Novinka SES v1 + Umay v17 jazyků · 2 regiony (brzy USA)

Hlasy, které zní lidsky. Přepis už během mluvení.

SES mění váš text v přirozenou řeč. Umay zapíše každé slovo v okamžiku, kdy zazní. mihu voice dává vašemu produktu hlas i sluch.

Turečtina, angličtina, němčina, francouzština, italština, ruština a španělština · Hosting v Evropě nebo v Türkiye, nebo na vlastních serverech · Brzy USA

mihu
Telefonní zvuk
WebSocket
Zvukové soubory
mihu-umay-v1
mihu-ses-v1
Diarizace · izolace · ITN
Finální text80 ms“Where is my order?” · en
Řeč syntetizována24 kHz“16:30” → las cuatro y media · es

7 jazyků, řeč na text a text na řeč

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Knihovna hlasů · mihu-ses-v1

Hlasy, které zní místně

22 hlasů v 7 jazycích. Vyberte si jeden a poslechněte si ho: každá ukázka je mihu-ses-v1, který čte větu zobrazenou níže.

Alp

Türkçe · Mužský hlas

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

Stiskněte přehrát: věta se rozsvěcuje, jak je čtena

Dva modely, jedno API, sedm jazyků

mihu-umay-v1 pro převod řeči na text a mihu-ses-v1 pro převod textu na řeč, za jedním API přes HTTPS a WebSocket, s hostingem v Evropě nebo v Türkiye (brzy USA), nebo na vlastních serverech.

mihu-umay-v1 · Řeč na text pro živé hovory

Text se objevuje, zatímco volající ještě mluví; poslední věta je hotová zhruba 80 ms poté, co domluví, rychleji než mrknutí oka, takže váš agent může odpovědět bez pauzy. Chybovost slov 3,42 % na čtené turečtině (FLEURS). V režimu pouze pro turečtinu zvládne jeden server až 256 živých hovorů, se stejnými možnostmi normalizace a izolace hlasu.

Průběžný“Merhaba, siparişim ne za…”tr · 0,44 s po začátku řeči
Finální“Merhaba, siparişim ne zaman gelir?”tr · 79 ms po konci řeči
S2 · žena“Yarın sabah kapınızda olacak.”po diarizaci · jistota 96 %
Finální“Ich habe eine Frage zur Rechnung.”de · finální text
Finální“¿Me puede repetir la dirección?”es · finální text
Průběžný“Je voudrais changer la da…”fr · streamování
Průběžný“Merhaba, siparişim ne za…”tr · 0,44 s po začátku řeči
Finální“Merhaba, siparişim ne zaman gelir?”tr · 79 ms po konci řeči
S2 · žena“Yarın sabah kapınızda olacak.”po diarizaci · jistota 96 %
Finální“Ich habe eine Frage zur Rechnung.”de · finální text
Finální“¿Me puede repetir la dirección?”es · finální text
Průběžný“Je voudrais changer la da…”fr · streamování
Živý hovor16 kHz PCM, rámce po 100 ms, jeden socket.finální ~80 msWER 3.42%

Vstupy

WebSocket · živý stream REST · zvukové soubory Telefonní zvuk 8 kHz

mihu-ses-v1 · Řeč, která zní místně

Čte adresy, místní názvy, částky, data, SPZ a telefonní čísla tak, jak je lidé vyslovují, ve všech 7 jazycích. Zvuk se začne streamovat zpět ještě předtím, než je syntetizována celá věta.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Výstup zvuku24 kHz PCMstreamování
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
Chytré čtení

3,38 % WER (tr)

95,6 % místních názvů správně

7 jazyků

Kdo co řekl, živě

Rozpoznání pohlaví, diarizace mluvčích, speaker lock a izolace hlasu pro zašuměné telefonní linky. Každou funkci zapínáte v jednotlivém požadavku; vypnutá nepřidává žádnou latenci.

