Ново SES v1 + Umay v17 езика · 2 региона (скоро САЩ)

Гласове, които звучат човешки. Транскрипции докато хората говорят.

SES превръща текста ви в естествена реч. Umay записва всяка дума в мига, в който е изречена. mihu voice дава на вашия продукт глас и уши.

Турски, английски, немски, френски, италиански, руски и испански · Хостинг в Европа или Турция или на вашите собствени сървъри · Скоро и в САЩ

mihu
Телефонно аудио
WebSocket
Аудио файлове
mihu-umay-v1
mihu-ses-v1
Диаризация · изолиране · ITN
Финален текст80 ms“Where is my order?” · en
Речта е синтезирана24 kHz“16:30” → las cuatro y media · es

7 езика, реч в текст и текст в реч

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Библиотека с гласове · mihu-ses-v1

Гласове, които звучат местно

22 гласа на 7 езика. Изберете един и го чуйте: всеки пример е mihu-ses-v1, който чете изречението по-долу.

Alp

Türkçe · Мъжки глас

Merhaba, ben Alp. Aradığınız için teşekkürler, size nasıl yardımcı olabilirim?

Натиснете play: изречението светва, докато се чете

Два модела, един API, седем езика

mihu-umay-v1 за реч в текст и mihu-ses-v1 за текст в реч зад един HTTPS и WebSocket API, с хостинг в Европа или Турция (скоро и в САЩ) или на вашите собствени сървъри.

mihu-umay-v1 · Реч в текст, създадена за разговори на живо

Текстът се появява, докато обаждащият се още говори; финалното изречение е готово около 80 ms след като спре, по-бързо от мигване, така че агентът ви може да отговори без пауза. 3,42% грешки на ниво дума при четена реч на турски (FLEURS). В режим само за турски един сървър обработва до 256 разговора на живо със същите опции за нормализация и изолиране на гласа.

Частичен“Merhaba, siparişim ne za…”tr · 0,44 s след началото на речта
Финален“Merhaba, siparişim ne zaman gelir?”tr · 79 ms след края на речта
S2 · жена“Yarın sabah kapınızda olacak.”диаризирано · увереност 96%
Финален“Ich habe eine Frage zur Rechnung.”de · финален текст
Финален“¿Me puede repetir la dirección?”es · финален текст
Частичен“Je voudrais changer la da…”fr · поточно
Частичен“Merhaba, siparişim ne za…”tr · 0,44 s след началото на речта
Финален“Merhaba, siparişim ne zaman gelir?”tr · 79 ms след края на речта
S2 · жена“Yarın sabah kapınızda olacak.”диаризирано · увереност 96%
Финален“Ich habe eine Frage zur Rechnung.”de · финален текст
Финален“¿Me puede repetir la dirección?”es · финален текст
Частичен“Je voudrais changer la da…”fr · поточно
Разговор на живо16 kHz PCM, кадри от 100 ms, един сокет.финален ~80 msWER 3.42%

Входове

WebSocket · поток на живо REST · аудио файлове 8 kHz телефонно аудио

mihu-ses-v1 · Реч, която звучи местно

Чете адреси, имена на места, суми, дати, регистрационни номера и телефонни номера така, както ги казват хората, и на 7-те езика. Аудиото започва да се предава, преди цялото изречение да е синтезирано.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Аудио изход24 kHz PCMпоточно
English“17 Oak St, Apt 4” → seventeen Oak Street, apartment fouren
Español“16:30” → las cuatro y mediaes
Türkçe“No: 17 Daire: 4” → on yedi numara, daire dörttr
Интелигентно четене

3,38% WER (tr)

95,6% правилни имена на места

7 езика

Кой какво е казал, на живо

Разпознаване на пола, диаризация на говорителите, заключване на говорител и изолиране на гласа за шумни телефонни линии. Всяка функция се включва за отделна заявка; изключена означава никакво допълнително забавяне.

