Привет! Хочу поделиться как я сделал своего первого телеграм-бота, бота для транкрибации голосвых. Сначала, конечно, я посмотрел какие похожие боты есть, но те, которые нашёл, мне не понравились, неудобно или медленно. И я решил что жизненно необходимо запилить своего.

👀 Какие телеграм-боты транскрибации смотрел

Когдя я искал существующие боты для рашифровки голосовых, то посмотрел несколько.

Telegram Premium. Не бот, но есть транскрибация голосовых, возвращает полотно текста. Если это “Привет, как дела?”, то ок. Но если голосовое минуты на 2–3, то читать сложно.

Буквица. Тоже стена текста.

Briefly. Если текст длинный, то сразу даёт саммари, а транскрипция трудно читаема (сохраняет повторы, мусорные слова).

Silero STT. Сплошной текст вперемешку с таймкодами. Неудобно читать.

Whisper Summary AI. Присылает несколько сообщений сразу: ссылки на гугл-док, сплошной текст, разделение на спикеров и таймкоды. Круто, конечно, но опять не то, что надо.

Voicee_AI_Bot. Для голосового на 20 секунд присылает ссылки на PDF, DOCX, TXT, отдельное сообщение с предложением создать интерактивную версию, отдельное сообщение с вариантами обработки. Транскрипция без абзацев. Спасибо большое!

Проверил ещё несколько и остановился. Некоторые уже не работают, а у других снова плохо читаемый текст. И у меня возникло острое желание сделать своего бота. Яжепрограммист.

С чего начать? Конечно же c ИИ.

🤖 ИИ, ИИ, ИИ…

Первое, что сделал, конечно, посоветовался с электронным помощником:

бро, хочу сделать идеального телеграм бота для перевода голосовых в текст, мне не нравятся существующие, медленно работают или присылают полотно текста. что посоветоветуешь? давай коротко и по делу

И вот такой итоговый план:

• Регистрируешь бота через @botfather.

• Выбираешь Whisper API как основной движок.

• Пишешь логику на Python + Aiogram.

• При получении голосового сообщения: скачиваешь файл, конвертируешь в нужный формат, транскрибируешь, форматируешь и отправляешь пользователю.

• Размещаешь на шустром VPS в Европе.

Ок, звучит просто.

Потом ещё несколько итераций я общался про UX и взаимодействие с пользователем. Старался утрясти своё видение, что значит идеально и что я хочу получить от бота.

То есть, как я себе представляю идеальный процесс. Отправляю голосовое, и максимально быстро вижу результат. Без всяких, “это может занять несколько минут…”, “вы 15-й в очереди…”, или просто молчание, когда непонятно, что происходит. Результат — это отформатированный текст, который сохраняет стиль говорящего и который удобно читать. Ну и в целом хочется, чтобы взаимодействие с ботом было ненапряжным.

Из чатов с чатом я выделил три фокуса:

• UX. Минимальный, понятный, ненавязчивый.

• Скорость это важно. Стремится к минимальному TTFB, ну или давать пользователю знать, что происходит, и не пропадать из чата.

• Прозрачность. Объяснять, что голосовые не сохраняются, тексты транскрипций остаются только для создания саммари, и всё можно удалить.

Удобно. Быстро. Безопасно.

💅 UX важнее фич

С UX всё понятно, чем меньше кликов, экранов и непонятных шагов, тем лучше. Скинул голосовое — получил текст.

UX должен быть невидимым. Лучший интерфейс это его отсутствие

Хорошо сказано.

Скорость ответа воспринимается как качество. Бот должен экономить время. Есть скорость техническая, а есть скорость восприятия действия человеком. Слишком упарываться в техническую оптимизации не хотелось, всё-таки это только первая итерация. Поэтому два UX-момента:

1. Присылать реакцию бота и обновления статуса как можно быстрее. Но со статусами мельтешить тоже не стоит, раз в 2 секунды достаточно.

2. Стримить ответ от LLM и редактировать сообщение в телеграм. Тут главное соблюдать лимиты Telegram API.

Кроме того, UX бота выражается и в его характере.

