepszych rozmów zespołu w pierwszym tygodniu.

Marketing pracuje na domysłach. Prawdziwe obiekcje klientów padają w rozmowach telefonicznych, a nie w ankietach. Jeśli te rozmowy nie istnieją w formie tekstowej, nikt ich nie przeanalizuje.

Nagrywanie rozmów jest odpowiedzią na wszystkie pięć problemów naraz, pod warunkiem że obejmuje cały ruch, a nie tylko jego biurową część.

Nagrywanie VoIP a nagrywanie GSM: na czym polega różnica

Jak działa nagrywanie rozmów VoIP

Połączenie VoIP składa się z dwóch warstw: sygnalizacji (najczęściej SIP), która zestawia i rozłącza rozmowę, oraz mediów (RTP), czyli samego dźwięku. Serwer telefonii ma dostęp do obu, więc nagrywanie sprowadza się do wyboru techniki:

• Nagrywanie na centrali. Asterisk realizuje to przez MixMonitor, FreeSWITCH przez record_session. Centrala musi znajdować się w torze mediów, co oznacza wyłączenie tak zwanego direct media, przy którym telefony wymieniają audio bezpośrednio między sobą.
• SIPREC (RFC 7866). Standard, w którym element sieci replikuje sesję do dedykowanego Session Recording Server. Rozwiązanie czyste architektonicznie, obsługiwane przez większość poważnych SBC i central klasy enterprise.
• Port mirroring / SPAN. Kopiowanie ruchu RTP na poziomie przełącznika i składanie strumieni offline. Działa, ale rozsypuje się przy szyfrowaniu SRTP i przy sieciach rozproszonych.
• Nagrywanie po stronie dostawcy VoIP. Operator udostępnia nagrania w panelu i przez API. Najprostsze wdrożeniowo, najmniej elastyczne w kwestii formatu i retencji.

Wniosek praktyczny: VoIP jest problemem rozwiązanym. Jeśli ktoś mówi, że nie może nagrywać rozmów VoIP, to zwykle kwestia konfiguracji, nie technologii.

Dlaczego nagrywanie rozmów GSM jest trudniejsze

Tutaj serwera pośredniczącego nie ma. Telefon rozmawia z siecią operatora, a firma nie ma dostępu do tego toru. Stąd wszystkie rozwiązania sprowadzają się do jednego z dwóch pomysłów: albo wciągamy rozmowę do infrastruktury, którą kontrolujemy, albo nagrywa ją operator.

5 metod nagrywania rozmów GSM: wady, zalety i koszty

Metoda 1. Aplikacja do nagrywania rozmów na telefonie

Historycznie najpopularniejsza, dziś najbardziej problematyczna.

Na Androidzie od wersji 10 dostęp do źródła audio VOICE_CALL został odebrany aplikacjom, które nie są preinstalowaną aplikacją telefonu lub nie mają uprawnień systemowych. Aplikacje obchodzą to przez usługę dostępności i tryb głośnomówiący, czyli nagrywają dźwięk z mikrofonu i głośnika zamiast z toru rozmowy. Jakość spada drastycznie: pojawia się echo, pogłos pomieszczenia, hałas z samochodu.

Na iOS nagrywanie rozmowy przez aplikację trzecią jest niemożliwe. Sandbox nie daje dostępu do audio połączenia i nie ma tu żadnej furtki konfiguracyjnej.

Kiedy ma sens: mały zespół, wyłącznie Android, tolerancja na niską jakość, brak wymogu 100% pokrycia. Kiedy nie ma sensu: zespół mieszany, wymóg kompletności nagrań, plan analizy AI (jakość dźwięku decyduje o jakości transkrypcji).

Metoda 2. Nagrywanie rozmów po stronie operatora GSM

Karta SIM z aktywowaną usługą nagrywania. Operator kieruje ruch przez swoją platformę i udostępnia pliki w panelu lub przez API.

Zalety: działa na każdym telefonie, także iPhonie, bez instalowania czegokolwiek. Nagranie pochodzi z toru rozmowy, więc jakość jest równa jakości połączenia. Pokrycie 100%, bo pracownik nie może tego wyłączyć.

Wady: przywiązanie do konkretnego operatora, konieczność migracji numerów (proces trwa i wymaga zgód pracowników przy numerach prywatnych), koszt naliczany za kartę.

