Neu SES v1 + Umay v17 Sprachen · 2 Regionen (USA in Kürze)

Stimmen, die menschlich klingen. Transkripte, während gesprochen wird.

SES verwandelt Ihren Text in natürliche Sprache. Umay schreibt jedes Wort mit, sobald es gesagt ist. mihu voice gibt Ihrem Produkt eine Stimme und Ohren.

Türkisch, Englisch, Deutsch, Französisch, Italienisch, Russisch und Spanisch · Gehostet in Europa oder der Türkei oder auf Ihren eigenen Servern · USA in Kürze

mihu
Telefon-Audio
WebSocket
Audiodateien
mihu-umay-v1
mihu-ses-v1
Sprechertrennung · Isolierung · ITN
Finaler Text80 ms“Where is my order?” · en
Sprache synthetisiert24 kHz“16:30” → las cuatro y media · es

7 Sprachen, Speech-to-Text und Text-to-Speech

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Stimmenbibliothek · mihu-ses-v1

Stimmen, die nach Muttersprachlern klingen

22 Stimmen in 7 Sprachen. Wählen Sie eine aus und hören Sie hin: Jedes Beispiel ist mihu-ses-v1, das den Satz darunter vorliest.

Alp

Türkçe · Männliche Stimme

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

Auf Play drücken: Der Satz leuchtet beim Vorlesen auf

Zwei Modelle, eine API, sieben Sprachen

mihu-umay-v1 für Speech-to-Text und mihu-ses-v1 für Text-to-Speech, hinter einer einzigen HTTPS- und WebSocket-API, gehostet in Europa oder der Türkei (USA in Kürze) oder auf Ihren eigenen Servern.

mihu-umay-v1 · Speech-to-Text für Live-Anrufe

Der Text erscheint, während der Anrufer noch spricht; der finale Satz steht etwa 80 ms nach dem Ende bereit, schneller als ein Wimpernschlag, sodass Ihr Agent ohne Pause antworten kann. 3,42 % Wortfehlerrate bei vorgelesenem Türkisch (FLEURS). Im reinen Türkisch-Modus verarbeitet ein Server bis zu 256 Live-Anrufe, mit denselben Optionen für Normalisierung und Stimmisolierung.

Teiltext“Merhaba, siparişim ne za…”tr · 0,44 s nach Sprechbeginn
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms nach Sprechende
S2 · weiblich“Yarın sabah kapınızda olacak.”Sprecher getrennt · Konfidenz 96 %
Final“Ich habe eine Frage zur Rechnung.”de · finaler Text
Final“¿Me puede repetir la dirección?”es · finaler Text
Teiltext“Je voudrais changer la da…”fr · Streaming
Teiltext“Merhaba, siparişim ne za…”tr · 0,44 s nach Sprechbeginn
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms nach Sprechende
S2 · weiblich“Yarın sabah kapınızda olacak.”Sprecher getrennt · Konfidenz 96 %
Final“Ich habe eine Frage zur Rechnung.”de · finaler Text
Final“¿Me puede repetir la dirección?”es · finaler Text
Teiltext“Je voudrais changer la da…”fr · Streaming
Live-Anruf16 kHz PCM, 100-ms-Frames, ein Socket.final ~80 msWER 3.42%

Eingaben

WebSocket · Live-Stream REST · Audiodateien 8 kHz Telefon-Audio

mihu-ses-v1 · Sprache, die nach Muttersprachler klingt

Liest Adressen, Ortsnamen, Beträge, Daten, Kennzeichen und Telefonnummern so vor, wie Menschen sie sagen, in allen 7 Sprachen. Das Audio wird gestreamt, bevor der ganze Satz synthetisiert ist.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Audioausgabe24 kHz PCMStreaming
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
Intelligentes Vorlesen

3,38 % WER (tr)

95,6 % Ortsnamen richtig

7 Sprachen

Wer was gesagt hat, live

Geschlechtserkennung, Sprechertrennung, Sprecherfixierung und Stimmisolierung für verrauschte Telefonleitungen. Jede Funktion wird pro Anfrage aktiviert; ausgeschaltet kostet sie keine zusätzliche Latenz.

AnrufSpracheSprecherGeschlechtFinaler TextStatus
S2 · weiblich · 96 %
Eingehend · Türkisch · 256 Live-Anrufe
Finaler Text p95< 0.35 s

Intelligente Formatierung und Ortsnamen

Aus „bin iki yüz elli lira“ wird 1.250 TL, Daten und Kennzeichen kommen so heraus, wie ein CRM sie erwartet. Integrierte Listen von Bezirken und Stadtteilen plus Ihre eigenen Hotwords verbessern die Erkennung von Ortsnamen live um 3 bis 8 Punkte.