РазговорЕзикГоворителПолФинален текстСтатус
S2 · жена · 96%
Входящи · турски · 256 разговора на живо
Финален текст p95< 0.35 s

Интелигентно форматиране и имена на места

„bin iki yüz elli lira“ става 1.250 TL, а датите и регистрационните номера излизат така, както ги очаква една CRM система. Вградените списъци с райони и квартали плюс вашите собствени ключови думи повишават точността при имената на места на живо с 3 до 8 пункта.

Интелигентно форматиране“bin iki yüz elli lira” → 1.250 TL · добавя ~6 msitn
Подсилване на имена на местаКвартали в Денизли · 86% → 94% · добавя ~10 mshotwords
Вградени списъци · 5 града
Вашите собствени думи

Adresim Yukarı Yeniköy Mahallesi, No: 17 Daire: 4. Tutar 1.250 TL.

— обаждащ се, Денизли

Създадено за кол центрове и гласови агенти

mihu voice

Доклад от оценка · ноември 2026

Измерено върху телефонно аудио, не върху демота.

Три публични турски тестови набора, 500 изговорени адреса и 1273 изречения за синтез, оценени по един и същ начин за всяка система. По-ниският процент грешки на ниво дума е по-добър.

3.42%

WER при четена реч

Турският тестов набор FLEURS, 743 клипа. Най-нисък в сравнението.

Фиг. 2

1.68%

WER при изговорени адреси

500 адреса, 8 kHz, с подсказки за места.

Таблица 3

19.5×

по-бързо от реалното време

Файлове през API в Турция, бърз режим.

Таблица 3

3.38%

Грешки на ниво дума при TTS

1273 изречения от отворения набор mihuai/turkish-tts-eval.

Фиг. 3

FLEURS tr_tr test · 743 клипа

mihu-umay-v1

3.42

openai/whisper-large-v3

3.52

turkmedstt/whisper-large-v3-turkish-general

3.94

balbal-v2-manas

4.20

openai/whisper-large-v3-turbo

4.30

mihuai/turkish-stt-66m-v2

5.28

balbal-v2

5.41

Qwen/Qwen3-ASR-1.7B

6.48

PatientDesk/Duyu-small

6.72

Фигура 2. Процент грешки на ниво дума, по-ниският е по-добър, турски, средно строго правило за оценка (вариантите на числа и формати се приемат). mihu-umay-v1 е първи от 9 при четена реч. Стълбовете, които излизат извън оста, са отрязани и отбелязани с →.

Разбираемост на синтезираната реч

mihuai/turkish-tts-eval
mihu-ses-v1
3.38
Antalia-2 Mini
3.52
EMA Lightning 1.1.2
7.88
Piper
9.36
Anka TTS 0.1.6
9.79
Trendyol-TTS
11.07
FreyaTTS-small
40.84 →

Фигура 3. Всяка система чете едни и същи 1273 изречения от кол център от отворения набор от данни mihuai/turkish-tts-eval; независим разпознавател транскрибира аудиото. Процент грешки на ниво дума; по-ниският означава, че речта се разбира по-лесно. Седем турски TTS системи; всички графики и таблици са на страницата с бенчмаркове.

Таблица 2. Естественост на едно и също синтезирано аудио. Прогнозни оценки за качество, по-високата е по-добра; най-добрата във всяка колона е с удебелен шрифт.

СистемаUTMOSv2SCOREQDNSMOS Pro
mihu-ses-v13.314.103.64
Antalia-2 Mini2.783.363.63
Trendyol-TTS2.884.253.91
EMA Lightning 1.1.22.683.543.25
Anka TTS 0.1.62.663.553.93
FreyaTTS-small2.452.573.18

mihu-ses-v1 има най-високата оценка UTMOSv2 като цяло и във всички 13 категории изречения от набора. Трите предиктора не са съгласни помежду си и не заместват тест със слушатели.

Два турски TTS тестови набора

кол център срещу ежедневна реч

mihuai/turkish-tts-eval1273 изречения · Фиг. 3

Нашият референтен набор за речта в контактни центрове, моделиран по реални разговори с клиенти: суми, номера на сметки и лични номера, адреси, имейл и уеб адреси, имена, изговорени буква по буква, и смесени формати. Труден по замисъл.

freyavoice/freya-tr-eval495 изречения · CC-BY-4.0

Ежедневен разговорен набор: кратки изречения от 3 до 13 думи за всекидневието, въпроси и възклицания, с малко числа или кодове. По-лесен, затова тук всяка система постига по-ниски стойности.