HovorJazykMluvčíPohlavíFinální textStav
S2 · žena · 96 %
Příchozí · turečtina · 256 živých hovorů
Finální text p95< 0.35 s

Chytré formátování a místní názvy

Z „bin iki yüz elli lira“ se stane 1.250 TL, data a SPZ vycházejí tak, jak je CRM očekává. Vestavěné seznamy okresů a čtvrtí spolu s vašimi vlastními hotwords zvyšují přesnost místních názvů v živém provozu o 3 až 8 bodů.

Chytré formátování“bin iki yüz elli lira” → 1.250 TL · přidá ~6 msitn
Posílení místních názvůČtvrti Denizli · 86 % → 94 % · přidá ~10 mshotwords
Vestavěné seznamy · 5 měst
Vaše vlastní slova

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

— volající, Denizli

Vytvořeno pro call centra a hlasové agenty

mihu voice

Hodnoticí zpráva · listopad 2026

Měřeno na telefonním zvuku, ne na ukázkách.

Tři veřejné turecké testovací sady, 500 vyslovených adres a 1 273 vět pro syntézu, hodnoceno u každého systému stejně. Nižší chybovost slov je lepší.

3.42%

WER na čtené řeči

Turecká testovací sada FLEURS, 743 nahrávek. Nejnižší ve srovnání.

Obr. 2

1.68%

WER na vyslovených adresách

500 adres, 8 kHz, s nápovědou míst.

Tabulka 3

19.5×

rychleji než v reálném čase

Soubory přes API v Türkiye, rychlý režim.

Tabulka 3

3.38%

Chybovost slov TTS

1 273 vět z otevřené sady mihuai/turkish-tts-eval.

Obr. 3

FLEURS tr_tr test · 743 nahrávek

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

Obrázek 2. Chybovost slov v %, nižší je lepší, turečtina, střední hodnoticí pravidlo (varianty čísel a formátů se uznávají). mihu-umay-v1 je první z 9 na čtené řeči. Sloupce přesahující osu jsou oříznuté a označené →.

Srozumitelnost syntézy řeči

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 →

Obrázek 3. Každý systém čte stejných 1 273 vět z call centra z otevřené datové sady mihuai/turkish-tts-eval; nezávislý rozpoznávač zvuk přepíše. Chybovost slov v %, nižší znamená, že řeči je lépe rozumět. Sedm tureckých systémů TTS; všechny grafy a tabulky jsou na stránce benchmarků.

Tabulka 2. Přirozenost stejného zvuku ze syntézy řeči. Předpovězená skóre kvality, vyšší je lepší; nejlepší v každém sloupci tučně.

SystémUTMOSv2SCOREQDNSMOS 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 má nejvyšší skóre UTMOSv2 celkově i ve všech 13 kategoriích vět v sadě. Tři prediktory se mezi sebou neshodují a nenahrazují poslechový test s lidmi.

Dvě turecké testovací sady TTS

call centrum vs. běžná řeč

mihuai/turkish-tts-eval1 273 vět · Obr. 3

Naše referenční sada pro řeč v kontaktních centrech, vytvořená podle skutečných rozhovorů se zákazníky: částky, čísla účtů a dokladů, adresy, e-mailové a webové adresy, hláskovaná jména a smíšené formáty. Záměrně obtížná.

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

Sada běžných rozhovorů: krátké věty o 3 až 13 slovech o každodenním životě, otázky a zvolání, s malým množstvím čísel nebo kódů. Snazší, takže každý systém tu má nižší skóre.

Chybovost slov na 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 →

Stejné hodnocení jako na obrázku 3. Na konverzační sadě dělí nejlepší systémy jen zlomek procenta; teprve sada z call centra systémy od sebe odliší.

Obrázek 4. Sada z call centra měří, co musí kontaktní centrum mít přečtené správně; běžná sada měří obyčejnou konverzační řeč. Nižší chybovost slov je lepší.

Tabulka 3. Údaje z živé služby, region Türkiye, 3. listopadu 2026.

