Учёт финансов голосом
в Telegram-боте Kopilka

Голосовой учёт расходов — для чего он нужен

Учёт финансов работает только тогда, когда трату записывают сразу. Стоит отложить на «вечером занесу» — и половина операций теряется. Голосовой ввод убирает главный барьер: трату фиксируешь за две секунды, не доставая клавиатуру.

Telegram-бот для учёта финансов с голосовым вводом — это компромисс между ручным ведением (всегда забываешь) и автоматическим парсингом SMS банка (требует разрешений, не работает с зарубежными счетами и крипто). Голосом записывает всё: наличные, обмен USDT, чай в кофейне в Стамбуле, оплату аренды в долларах через P2P.

Как работает голосовой ввод в боте Kopilka

Запись голосового сообщения в Telegram — стандартная: зажми микрофон, скажи фразу, отпусти. Голосовое попадает в OpenAI Whisper, которая переводит речь в текст. Дальше тот же NLP-парсер, что и для текстовых сообщений, выделяет:

• Сумму и валюту («двести лари», «50 долларов», «триста USDT»)
• Категорию — по контексту фразы или по твоим прошлым записям
• Несколько операций в одном сообщении («200 кофе, 350 такси, 50 метро»)
• Доход или расход — по смыслу («получил зарплату», «перевёл маме»)

Бот отвечает карточкой записанной операции. Если что-то не так — reply на эту карточку: «было 500», «это не еда, а транспорт», «удали». Бот перезапишет именно её.

Сценарии, где голос быстрее текста

На улице с пакетами. Купил продукты в магазине рядом с домом, идёшь с двумя пакетами. Достать телефон, разблокировать, открыть бот, набрать «1200 продукты» — это десять секунд и две свободные руки. Голосовое сообщение — две секунды и одна рука.

За рулём. Заправился, нужно записать сумму. Smarter — продиктовать «три тысячи бензин» и ехать дальше, чем останавливаться для набора.

Несколько операций подряд. Утро понедельника, разбираешь траты за выходные. Скажи одним сообщением: «суббота, ужин восемьсот, кино четыреста на двоих, такси триста, воскресенье — продукты тысяча двести, стрижка пятьсот». Бот разнесёт это на пять операций с правильными датами.

В магазине за границей. Ты в Грузии, расплатился картой, цена в лари, в чеке — местные надписи. Скажи «сорок лари обед» — бот сам поймёт, что это GEL, не путая с долларами.

На спортзале или прогулке. Купил воду в автомате, потратил сто иен. Записывать сразу руками — неудобно. Голосовая запись через наушники в Telegram занимает столько же времени, сколько подумать.

Чем отличается от голосового ввода в обычных приложениях

В приложениях типа Money Lover или Spendee голосовой ввод формально есть, но процесс длиннее: разблокировать телефон, найти иконку, открыть приложение, подождать загрузки, нажать «новая транзакция», нажать микрофон, продиктовать, подтвердить. Telegram-бот для учёта финансов работает по-другому: чат уже открыт в Telegram, который ты и так используешь весь день — запись голосовая идёт прямо в нём, без перехода в отдельное приложение.

Дополнительно: большинство приложений требуют «диктовать по шаблону» — сумма, категория, описание. Whisper понимает естественную речь — можно сказать «отдал триста за такси из аэропорта», и бот сам распарсит сумму, категорию и комментарий. Никакого обучения интерфейсу.

Безопасность голосовых сообщений

Голосовое сообщение отправляется в Whisper для распознавания. Оригинальный аудиофайл не сохраняется на серверах после обработки — в базе данных остаются только финальные значения транзакции: сумма, валюта, категория, дата, комментарий.

Никакого аудиоархива «всё, что ты говорил боту» — нет. Если боишься, что Whisper «слышит лишнее» в фоне — записывай голосовые в тихом месте, как обычные сообщения в Telegram. Кроме того, текстовый ввод всегда доступен как альтернатива — голос это удобство, а не обязательное условие.

Когда голос НЕ подходит

Если запись делается в шумном помещении или общественном транспорте, Whisper может ошибиться в сумме или валюте. В этих сценариях лучше написать сообщение текстом — оно работает так же быстро. Также голос плохо подходит для сложных конвертаций («обменял 500 USDT по курсу 30 000 VND за доллар» лучше написать текстом для точности).

Голос — это инструмент, а не догма. Большинство наших пользователей комбинируют: голосом — простые траты на ходу, текстом — детальные операции с обменами и комментариями.