Процент грешки на ниво дума при freya-tr-eval, %

EMA Lightning 1.1.2
0.99
Trendyol-TTS
1.01
Antalia-2 Mini
1.17
mihu-ses-v1
1.28
Anka TTS 0.1.6
1.33
Piper
3.26
FreyaTTS-small
12.05 →

Същата оценка като във Фигура 3. При разговорния набор водещите системи са на части от процента една от друга; наборът за кол център е мястото, където системите се разграничават.

Фигура 4. Наборът за кол център измерва това, което един контактен център има нужда да бъде прочетено правилно; ежедневният набор измерва обикновената разговорна реч. По-ниският процент грешки е по-добър.

Таблица 3. Показатели на услугата на живо, регион Турция, 3 ноември 2026 г.

ИзмерванеНастройкаРезултат
Скорост на транскрибиране на файлове, 743 клипабърз режим19,5× реално време
Скорост на транскрибиране на файлове, 743 клипанормален режим8,5× реално време
Неуспешни, липсващи или празни резултати743 клипа0
Грешки на ниво дума при адреси, 500 адреса, 8 kHzбез → с подсказки за места2,22 % → 1,68 %
Изцяло правилни изречения с адрес, 8 kHzбез → с подсказки за места92,6 % → 97,2 %
Правилно разпознат квартал, 8 kHzбез → с подсказки за места95,6 % → 98,2 %

Методика. Навсякъде е използвано средно строго правило за оценка. Телефон: публичен турски телефонен тестов набор, използван само за тестване. Медии: броят се само 502-та клипа от MediaSpeech, изключени от обучението на mihu. Скоростта е измерена от край до край през публичния API, включително мрежата. Аудиото с адресите е синтетично.

Искате ли вашата система в тези таблици?

Изпратете ни достъп до API или модела и ще го пуснем на същите тестови набори със същата оценка, ще ви покажем резултатите първо на вас и ще ги публикуваме тук, каквито и да са.

[email protected] →

Всички бенчмаркове →

mihu voice1
mihu voice

Интегриране на реч‑в‑текст и текст‑в‑реч в контактен център

разработчиците на mihu voice · developers.mihu.ai

Два модела стоят зад един API ключ: Umay за разпознаване на реч и Ses за синтез на реч. И двата са достъпни през REST и WebSocket, отговарят по един и същ начин във всеки регион и работят с официалните OpenAI SDK, като просто смените базовия URL. Тази бележка показва как се вписват в съществуващ контактен център, дава работеща заявка за всеки случай на употреба, изброява какво поддържа всеки интерфейс и описва как се обработват ключовете, данните и гласовите отпечатъци.

Архитектура

Клиентите се свързват директно с избрания от тях регион; не е нужен mihu SDK и нищо не работи при вас. Разговорите на живо предават аудио през WebSocket, а файловете и синтезът използват обикновен HTTPS.[1][4] Когато данните не бива да напускат вашата мрежа, същата услуга работи на вашите собствени сървъри.

(a) Вашите системи

Контактен център / IVR

аудио от обаждащия се на живо

Гласов агент

финален текст → LLM → реч

Записи на разговори

архив, QA, анализи

HTTPS, WSS, Bearer ключ

(b) mihu voice API

Umay — реч в текст

WS /v1/stream WS /v1/realtime POST /v1/audio/transcriptions

Ses — текст в реч

POST /v1/audio/speech GET /v1/voices

данните остават в региона

(c) Къде работи

Европа

stt.eu.mihu.ai tts.eu.mihu.ai

Турция

stt.tr.mihu.ai tts.tr.mihu.ai

Вашите сървъри

on-prem Docker на CPU, офлайн

Фигура 1. Обзор на внедряването. Клиентите достигат и двата модела през HTTPS и WebSocket с един API ключ; всяка заявка се обслужва, а данните ѝ се пазят, в региона, чийто хост извиква.