MěřeníNastaveníVýsledek
Rychlost přepisu souborů, 743 nahrávekrychlý režim19,5× reálný čas
Rychlost přepisu souborů, 743 nahrávekběžný režim8,5× reálný čas
Neúspěšné, chybějící nebo prázdné výsledky743 nahrávek0
Chybovost slov u adres, 500 adres, 8 kHzbez → s nápovědou míst2,22 % → 1,68 %
Zcela správné věty s adresou, 8 kHzbez → s nápovědou míst92,6 % → 97,2 %
Správně rozpoznaná čtvrť, 8 kHzbez → s nápovědou míst95,6 % → 98,2 %

Metoda. Všude střední hodnoticí pravidlo. Telefon: veřejná turecká sada telefonních hovorů, použitá pouze k testování. Média: počítá se jen 502 nahrávek MediaSpeech vyčleněných z tréninku mihu. Rychlost je měřena end-to-end přes veřejné API, včetně sítě. Zvuk adres je syntetický.

Chcete mít svůj systém v těchto tabulkách?

Pošlete nám přístup k API nebo model a my ho spustíme na stejných testovacích sadách se stejným hodnocením, výsledky nejdřív ukážeme vám a zveřejníme je tady, ať jsou jakékoli.

[email protected] →

Všechny benchmarky →

mihu voice1
mihu voice

Integrace převodu řeči na text a textu na řeč do kontaktního centra

vývojáři mihu voice · developers.mihu.ai

Za jedním API klíčem jsou dva modely: Umay pro rozpoznávání řeči a Ses pro syntézu řeči. Oba jsou dostupné přes REST a WebSocket, v každém regionu odpovídají stejně a fungují s oficiálními OpenAI SDK, stačí změnit základní URL. Tato poznámka ukazuje, jak zapadají do stávajícího kontaktního centra, uvádí funkční požadavek pro každé použití, shrnuje, co které rozhraní podporuje, a popisuje, jak se zachází s klíči, daty a hlasovými otisky.

Architektura

Klienti se připojují přímo k regionu, který si zvolí; není potřeba žádné mihu SDK a na vaší straně nic neběží. Živé hovory streamují zvuk přes WebSocket, soubory a syntéza používají obyčejné HTTPS.[1][4] Tam, kde data nesmějí opustit vaši síť, běží stejná služba na vašich vlastních serverech.

(a) Vaše systémy

Kontaktní centrum / IVR

živý zvuk volajícího

Hlasový agent

finální text → LLM → řeč

Nahrávky hovorů

archiv, QA, analytika

HTTPS, WSS, klíč Bearer

(b) mihu voice API

Umay — řeč na text

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

Ses — text na řeč

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

data zůstávají v regionu

(c) Kde to běží

Evropa

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

Türkiye

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

Vaše servery

on-prem Docker na CPU, offline

Obrázek 1. Přehled nasazení. Klienti přistupují k oběma modelům přes HTTPS a WebSocket s jedním API klíčem; každý požadavek je obsloužen, a jeho data uložena, v regionu, jehož hostitele volá.

Integrace

Každý níže uvedený výpis funguje tak, jak je, jakmile nastavíte KEY. Volba regionu mění pouze hostitele.[2][3][5]

|
Region
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

Události serveru

{"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}

Parametry

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

Výpis 1. Řeč na text, živé hovory (WebSocket, 16 kHz PCM). Hostitel stt.eu.mihu.ai; úplný návod na developers.mihu.ai/stt/native-api.

Technická specifikace

Tabulka 1. Rozhraní a schopnosti obou modelů.