🧐 Характер бота

Хотя функций у бота минимум, всё равно есть взаимодействие: приветственное сообщение, сообщение об ошибке и т.д. И хочется, чтобы бот был в общении приятным «человеком» и чтобы стиль ответов оставался одинаковым.

Поэтому важно продумать его характер (tone of voice).

С помощью ИИ я сгенерировал такой промт, который использовал для генерации сообщений от бота:

Твоя личность — это личность компетентного, эффективного и немного ироничного личного помощника. Придерживайся следующих принципов:

1. Компетентность превыше всего: Будь точным, ясным и уверенным. Говори по делу.

2. Сухой юмор и самоирония: Твой юмор — интеллектуальный. Ты можешь иронизировать над ситуацией (например, над длинными голосовыми) или над самим собой (признавать технологические клише), но никогда не смейся над пользователем.

3. Ты — союзник пользователя: Ты на его стороне в борьбе с потерей времени. Всегда подчеркивай его выгоду.

4. Язык эффективности: Пиши короткими предложениями. Используй активный залог. Минимум "воды". Используй эмодзи чтобы было проще читать и выглядело дружелюбно. Эмодзи добавляй по необходимости и разумно.

5. Говори от первого лица: Всегда используй "я" ("я заметил", "я сделал", "я предлагаю").

# ЧЕГО СЛЕДУЕТ ИЗБЕГАТЬ

- НЕ извиняйся и не заискивай. Не используй фразы вроде "к сожалению", "простите".

- НЕ будь фамильярным. Никакого сленга.

- НЕ будь негативным. Вместо проблемы всегда предлагай решение.

Теперь про технику.

🛠 Техстек

Хоть ИИ и бро, но техстек я чутка поменял.

Вместо aiоgram выбрал python-telegram-bot, потому что больше звёзд на гитхабе и звучит солидно.

Вместо VPS в Европе, деплой в Railway в европейский регион. Минимально движений с инфраструктурой.

Для базы решил использовать Turso. Никогда не пробовал, интересно, как оно. Всё-таки у меня MVP из палок и глины.

OpenAI как провайдер моделей: для spech-to-text использую whisper-1, для обработки транскрипций gpt-4o-mini.

Можно начинать кодить. Погнали!

☕ Вайбкодинг

Запустил Сursor и создал простую структуру проекта, чтобы ИИ было проще не терять контекст:

/bot

__init.py__

bot.py

config.py

db.py

llm.py

models.py

stt.py

stream.py

usage.py

users.py

main.py

README.txt

requirements.txt

Дальше, самая лёгкая часть. Пишу в чат, что мне надо, пью чай, пока иишка трудится. Иногда перезапускаю Сursor потому, что агент начинает бредить.

Использовал в основном gemini-2.5-pro.

Алгоритм простой:

[ Голосовое ]

│

▼

[ Скачиваю в память ]

│

▼

[ Whisper-1 → транскрибация ]

│

▼

[ GPT-4o-mini → форматирование/саммари ]

│

▼

[ Готовый текст пользователю ]

│

▼

[ PROFIT 🚀 ]

С ORM не стал заморачиваться, просто запросы в базу, данные мапятся в dataclass-ы.

Тестов не вайбкодил.

🔒 Конфиденциальность

Посылать голосовые непонятно куда, это такое себе. Поэтому добавил про конфиденциальность, что и как используется, и как меня найти.

По кнопке можно удалить все тексты, которые бот сохранял для работы.

🙏 Итог. Нужен твой фидбек

Получилось ли сделать идеальный бот для одной функции? Не знаю. Сделать, сделал, а пользователей потестить нет.

Бот @VoxitoBot. Говорить - проще. Читать - легче.

Если попробуетe и дадите фидбек, буду очень благодарен. 🙌

Интересно и общее ощущение от UX, и может что упадёт, и что будет если больше одного пользователя будет одновременно.

Пишите ваше мнение в комментариях!

Да, и для MVP ограничение на длину голосового — 5 минут.

P.S. Эту статью я изначально опубликовал на VC.ru вот ссылка.