Интеграция

Всеки листинг по-долу работи точно както е написан, след като зададете KEY. Изборът на регион променя само хоста.[2][3][5]

|
Регион
WS /v1/stream · python
1import asyncio, json, websockets23URL = "wss://stt.eu.mihu.ai/v1/stream?model=umay-stream&language=tr&api_key=KEY"45async def transcribe(chunks):        # 100 ms of 16 kHz mono int16 PCM6    async with websockets.connect(URL, max_size=None) as ws:7        async def read():8            async for m in ws:9                d = json.loads(m)10                if d["type"] == "final":11                    print(d["text"])  # send this to your LLM12        reader = asyncio.create_task(read())13        for chunk in chunks:14            await ws.send(chunk)15        await ws.send(json.dumps({"event": "end"}))16        await reader

Събития от сървъра

{"type":"partial","text":"adresiniz şirin","segment":0}
{"type":"final","text":"Adresiniz Şirinyer Mahallesi.","segment":0,"start":0.4,"end":3.1}
{"type":"speaker","speaker":"S1","gender":"female","percent":97}
{"type":"usage","audio_seconds":42.1}

Параметри

language, normalize, hints, gender_detection, diarize, speaker_lock, voice_isolation

Листинг 1. Реч в текст, разговори на живо (WebSocket, 16 kHz PCM). Хост stt.eu.mihu.ai; пълно ръководство на developers.mihu.ai/stt/native-api.

Техническа спецификация

Таблица 1. Интерфейси и възможности на двата модела.

Реч в текст (Umay)Текст в реч (Ses)
Моделmihu-umay-v1: umay за файлове, umay-stream на живоmihu-ses-v1
ИнтерфейсиREST; WebSocket (собствен); WebSocket (OpenAI Realtime)REST, поточно по време на генериране; server-sent events
АудиоФайлове във всеки разпространен формат, преобразувани до 16 kHz. На живо: 16 kHz моно 16-битов PCM в кадри от 100 ms24 kHz моно; pcm (по подразбиране), wav, mp3, opus, aac, flac
Езициtr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Съвместимост със SDKОфициалните OpenAI SDK чрез смяна на base_urlОфициалните OpenAI SDK чрез смяна на base_url
Обработка на текстаСуми и дати, записани с цифри; корекция на турски диалекти и имена на места; подсказки за фразиЧисла, дати и съкращения се прочитат; незадължително генериране с проверка за турски; ударение в руския
Говорители, гласовеДиаризация, разпознаване на пола, заключване на говорител, гласови отпечатъци със съгласие, подписана верификация22 вградени гласа; собствени гласове от запис
Дълги задачи, управлениеАсинхронна транскрипция с webhook_url; задачи за изолиране на аудиоЗатварянето на връзката спира синтеза (barge-in)
Back-pressureWebSocket се затваря с 1013 при лимита на разговорите на живо; нов опит след ~1 s503, докато всички workers са заети; опитайте отново

Източници: [2], [3], [5], [6].

Сигурност и управление

4.1Удостоверяване. Един API ключ на клиент, изпратен като Authorization: Bearer <KEY> или като ?api_key= за WebSocket от браузър. При липсващ или грешен ключ отговорът е 401.[1]

4.2Местоположение на данните. Регионът се избира за всяка заявка: Европа или Турция. И двата имат едни и същи пътища, полета и отговори, а аудиото и транскрипциите остават на сървъра на извикания регион.[1] Регионът Турция пази данните в страната (KVKK).

4.3Съгласие и верификация. Гласов отпечатък се съхранява само със съгласието на лицето и може да бъде изтрит окончателно. Резултатите от верификацията са подписани; публичният ключ е публикуван на /v1/voiceprints/jwks.[1]

4.4Собствена инфраструктура. Доставя се като контейнеризирани Docker услуги върху управлявана от клиента инфраструктура и се внедрява в Kubernetes с Rancher или Helm. Работи на стандартни CPU сървъри: не са нужни нито GPU, нито интернет връзка.