Řeč na text (Umay)Text na řeč (Ses)
Modelmihu-umay-v1: umay pro soubory, umay-stream živěmihu-ses-v1
RozhraníREST; WebSocket (nativní); WebSocket (OpenAI Realtime)REST, streamováno během generování; server-sent events
ZvukSoubory v jakémkoli běžném formátu, převzorkované na 16 kHz. Živě: 16 kHz mono 16bit PCM v rámcích po 100 ms24 kHz mono; pcm (výchozí), wav, mp3, opus, aac, flac
Jazykytr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Kompatibilita SDKOficiální OpenAI SDK, po změně base_urlOficiální OpenAI SDK, po změně base_url
Zpracování textuČástky a data zapsaná číslicemi; oprava tureckých nářečí a místních názvů; nápovědy frázíČísla, data a zkratky čtené celými slovy; volitelné generování s ověřením pro turečtinu; ruský přízvuk
Mluvčí, hlasyDiarizace, rozpoznání pohlaví, speaker lock, hlasové otisky se souhlasem, podepsané ověření22 vestavěných hlasů; vlastní hlasy z nahrávky
Dlouhé úlohy, řízeníAsynchronní přepis s webhook_url; úlohy izolace zvukuUzavření spojení zastaví syntézu (barge-in)
Back-pressureUzavření WebSocketu s kódem 1013 při dosažení limitu živých hovorů; zkusit znovu po ~1 s503, dokud jsou všechny workery obsazené; zkusit znovu

Zdroje: [2], [3], [5], [6].

Bezpečnost a správa

4.1Ověřování. Jeden API klíč na zákazníka, posílaný jako Authorization: Bearer <KEY>, nebo jako ?api_key= pro WebSockety v prohlížeči. Chybějící nebo špatný klíč vrátí 401.[1]

4.2Umístění dat. Region se volí u každého požadavku: Evropa, nebo Türkiye. Oba mají stejné cesty, pole i odpovědi a zvuk a přepisy zůstávají na serveru volaného regionu.[1] Region Türkiye uchovává data v zemi (KVKK).

4.3Souhlas a ověření. Hlasový otisk se ukládá jen se souhlasem dané osoby a lze ho natrvalo smazat. Výsledky ověření jsou podepsané; veřejný klíč je zveřejněn na /v1/voiceprints/jwks.[1]

4.4Vlastní infrastruktura. Dodáváno jako kontejnerizované služby Docker na infrastruktuře spravované zákazníkem a nasazováno na Kubernetes pomocí Rancheru nebo Helmu. Běží na standardních CPU serverech: bez GPU a bez připojení k internetu.

Reference

  1. [1]Rozpoznávání řeči Umay — Úvod. developers.mihu.ai/stt/introduction
  2. [2]Umay — Nativní API (soubory a živý zvuk). developers.mihu.ai/stt/native-api
  3. [3]Umay — API kompatibilní s OpenAI. developers.mihu.ai/stt/openai
  4. [4]Syntéza řeči Ses — Úvod. developers.mihu.ai/tts/introduction
  5. [5]Ses — Text na řeč, streaming a chyby. developers.mihu.ai/tts/speech
  6. [6]Ses — Hlasy. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Konzole

Všechno, co umí API, v prohlížeči: zkoušení hlasů, přepis, klonování, správa klíčů. A vy rozhodujete, jak dlouho se cokoli uchovává.

Hlasy

Vestavěné hlasy i vaše vlastní. Každý si před použitím poslechněte.

Text na řeč

Napište text, vyberte hlas a slyšte začátek zhruba za 0,1 s. Stáhněte jako mp3, wav, flac a další.

Řeč na text

Nahrajte soubor nebo odkaz, nahrávejte, nebo přejděte do živého režimu a sledujte, jak se slova objevují, zatímco mluvíte.

Izolace hlasu

Odstraňte z nahrávky hlasy v pozadí a šum; porovnejte před a po.

Klonování hlasu

Hlas z 10–30 sekund řeči, s kontrolou čtení a se souhlasem mluvčího.

API klíče a využití

Klíče pro vaše servery, kód pro rychlý start pro každý region a přehled útraty.

Tabulka 5. Uchovávání dat v konzoli: volíte vy, v Konzole → Nastavení.