Intelligente Formatierung“bin iki yüz elli lira” → 1.250 TL · kostet ~6 msitn
Ortsnamen-BoostStadtteile von Denizli · 86 % → 94 % · kostet ~10 mshotwords
Integrierte Listen · 5 Städte
Ihre eigenen Wörter

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

— Anrufer, Denizli

Gebaut für Callcenter und Voice-Agents

mihu voice

Evaluationsbericht · November 2026

Gemessen an Telefon-Audio, nicht an Demos.

Drei öffentliche türkische Testsets, 500 gesprochene Adressen und 1.273 Synthesesätze, für jedes System gleich bewertet. Eine niedrigere Wortfehlerrate ist besser.

3.42%

WER bei vorgelesener Sprache

FLEURS-Testset Türkisch, 743 Clips. Der niedrigste Wert im Vergleich.

Abb. 2

1.68%

WER bei gesprochenen Adressen

500 Adressen, 8 kHz, mit Ortshinweisen.

Tab. 3

19.5×

schneller als Echtzeit

Dateien über die Türkei-API, schneller Modus.

Tab. 3

3.38%

TTS-Wortfehlerrate

1.273 Sätze des offenen Sets mihuai/turkish-tts-eval.

Abb. 3

FLEURS tr_tr Test · 743 Clips

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

Abbildung 2. Wortfehlerrate in %, niedriger ist besser, Türkisch, mittlere Bewertungsregel (Zahlen- und Formatvarianten werden akzeptiert). mihu-umay-v1 belegt bei vorgelesener Sprache Platz 1 von 9. Balken jenseits der Achse sind abgeschnitten und mit → markiert.

Verständlichkeit der Sprachsynthese

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 →

Abbildung 3. Jedes System liest dieselben 1.273 Callcenter-Sätze des offenen Datensatzes mihuai/turkish-tts-eval; ein unabhängiger Erkenner transkribiert das Audio. Wortfehlerrate in %, niedriger bedeutet leichter verständliche Sprache. Sieben türkische TTS-Systeme; alle Diagramme und Tabellen finden Sie auf der Benchmark-Seite.

Tabelle 2. Natürlichkeit desselben Text-to-Speech-Audios. Vorhergesagte Qualitätswerte, höher ist besser; der beste Wert jeder Spalte ist fett.

SystemUTMOSv2SCOREQDNSMOS 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 hat den höchsten UTMOSv2-Wert insgesamt und in allen 13 Satzkategorien des Sets. Die drei Prädiktoren stimmen untereinander nicht überein und ersetzen keinen Hörtest mit Menschen.

Zwei türkische TTS-Testsets

Callcenter vs. Alltagssprache

mihuai/turkish-tts-eval1.273 Sätze · Abb. 3

Unser Referenzset für Contact-Center-Sprache, nachempfunden echten Kundengesprächen: Beträge, Konto- und Ausweisnummern, Adressen, E-Mail- und Webadressen, buchstabierte Namen und gemischte Formate. Absichtlich schwer.

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

Ein Set mit Alltagsgesprächen: kurze Sätze von 3 bis 13 Wörtern über das tägliche Leben, Fragen und Ausrufe, mit wenigen Zahlen oder Codes. Leichter, daher erzielt hier jedes System niedrigere Werte.

Wortfehlerrate auf 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 →

Gleiche Bewertung wie in Abbildung 3. Beim Konversationsset liegen die führenden Systeme nur Bruchteile eines Prozentpunkts auseinander; erst das Callcenter-Set trennt die Systeme.

Abbildung 4. Das Callcenter-Set misst, was ein Contact-Center korrekt vorgelesen braucht; das Alltagsset misst einfache Gesprächssprache. Eine niedrigere Wortfehlerrate ist besser.

Tabelle 3. Kennzahlen des Live-Dienstes, Region Türkei, 3. November 2026.

MessungEinstellungErgebnis
Transkriptionsgeschwindigkeit für Dateien, 743 Clipsschneller Modus19,5× Echtzeit
Transkriptionsgeschwindigkeit für Dateien, 743 Clipsnormaler Modus8,5× Echtzeit
Fehlgeschlagene, fehlende oder leere Ergebnisse743 Clips0
Wortfehlerrate bei Adressen, 500 Adressen, 8 kHzohne → mit Ortshinweisen2,22 % → 1,68 %
Vollständig korrekte Adresssätze, 8 kHzohne → mit Ortshinweisen92,6 % → 97,2 %
Stadtteil richtig erkannt, 8 kHzohne → mit Ortshinweisen95,6 % → 98,2 %

Methode. Durchgehend mittlere Bewertungsregel. Telefon: ein öffentliches türkisches Telefon-Testset, nur zum Testen verwendet. Medien: Es zählen nur die 502 MediaSpeech-Clips, die vom mihu-Training ausgeschlossen wurden. Die Geschwindigkeit ist Ende-zu-Ende über die öffentliche API gemessen, inklusive Netzwerk. Das Adress-Audio ist synthetisch.