Литература

  1. [1]Разпознаване на реч Umay — Въведение. developers.mihu.ai/stt/introduction
  2. [2]Umay — Собствен API (файлове и аудио на живо). developers.mihu.ai/stt/native-api
  3. [3]Umay — API, съвместим с OpenAI. developers.mihu.ai/stt/openai
  4. [4]Ses текст в реч — Въведение. developers.mihu.ai/tts/introduction
  5. [5]Ses — Текст в реч, стрийминг и грешки. developers.mihu.ai/tts/speech
  6. [6]Ses — Гласове. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Конзолата

Всичко, което прави API, в браузъра: пробвайте гласове, транскрибирайте, клонирайте, управлявайте ключове. А вие решавате колко дълго да се пази каквото и да е.

Гласове

Вградените гласове и вашите собствени. Чуйте всеки от тях, преди да го използвате.

Text to Speech

Напишете текст, изберете глас и го чуйте да започва за около 0,1 s. Изтегляне като mp3, wav, flac и други.

Speech to Text

Качете файл или линк, запишете или минете на живо и гледайте как думите се появяват, докато говорите.

Voice Isolator

Премахнете фоновите гласове и шума от запис; сравнете преди и след.

Clone Voice

Глас от 10–30 секунди реч, с проверка чрез четене и съгласието на говорителя.

API ключове и потребление

Ключове за вашите сървъри, код за бърз старт за всеки регион и колко сте похарчили.

Таблица 5. Съхранение на данни в конзолата: вие избирате в Конзола → Настройки.

Показване веднъж1 денпо подразбиране1 седмица14 дни1 месец3 месеца6 месеца3 години
Какво се пази
Само транскрипциите, които правите в конзолата, във вашия акаунт, в региона, който използвате (Европа или Турция).
Колко дълго
Периодът, който изберете в Конзола → Настройки. 1 ден, ако не го промените.
След това
Изтриват се от нашите сървъри и от логовете ни. Транскрипциите изобщо не се записват в логове.
Изтриване сега
Всяка транскрипция или всички наведнъж, по всяко време. Изчезват от сървърите и логовете незабавно.
Показване веднъж
Нищо не се записва никъде: виждате транскрипцията, а опресняването на страницата я изчиства.
Аудио
Никога не се съхранява. Записите, генерираната реч и изолираното аудио са налични за възпроизвеждане и изтегляне веднага.

API е отделен: аудиото и транскрипциите, които му изпращате директно, се обработват и връщат, без да се пазят (вижте следващата страница).

mihu voice2
mihu voice

Защита на данните: KVKK и GDPR

Аудиото и транскрипциите, изпратени към API, се обработват и връщат, без да се пазят. В конзолата вие решавате колко дълго остават транскрипциите ви – от никак до 3 години. По-долу е всичко, което се съхранява, защо и за колко време.

Таблица 6. Не се съхранява.

ДанниКакво се случва с тях
АудиоПотоците на живо се обработват в паметта и никога не се записват на диск. Изпратен файл се държи само докато се транскрибира (големите файлове и изтеглянията чрез file_url – във временен файл, изтрит веднага след това); за задачите с webhook_url вижте Таблица 7.
ТранскрипцииВръщат се на вас; не се съхраняват и не се записват в логове. Единственото изключение е резултатът от задача с webhook_url (Таблица 7).
Webhook адреси и тайниВашите webhook_url, file_url и webhook_secret никога не се записват в логове; логовете отбелязват само, че е използван webhook.
Гласови записи за гласови отпечатъциНикога не се съхраняват, в нито един режим. Пази се само числовият подпис и то само ако го поискате.
Записи за собствени гласовеДекодират се, изрязват се и се използват за изграждане на гласа, след което се изтриват. Пазят се само самият глас и неговите данни (Таблица 7).
Аудио в конзолатаЗаписите, генерираната реч и изолираното аудио са налични за възпроизвеждане и изтегляне веднага; нищо от тях не се запазва.

Таблица 7. Съхранява се, и за колко време.