Zobrazit jednou1 denvýchozí1 týden14 dní1 měsíc3 měsíce6 měsíců3 roky
Co se uchovává
Pouze přepisy, které vytvoříte v konzoli, ve vašem účtu, v regionu, který používáte (Evropa nebo Türkiye).
Jak dlouho
Po dobu, kterou zvolíte v Konzole → Nastavení. 1 den, pokud to nezměníte.
Potom
Smazáno z našich serverů i logů. Přepisy se do logů vůbec nezapisují.
Smazat hned
Jakýkoli přepis, nebo všechny, kdykoli. Ze serverů i logů zmizí okamžitě.
Zobrazit jednou
Nic se nikam neukládá: přepis uvidíte a obnovení stránky ho vymaže.
Zvuk
Nikdy se neukládá. Nahrávky, vygenerovaná řeč a izolovaný zvuk jsou k dispozici k okamžitému přehrání a stažení.

API je oddělené: zvuk a přepisy, které mu posíláte přímo, se zpracují a vrátí, ale neuchovávají (viz další stránka).

mihu voice2
mihu voice

Ochrana dat: KVKK a GDPR

Zvuk a přepisy odeslané do API se zpracují a vrátí, ale neuchovávají. V konzoli rozhodujete, jak dlouho vaše přepisy zůstanou, od vůbec po 3 roky. Níže je vše, co se ukládá, proč a na jak dlouho.

Tabulka 6. Neukládá se.

DataCo se s nimi děje
ZvukŽivé streamy se zpracovávají v paměti a nikdy se nezapisují na disk. Odeslaný soubor se drží jen po dobu přepisu (velké soubory a stahování z file_url v dočasném souboru, který se hned poté smaže); úlohy s webhook_url viz tabulka 7.
PřepisyVráceny vám; neukládají se ani nelogují. Jedinou výjimkou je výsledek úlohy s webhook_url (tabulka 7).
Adresy a tajné klíče webhookůVaše webhook_url, file_url a webhook_secret se nikdy nelogují; logy zaznamenávají jen to, že byl použit webhook.
Hlasové nahrávky pro hlasové otiskyNikdy se neukládají, v žádném režimu. Uchovává se jen číselný podpis, a to pouze pokud o to požádáte.
Nahrávky pro vlastní hlasyDekódovány, oříznuty a použity k vytvoření hlasu, poté zahozeny. Uchovává se jen samotný hlas a jeho údaje (tabulka 7).
Zvuk v konzoliNahrávky, vygenerovaná řeč a izolovaný zvuk jsou k dispozici k okamžitému přehrání a stažení; nic z toho se neukládá.

Tabulka 7. Ukládá se, a na jak dlouho.

DataKdy a coUchováváno
Záznamy o využitíÚčet, model, jazyk, počet sekund zvuku a čas, pro účely fakturace. Žádný zvuk, žádný text.pro fakturaci
Zvuk úlohy s webhookemPouze u souborů odeslaných s webhook_url: zvuk čeká na disku ve frontě úloh a smaže se, jakmile rozpoznávání skončí.do dokončení přepisu
Výsledek úlohy s webhookemOdeslán na vaši webhook_url (podepsán HMAC-SHA256, pokud zadáte webhook_secret; opakováno po 1 s, 10 s, 1 min, 5 min a 30 min, pokud váš server neodpovídá) a čitelný jen pro váš účet. Poté smazán. Pokud se doručení ještě opakuje, zůstane nejvýše o hodinu déle.1 hodinu po dokončení
Hlasové otiskyJen když nějaký vytvoříte, se souhlasem dané osoby. Uchovávány ve vašem účtu (až 1 000), nebo s store=false vráceny vám jako šifrovaný token, takže my neuchováváme nic.dokud ho nesmažete
Vlastní hlasyStav hlasu a jeho údaje (název, jazyk, pohlaví, záznam o souhlasu, ukazatele kvality), pouze ve vašem účtu. DELETE je natrvalo odstraní.dokud ho nesmažete
Přepisy v konzoliPouze přepisy, které vytvoříte v konzoli, uchovávané ve vašem účtu, abyste je mohli později otevřít a stáhnout. Dobu volíte v Konzole → Nastavení: zobrazit jednou (nikdy se neukládá), 1 den (výchozí), 1 týden, 14 dní, 1 měsíc, 3 měsíce, 6 měsíců nebo 3 roky. Když doba vyprší, nebo když je smažete, odstraní se z našich serverů i logů. Přepisy se do logů nikdy nezapisují.standardně 1 den