Kiedy ma sens: zespoły od kilku do kilkuset osób, wymóg pełnego pokrycia, telefony iPhone w zespole.

Metoda 3. FMC, czyli komórka jako numer wewnętrzny centrali

Fixed Mobile Convergence oznacza, że karta SIM jest zintegrowana z centralą firmy. Telefon komórkowy zachowuje się jak numer wewnętrzny: dzwoni przez centralę, prezentuje numer firmowy, podlega tym samym regułom co telefony biurkowe.

Zalety: rozmowa przechodzi przez infrastrukturę, którą kontrolujesz, więc nagrywanie, kolejki, statystyki i przekierowania działają tak samo dla biura i dla terenu. Numer prezentowany klientowi jest firmowy, więc odejście handlowca nie zabiera relacji.

Wady: wymaga współpracy z operatorem oferującym FMC i przemyślanej architektury centrali.

Kiedy ma sens: firmy, które chcą jedno spójne środowisko telefoniczne i mają już centralę.

Metoda 4. Bramka GSM (SIM gateway) wpięta w centralę

Fizyczne urządzenie z gniazdami na karty SIM, wpięte w centralę. Rozmowy wychodzące z centrali idą przez karty SIM w bramce, przychodzące na te numery trafiają do centrali.

Zalety: kontrola nad torem rozmowy, tańsze minuty w ruchu do sieci komórkowych, nagrywanie w centrali.

Wady: sprzęt do utrzymania, zależność od zasięgu w miejscu instalacji, ograniczona liczba jednoczesnych rozmów na kanał, operatorzy niechętnie patrzą na masowy ruch z bramek.

Kiedy ma sens: firmy z własną serwerownią i dużym wolumenem połączeń wychodzących do sieci komórkowych.

Metoda 5. Call-through, czyli połączenia zestawiane przez system

Handlowiec inicjuje połączenie z aplikacji lub z poziomu CRM. System dzwoni najpierw do niego, potem do klienta i mostkuje obie nogi połączenia. Cała rozmowa dzieje się na serwerze, więc nagrywanie jest trywialne.

Zalety: działa na iPhonie i na Androidzie, bez zmiany operatora, bez migracji numerów. Prezentacja numeru firmowego. Naturalne wpięcie w CRM, bo połączenie startuje z kliknięcia w kartę kontaktu.

Wady: zestawienie trwa kilka sekund dłużej, wymaga dyscypliny (dzwonienie z klawiatury telefonu omija system), połączenia przychodzące bezpośrednio na prywatny numer nadal wymykają się rejestracji.

Kiedy ma sens: zespoły sprzedaży wychodzącej, które i tak pracują z listy w CRM.

Porównanie metod nagrywania rozmów GSM: która dla kogo

Aplikacja na telefonie

• iPhone: nie działa
• Jakość audio: niska
• Pokrycie połączeń: częściowe
• Zmiana numeru lub operatora: niepotrzebna
• Główne ryzyko: kolejna aktualizacja systemu psuje nagrywanie
• Dla kogo: mały zespół wyłącznie na Androidzie, bez wymogu kompletności

Nagrywanie po stronie operatora

• iPhone: działa
• Jakość audio: wysoka, prosto z toru rozmowy
• Pokrycie połączeń: pełne, przychodzące i wychodzące
• Zmiana numeru lub operatora: wymagana
• Główne ryzyko: przywiązanie do jednego dostawcy
• Dla kogo: zespoły z telefonami iPhone i wymogiem 100% nagranych rozmów

FMC, komórka jako numer wewnętrzny

• iPhone: działa
• Jakość audio: wysoka
• Pokrycie połączeń: pełne, przychodzące i wychodzące
• Zmiana numeru lub operatora: wymagana
• Główne ryzyko: najbardziej złożone wdrożenie z całej piątki
• Dla kogo: firmy z centralą, które chcą jednego środowiska dla biura i terenu

Bramka GSM (SIM gateway)

• iPhone: działa
• Jakość audio: wysoka
• Pokrycie połączeń: głównie wychodzące
• Zmiana numeru lub operatora: częściowa, karty trafiają do bramki
• Główne ryzyko: utrzymanie sprzętu i zasięg w miejscu instalacji
• Dla kogo: własna serwerownia i duży wolumen połączeń do sieci komórkowych

Call-through, połączenia zestawiane przez system

• iPhone: działa
• Jakość audio: wysoka
• Pokrycie połączeń: głównie wychodzące
• Zmiana numeru lub operatora: niepotrzebna
• Główne ryzyko: handlowiec omija system, dzwoniąc z klawiatury telefonu
• Dla kogo: sprzedaż wychodząca pracująca z listy w CRM

W praktyce większość zespołów kończy na kombinacji: VoIP nagrywany na centrali, GSM u operatora lub w modelu call-through, wszystko spływające do jednego miejsca.