ДанниКога и каквоПазят се
Записи за потреблениеАкаунт, модел, език, секунди аудио и час, за фактуриране. Без аудио, без текст.за фактуриране
Аудио на webhook задачаСамо за файлове, изпратени с webhook_url: аудиото чака на диск в опашката със задачи и се изтрива веднага щом разпознаването приключи.до транскрибиране
Резултат от webhook задачаИзпраща се на вашия webhook_url (подписан с HMAC-SHA256, когато зададете webhook_secret; при липса на отговор от сървъра ви се изпраща повторно след 1 s, 10 s, 1 min, 5 min и 30 min) и е достъпен само за вашия акаунт. След това се изтрива. Ако доставката все още се опитва повторно, остава най-много още един час.1 час след приключване
Гласови отпечатъциСамо когато създадете такъв, със съгласието на лицето. Пазят се във вашия акаунт (до 1000) или при store=false ви се връщат като криптиран токен, така че ние не пазим нищо.докато не ги изтриете
Собствени гласовеСъстоянието на гласа и неговите данни (име, език, пол, запис на съгласието, показатели за качество), само във вашия акаунт. DELETE ги премахва окончателно.докато не ги изтриете
Транскрипции в конзолатаСамо транскрипциите, които правите в конзолата, пазени във вашия акаунт, за да можете да ги отворите и изтеглите по-късно. Вие избирате колко дълго в Конзола → Настройки: показване веднъж (никога не се запазват), 1 ден (по подразбиране), 1 седмица, 14 дни, 1 месец, 3 месеца, 6 месеца или 3 години. Когато периодът изтече или когато ги изтриете, те се премахват от нашите сървъри и логове. Транскрипциите никога не се записват в логове.1 ден по подразбиране

Местоположение на данните. Всяка заявка се обработва в региона, който извиквате – Европа или Турция, и данните ѝ остават там. Регионът Турция пази данните в страната в съответствие с KVKK.

Гласовите отпечатъци са биометрични данни. Съгласно KVKK и GDPR за тях е нужно изричното съгласие на лицето: вашето уведомление за поверителност и текстът за съгласие трябва да обхващат тази цел. Всеки гласов отпечатък може да бъде изтрит окончателно с DELETE /v1/voiceprints/{id}.

Разпознаването на пола е обработване на лични данни. Ако включите gender_detection, вашето уведомление за поверителност трябва да го обхваща и, когато се изисква, обаждащият се трябва да даде съгласие. Изключено е, освен ако не го поискате.

API или конзола. Заявките, които изпращате към API, не оставят нищо извън Таблица 7. Конзолата пази само вашите транскрипции за зададения от вас период (1 ден, ако не го промените, или изобщо не ги пази при показване веднъж), след което ги изтрива от нашите сървъри и логове. Тя никога не пази аудиото.

Нищо за изключване от ваша страна. Ако никога не създадете гласов отпечатък и никога не изпратите webhook_url, се пази само записът за потребление.

Вашите собствени сървъри. On-prem внедряванията работят на вашата инфраструктура без интернет връзка, така че никакви данни не достигат до mihu.

mihu voice3
mihu voice

Цени

Ценови листи в евро. Плащате за аудиото, което изпращате, и за символите, които синтезирате; опциите се таксуват отделно, само когато ги използвате.

Реч в текст

mihu-umay-v1

€0.09

на час аудио

€0.0015 на минута аудио.

Текст в реч

mihu-ses-v1

€10.00

на милион символа

€0.01 на хиляда символа.

Таблица 8. Опции за реч в текст и гласови крайни точки, таксувани допълнително само при използване. Файловете и потоците на живо струват еднакво.

ОпцияЦенаЕдиница
Изолиране на гласа€0.01на разговор
Диаризация на говорителите€0.01на разговор
Заключване на говорител€0.01на разговор
Разпознаване на пола€0.01на разговор
Гласови отпечатъци€0.01на заявка
Верификация на говорителя€0.01на заявка

Таблица 9. Колко струват типичните натоварвания по ценова листа.