Umístění dat. Každý požadavek se zpracuje v regionu, který voláte, v Evropě nebo v Türkiye, a jeho data tam zůstanou. Region Türkiye uchovává data v zemi, v souladu s KVKK.

Hlasové otisky jsou biometrické údaje. Podle KVKK i GDPR vyžadují výslovný souhlas dané osoby: vaše informace o ochraně osobních údajů a text souhlasu musí tento účel pokrývat. Každý hlasový otisk lze natrvalo smazat pomocí DELETE /v1/voiceprints/{id}.

Rozpoznání pohlaví je zpracování osobních údajů. Pokud zapnete gender_detection, musí to pokrývat vaše informace o ochraně osobních údajů a tam, kde je to vyžadováno, musí volající udělit souhlas. Funkce je vypnutá, dokud o ni nepožádáte.

API, nebo konzole. Požadavky odeslané do API nezanechávají nic nad rámec tabulky 7. Konzole uchovává jen vaše přepisy, po dobu, kterou nastavíte (1 den, pokud to nezměníte, nebo vůbec s zobrazit jednou), a pak je smaže z našich serverů i logů. Zvuk nikdy neuchovává.

Na vaší straně není co vypínat. Pokud nikdy nevytvoříte hlasový otisk a nikdy nepošlete webhook_url, uchovává se pouze záznam o využití.

Vlastní servery. Nasazení on-prem běží na vaší infrastruktuře bez připojení k internetu, takže k mihu se nedostanou vůbec žádná data.

mihu voice3
mihu voice

Ceník

Ceníkové ceny v eurech. Platíte za odeslaný zvuk a syntetizované znaky; volitelné funkce se účtují zvlášť, jen když je použijete.

Řeč na text

mihu-umay-v1

€0.09

za hodinu zvuku

€0.0015 za minutu zvuku.

Text na řeč

mihu-ses-v1

€10.00

za milion znaků

€0.01 za tisíc znaků.

Tabulka 8. Volitelné funkce převodu řeči na text a hlasové endpointy, účtované navíc jen při použití. Soubory i živé streamy stojí stejně.

FunkceCenaJednotka
Izolace hlasu€0.01za konverzaci
Diarizace mluvčích€0.01za konverzaci
Speaker lock€0.01za konverzaci
Rozpoznání pohlaví€0.01za konverzaci
Hlasové otisky€0.01za požadavek
Ověření mluvčího€0.01za požadavek

Tabulka 9. Kolik stojí typické úlohy za ceníkové ceny.

ÚlohaObjemCena
Přepis 10 000 hovorů po 3 minutách500 hodin zvuku€45.00
Namluvení 10 000 odpovědí po 200 znacích2 miliony znaků€20.00
Přepis 1 000 hodin nahrávek1 000 hodin zvuku€90.00
10 000 hovorů po 3 minutách s diarizací mluvčích500 hodin + 10 000 konverzací€145.00
10 000 hovorů po 3 minutách s izolací hlasu, diarizací, speaker lock a rozpoznáním pohlaví500 hodin + 4 funkce × 10 000 konverzací€445.00

Nasazení on-prem nebo vyšší objemy? Ozvěte se nám.

mihu voice4

Časté dotazy

Vaše data

Přes API: žádný zvuk a žádné přepisy. Zpracují se v paměti a vrátí se vám. Uchováváme záznamy o využití pro fakturaci (bez zvuku a textu); u asynchronních úloh odeslaných s webhook_url zvuk do dokončení přepisu a výsledek 1 hodinu po dokončení; hlasové otisky jen pokud je vytvoříte, se souhlasem dané osoby (se store=false zůstanou i ty na vaší straně); a vlastní hlasy, dokud je nesmažete (nikdy ne nahrávku, ze které vznikly).