Jakość nagrania a skuteczność transkrypcji i analizy AI

To fragment, który wypada z większości wdrożeń, a potem odbija się przy analizie rozmów.

Pasmo i kodek. Klasyczna telefonia próbkuje dźwięk z częstotliwością 8 kHz, co daje pasmo do około 3,4 kHz. Kodek G.711 przy tym paśmie zachowuje szczegóły, G.729 kompresuje agresywnie i gubi wysokie częstotliwości. Efekt przy transkrypcji: mylone głoski szumiące i syczące (s, sz, ś, c, cz, ć), a to w polszczyźnie kosztuje sporo poprawnych słów. Jeśli masz wybór, nagrywaj w G.711 albo w Opusie z próbkowaniem 16 kHz.

Kanały. Nagranie zmiksowane do mono zmusza silnik AI do zgadywania, kto mówi. Nagranie dwukanałowe, w którym handlowiec jest na lewym, a klient na prawym kanale, rozwiązuje diaryzację na poziomie pliku, bez algorytmów. To jedna decyzja konfiguracyjna, która podnosi trafność podsumowań bardziej niż zmiana modelu językowego.

Tryb głośnomówiący. Nagrania robione z mikrofonu przy włączonym głośniku zawierają echo własnego głosu i pogłos pomieszczenia. Wskaźnik błędów transkrypcji potrafi wzrosnąć kilkukrotnie względem nagrania z toru rozmowy.

Detekcja mowy. Zbyt agresywny VAD obcina pierwsze sylaby wypowiedzi. Przy rozmowach handlowych ginie wtedy właśnie to, co najważniejsze: „nie, my raczej…", „tak, ale pod warunkiem…".

Metadane. Sam plik audio bez informacji o kierunku połączenia, numerze, czasie trwania i pracowniku jest archiwum, nie danymi. Każde nagranie powinno mieć komplet: kto dzwonił, do kogo, kiedy, jak długo, z jakim wynikiem, do jakiego rekordu w CRM należy.

Nagrywanie rozmów w CRM: 6 warstw, bez których to tylko archiwum plików

Firmy mówią „mamy nagrywanie w CRM", mając na myśli link do pliku na karcie kontaktu. To dopiero trzecia warstwa z sześciu.

Plik audio. Przechowywany, zabezpieczony, z polityką retencji. Rekord połączenia. Kierunek, numer, pracownik, znacznik czasu, długość, status (odebrane, nieodebrane, zajęte), kolejka. Powiązanie z rekordem CRM. Kontakt, firma, szansa sprzedaży, zgłoszenie serwisowe. Transkrypcja ze znacznikami czasu. Tekst, w którym można kliknąć w zdanie i przeskoczyć do tego momentu nagrania. Wyszukiwanie pełnotekstowe po treści rozmów. Nie po nazwie pliku, tylko po tym, co padło. Akcje wychodzące. Zadanie, notatka, przypomnienie, aktualizacja pola w CRM, powiadomienie dla managera.

Prosty test dojrzałości: czy jesteś w stanie w 15 sekund znaleźć każdą rozmowę z ostatnich sześciu miesięcy, w której klient pytał o terminy płatności? Jeśli nie, masz archiwum plików, a nie system rozmów.

Przypisywanie rozmów do kontaktów: normalizacja numerów E.164

Najczęstsza przyczyna sytuacji, w której nagrania spływają, ale połowa z nich ląduje jako „nieznany numer".

Ten sam numer występuje w bazie w kilku wariantach: +48 601 234 567, 0048601234567, 601-234-567, 601 234 567, 48601234567. Każdy zapis to inny ciąg znaków, więc porównanie tekstowe zawodzi.