НатоварванеОбемЦена
Транскрибиране на 10 000 разговора по 3 минути500 часа аудио€45.00
Изговаряне на 10 000 отговора по 200 символа2 милиона символа€20.00
Транскрибиране на 1000 часа записи1000 часа аудио€90.00
10 000 разговора по 3 минути с диаризация на говорителите500 часа + 10 000 разговора€145.00
10 000 разговора по 3 минути с изолиране на гласа, диаризация, заключване на говорител и разпознаване на пола500 часа + 4 опции × 10 000 разговора€445.00

Работите on-prem или с по-големи обеми? Свържете се с нас.

mihu voice4

Често задавани въпроси

Вашите данни

През API: нито аудио, нито транскрипции. Те се обработват в паметта и ви се връщат. Пазим записи за потребление за фактуриране (без аудио или текст); при асинхронни задачи, изпратени с webhook_url – аудиото до транскрибирането и резултата 1 час след приключване; гласови отпечатъци само ако ги създадете, със съгласието на лицето (при store=false дори те остават при вас); и собствени гласове, докато не ги изтриете (никога записа, от който са създадени).

Само толкова дълго, колкото изберете. Транскрипциите, които правите в конзолата, се пазят във вашия акаунт, за да можете да ги отворите и изтеглите по-късно: 1 ден по подразбиране или 1 седмица, 14 дни, 1 месец, 3 месеца, 6 месеца или 3 години, зададено в Конзола → Настройки. Когато периодът изтече или когато ги изтриете, те се премахват от нашите сървъри и логове; транскрипциите никога не се записват в логове. Изберете „показване веднъж“ и нищо не се запазва: опресняването на страницата я изчиства. Можете да изтриете всяка транскрипция или всички по всяко време. Аудиото никога не се пази в конзолата; изтеглете веднага каквото ви трябва.

Не. Вашето аудио, транскрипции и текст не се използват за обучение или подобряване на нашите модели.

Да. Определянето по гласа дали обаждащият се е мъж или жена е обработване на лични данни. Ако включите gender_detection, вашето уведомление за поверителност по KVKK / GDPR трябва да го обхваща и трябва да поискате съгласието на обаждащия се, когато това се изисква. Разпознаването на пола е изключено, освен ако не го поискате.

Модели и езици

И за реч в текст, и за текст в реч: турски, английски, немски, френски, италиански, руски и испански. Задавате езика за всяка заявка.

Не. On-prem версията работи на стандартни CPU сървъри. Доставя се като контейнеризирани Docker услуги върху управлявана от клиента инфраструктура и се внедрява в Kubernetes с Rancher или Helm. Не са нужни нито GPU, нито интернет връзка.

Текстът се появява, докато обаждащият се още говори. Първият частичен текст пристига около 0,44 s след началото на речта, а финалното изречение – около 80 ms след като обаждащият се спре, измерено от клиент в Турция. На практика обаждащият се не усеща пауза: агентът ви може да започне отговора си веднага щом той приключи.

Функции

Не. Полът пристига около 2 s след като обаждащият се започне да говори, а диаризацията обозначава говорителите на живо, и двете без да забавят текста. Всяка функция се включва за отделна заявка; изключена означава никакво допълнително забавяне.

Изговорените числа, суми, дати, часове, телефонни номера, регистрационни номера и адреси се записват така, както ги очаква една CRM система: „one thousand two hundred fifty dollars“ става $1,250, а „seventeen Oak Street apartment four“ става 17 Oak St, Apt 4. Добавя около 6 ms.

И на 7-те езика числата, валутите, датите, часовете и адресите се прочитат автоматично като естествена реч. Дългите сложни имена на села се разделят за ясно произношение, а имената на квартали се разпознават правилно в 95,6% от случаите в нашия тест с 500 адреса при телефонна честотна лента и в 98,2% с подсказки за места.

Да. На страницата Произношение в конзолата (или чрез API /v1/pronunciations) задавате как се произнася всяка дума, за всеки език и, ако желаете, за всеки глас: „BMW“ се чете „be me ve“ на турски и „бе-ем-ве“ на български. Правилата важат за всяка заявка от вашия акаунт, включително с турски окончания („BMW'nin“), а същите думи се изпращат като подсказки към реч в текст, за да се върнат правилно изписани.

Внедряване и поверителност

В региона, който изберете: Европа или Турция, а скоро и Съединените щати. Аудиото и транскрипциите остават на сървъра на региона, който извиквате. Регионът Турция пази данните в страната в съответствие с KVKK.

Започнете да създавате с mihu voice