Jen tak dlouho, jak si zvolíte. Přepisy, které vytvoříte v konzoli, se uchovávají ve vašem účtu, abyste je mohli později otevřít a stáhnout: standardně 1 den, nebo 1 týden, 14 dní, 1 měsíc, 3 měsíce, 6 měsíců či 3 roky, nastavitelné v Konzole → Nastavení. Když doba vyprší, nebo když je smažete, odstraní se z našich serverů i logů; přepisy se do logů nikdy nezapisují. Zvolte „zobrazit jednou“ a nic se neuloží: obnovení stránky ho vymaže. Kterýkoli přepis, nebo všechny, můžete kdykoli smazat. Zvuk se v konzoli nikdy neuchovává; co potřebujete, si stáhněte hned.

Ne. Váš zvuk, přepisy ani texty se nepoužívají k trénování ani vylepšování našich modelů.

Ano. Určovat podle hlasu, zda je volající muž, nebo žena, je zpracování osobních údajů. Pokud zapnete gender_detection, musí to pokrývat vaše informace o ochraně osobních údajů podle KVKK / GDPR a tam, kde je to vyžadováno, byste měli volajícího požádat o souhlas. Rozpoznání pohlaví je vypnuté, dokud o ně nepožádáte.

Modely a jazyky

Pro převod řeči na text i textu na řeč: turečtina, angličtina, němčina, francouzština, italština, ruština a španělština. Jazyk zadáte u každého požadavku.

Ne. On-prem běží na standardních CPU serverech. Dodává se jako kontejnerizované služby Docker na infrastruktuře spravované zákazníkem a nasazuje se na Kubernetes pomocí Rancheru nebo Helmu. Bez GPU a bez připojení k internetu.

Text se objevuje, zatímco volající ještě mluví. První průběžný text dorazí zhruba 0,44 s po začátku řeči a finální věta zhruba 80 ms poté, co volající domluví; měřeno z klienta v Turecku. V praxi volající neslyší žádnou mezeru: váš agent může začít odpovídat, jakmile volající skončí.

Funkce

Ne. Pohlaví je známé zhruba 2 s poté, co volající začne mluvit, a diarizace označuje mluvčí živě, obojí bez zpoždění textu. Každou funkci zapínáte v jednotlivém požadavku; vypnutá nepřidává žádnou latenci.

Vyslovená čísla, částky, data, časy, telefonní čísla, SPZ a adresy se zapisují tak, jak je CRM očekává: z „one thousand two hundred fifty dollars“ se stane $1,250 a z „seventeen Oak Street apartment four“ 17 Oak St, Apt 4. Přidá to zhruba 6 ms.

Ve všech 7 jazycích se čísla, měny, data, časy a adresy automaticky čtou jako přirozená řeč. Dlouhé složené názvy vesnic se pro zřetelnou výslovnost rozdělují a názvy čtvrtí jsou v našem testu 500 adres v telefonní šířce pásma správně rozpoznány v 95,6 % případů, s nápovědou míst v 98,2 %.

Ano. Na stránce Výslovnost v konzoli (nebo přes API /v1/pronunciations) určíte, jak se každé slovo vyslovuje, pro každý jazyk a případně i pro každý hlas: „BMW“ se turecky čte „be me ve“ a česky „bé-em-vé“. Pravidla platí pro všechny požadavky vašeho účtu, i s tureckými koncovkami („BMW'nin“), a stejná slova se posílají jako nápověda převodu řeči na text, takže se vrátí správně zapsaná.

Nasazení a soukromí

V regionu, který si zvolíte: Evropa, nebo Türkiye, brzy také Spojené státy. Zvuk a přepisy zůstávají na serveru regionu, který voláte. Region Türkiye uchovává data v zemi, v souladu s KVKK.

Začněte stavět s mihu voice