Co robić:

• Normalizuj wszystkie numery do formatu E.164 (+48601234567) w momencie zapisu, nie w momencie wyszukiwania.
• Dla rynku polskiego dopasowuj po ostatnich dziewięciu cyfrach, bo prefiks bywa gubiony w importach.
• Obsłuż numery centralne. Jeśli pięć osób z jednej firmy dzwoni z tego samego numeru głównego, przypisz rozmowę do firmy, a osobę ustal na podstawie treści rozmowy.
• Przewidź numery przypisane do wielu kontaktów i pokaż wybór zamiast losować.
• Przy numerze spoza bazy twórz rekord roboczy zamiast wyrzucać połączenie do worka „nieznane". Handlowiec uzupełni dane jednym kliknięciem.

Zrobienie tego porządnie zamienia typowe 60-70% trafnych przypisań na 95% i więcej.

Wdrożenie nagrywania rozmów w 10 krokach

Krok 1. Policz ruch. Ile rozmów miesięcznie idzie przez VoIP, ile przez komórki, ile jest przychodzących, ile wychodzących. Bez tych liczb wybierzesz metodę na wyczucie.

Krok 2. Zinwentaryzuj sprzęt i numery. Ile iPhone'ów, ile Androidów, które numery są służbowe, a które prywatne. Prywatny numer handlowca to osobny projekt (przeniesienie albo wyposażenie w drugi numer).

Krok 3. Wybierz metodę dla każdego kanału osobno. Prawie nigdy nie jest tak, że jedna technika obsłuży wszystko.

Krok 4. Przygotuj warstwę prawną, zanim włączysz nagrywanie. Obwieszczenie, aneksy, klauzule, komunikat zapowiedziowy, rejestr czynności przetwarzania, okresy retencji.

Krok 5. Uruchom pilota na 3-5 osobach przez dwa tygodnie. Mierz: odsetek nagranych rozmów, odsetek poprawnie przypisanych do kontaktu, jakość transkrypcji, liczbę skarg zespołu.

Krok 6. Popraw mapowanie numerów. Po pilocie zobaczysz, ile rozmów wpada jako nieznane. To moment na normalizację bazy.

Krok 7. Ustaw uprawnienia i retencję. Zanim wpuścisz cały zespół, nie po fakcie.

Krok 8. Przeprowadź spotkanie z zespołem. Nie mail, spotkanie. Powód wdrożenia, co jest nagrywane, kto ma dostęp, jak długo trzymamy, co z rozmowami prywatnymi, jak to pomoże handlowcom (koniec z ręcznym notowaniem, materiał do obrony w sporze z klientem, szybszy onboarding).

Krok 9. Zdefiniuj metryki, które będziesz obserwować. Liczba i długość rozmów na osobę, odbieralność, czas do oddzwonienia, udział rozmów z ustaleniami przeniesionymi do CRM, najczęstsze obiekcje.

Krok 10. Rozszerz na cały zespół i wróć do metryk po 30 dniach.

7 błędów, które psują wdrożenie nagrywania rozmów

Nagrywanie tylko VoIP i przekonanie, że komplet jest zebrany. Jeśli 70% rozmów idzie z komórek, analizujesz 30% rzeczywistości i to nie jest losowa próbka, tylko rozmowy z biura.

Nagrania bez transkrypcji. Odsłuchanie dwudziestu rozmów zajmuje managerowi cały dzień. Bez warstwy tekstowej nagrania są odtwarzane wyłącznie wtedy, gdy wybuchnie awantura z klientem.

Brak komunikatu o nagrywaniu. Ryzyko prawne i, co bywa dotkliwsze, ryzyko wizerunkowe przy pierwszym kliencie, który się zorientuje.

Zbyt szerokie uprawnienia. Cały zespół słuchający wzajemnie swoich rozmów generuje konflikty szybciej niż korzyści.

Retencja bez końca. Rosnące koszty przechowywania i rosnące ryzyko przy incydencie bezpieczeństwa.

Brak powiązania z szansą sprzedaży. Nagranie przypięte tylko do kontaktu nie pozwala odpowiedzieć na pytanie, jak wyglądały rozmowy w dealach przegranych względem wygranych.

Wdrożenie ogłoszone jako kontrola. Zespół, który słyszy „będziemy sprawdzać, czy pracujecie", zaczyna omijać system. Zespół, który słyszy „przestajecie pisać notatki, system zrobi to za was", zaczyna z niego korzystać.

Nagrywanie rozmów GSM i VoIP w Tillio Calls

Tillio Calls powstało z części komunikacyjnej Tillio CRM, wyciągniętej na zewnątrz jako osobny produkt, bo najczęstszym problemem klientów była samodzielna konfiguracja operatorów i dostawców VoIP.

Co dostajesz w kontekście tego artykułu:

• Rozmowy VoIP i GSM w jednym rejestrze. Nie dwa systemy i dwa raporty, tylko jedna oś czasu komunikacji z klientem.
• Automatyczne przypisanie nagrania do kontaktu. Nagranie i rekord połączenia trafiają na kartę klienta bez działania handlowca.
• Transkrypcja po polsku wraz z podsumowaniem. Ustalenia, decyzje i zadania są wyciągane z rozmowy i mogą trafić do CRM bez ręcznego przepisywania.
• Analiza rozmów dla managera. Historia połączeń, statystyki aktywności, sentyment, powtarzające się obiekcje.
• SMS jako część tej samej historii. Wiadomość wysłana po nieodebranym połączeniu widnieje obok nagrań, nie w osobnym narzędziu.
• Niezależność od Tillio CRM. Calls działa natywnie w Tillio CRM, ale integruje się z dowolnym innym systemem przez REST API, webhooki i MCP Server API. Jeśli masz już CRM, którego zespół używa, nie musisz go zmieniać.

Jeśli chcesz sprawdzić, jak to zadziała przy waszym układzie numerów i operatorów, umów rozmowę wdrożeniową. Pokazujemy konkretny scenariusz dla waszego ruchu, nie prezentację ogólną.

Najczęstsze pytania o nagrywanie rozmów GSM i VoIP

Czy można nagrywać rozmowy na iPhonie?

Nie za pomocą aplikacji zainstalowanej na telefonie, bo system nie udostępnia audio połączenia aplikacjom zewnętrznym. Nagrywanie rozmów użytkowników iPhone'a realizuje się po stronie operatora, w architekturze FMC albo przez połączenia zestawiane przez system.

Czy nagrywanie rozmów z komórek wymaga zmiany operatora?

Zależy od metody. Nagrywanie po stronie operatora i FMC zwykle tak. Model call-through i bramka GSM pozwalają zachować obecnego operatora.

Czy trzeba pytać klienta o zgodę na nagrywanie?

Trzeba go poinformować przed rozpoczęciem nagrywania. Zgoda jako podstawa prawna nie zawsze jest konieczna, bo w wielu przypadkach wystarczy prawnie uzasadniony interes administratora, ale obowiązek informacyjny obowiązuje zawsze.

Jak długo można przechowywać nagrania rozmów?

Nie ma jednej ustawowej liczby. Okres musi wynikać z celu przetwarzania i zostać zapisany w dokumentacji. Spotykane praktyki to od trzech do dwunastu miesięcy dla rozmów operacyjnych i dłużej dla nagrań mających znaczenie dowodowe.

Czy nagrywanie rozmów pracowników jest legalne?

Tak, o ile spełnisz wymogi dotyczące monitoringu: cel, zakres i sposób zapisane w regulaminie pracy lub obwieszczeniu, poinformowanie zespołu z dwutygodniowym wyprzedzeniem i informacja na piśmie dla nowo zatrudnianych osób.

Czy nagranie w trybie głośnomówiącym wystarczy do analizy AI?

Wystarczy, żeby usłyszeć treść, ale trafność transkrypcji spada wyraźnie przez echo i hałas otoczenia. Przy rozmowach prowadzonych z samochodu różnica bywa na tyle duża, że podsumowania stają się niewiarygodne.

Czy nagrania można podpiąć do CRM, którego już używamy?

Tak, jeśli system nagrywania udostępnia API i webhooki. Tillio Calls przekazuje rekordy połączeń, nagrania i transkrypcje przez REST API, webhooki oraz MCP Server API, więc może zasilać dowolny CRM.

Co zrobić z rozmowami przychodzącymi bezpośrednio na prywatny numer handlowca?

Trzy opcje: przeniesienie numeru do puli firmowej, wyposażenie handlowca w drugi numer służbowy i stopniowa migracja klientów albo prezentowanie numeru firmowego w ruchu wychodzącym, żeby klienci sami zaczęli oddzwaniać na numer objęty rejestracją.