Soll Ihr System in diesen Tabellen stehen?

Schicken Sie uns API-Zugang oder das Modell: Wir testen es auf denselben Testsets mit derselben Bewertung, zeigen Ihnen die Ergebnisse zuerst und veröffentlichen sie hier, wie auch immer sie ausfallen.

[email protected] →

Alle Benchmarks →

mihu voice1
mihu voice

Speech‑to‑Text und Text‑to‑Speech in ein Contact-Center integrieren

mihu voice Entwickler · developers.mihu.ai

Hinter einem API-Schlüssel stehen zwei Modelle: Umay für die Spracherkennung und Ses für die Sprachsynthese. Beide sind über REST und WebSocket erreichbar, antworten in jeder Region gleich und funktionieren mit den offiziellen OpenAI SDKs, wenn man die Base-URL ändert. Diese Notiz zeigt, wie sie sich in ein bestehendes Contact-Center einfügen, liefert für jeden Anwendungsfall eine funktionierende Anfrage, listet auf, was jede Schnittstelle unterstützt, und beschreibt, wie mit Schlüsseln, Daten und Stimmabdrücken umgegangen wird.

Architektur

Clients verbinden sich direkt mit der gewählten Region; ein mihu SDK ist nicht nötig, und auf Ihrer Seite läuft nichts. Live-Anrufe streamen Audio über einen WebSocket, Dateien und Synthese nutzen einfaches HTTPS.[1][4] Wo Daten Ihr Netzwerk nicht verlassen dürfen, läuft derselbe Dienst auf Ihren eigenen Servern.

(a) Ihre Systeme

Contact-Center / IVR

Live-Audio des Anrufers

Voice-Agent

finaler Text → LLM → Sprache

Gesprächsaufzeichnungen

Archiv, QA, Analytics

HTTPS, WSS, Bearer-Schlüssel

(b) mihu voice API

Umay — Speech-to-Text

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

Ses — Text-to-Speech

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

Daten bleiben in der Region

(c) Wo es läuft

Europa

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

Türkei

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

Ihre Server

On-Premises-Docker auf CPU, offline

Abbildung 1. Überblick über die Bereitstellung. Clients erreichen beide Modelle über HTTPS und WebSocket mit einem API-Schlüssel; jede Anfrage wird in der Region bedient, deren Host sie aufruft, und ihre Daten bleiben dort.

Integration

Jedes Listing unten läuft wie abgedruckt, sobald KEY gesetzt ist. Die Wahl der Region ändert nur den Host.[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

Server-Events

{"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}

Parameter

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

Listing 1. Speech-to-Text, Live-Anrufe (WebSocket, 16 kHz PCM). Host stt.eu.mihu.ai; vollständige Anleitung unter developers.mihu.ai/stt/native-api.

Technische Spezifikation

Tabelle 1. Schnittstellen und Funktionen der beiden Modelle.

Speech-to-Text (Umay)Text-to-Speech (Ses)
Modellmihu-umay-v1: umay für Dateien, umay-stream livemihu-ses-v1
SchnittstellenREST; WebSocket (nativ); WebSocket (OpenAI Realtime)REST, während der Erzeugung gestreamt; Server-Sent Events
AudioDateien in jedem gängigen Format, auf 16 kHz umgerechnet. Live: 16 kHz Mono 16-Bit-PCM in Frames zu 100 ms24 kHz Mono; pcm (Standard), wav, mp3, opus, aac, flac
Sprachentr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
SDK-KompatibilitätOffizielle OpenAI SDKs, durch Ändern von base_urlOffizielle OpenAI SDKs, durch Ändern von base_url
TextverarbeitungBeträge und Daten als Zahlen geschrieben; Korrektur türkischer Dialekte und Ortsnamen; PhrasenhinweiseZahlen, Daten und Abkürzungen werden ausgesprochen; optional türkisches Generieren-und-Prüfen; russische Betonung
Sprecher, StimmenSprechertrennung, Geschlechtserkennung, Sprecherfixierung, Stimmabdrücke mit Einwilligung, signierte Verifizierung22 integrierte Stimmen; eigene Stimmen aus einer Aufnahme
Lange Jobs, SteuerungAsynchrone Transkription mit webhook_url; Jobs zur Audio-IsolierungSchließen der Verbindung stoppt die Synthese (Barge-in)
Back-PressureWebSocket-Close 1013 am Limit für Live-Anrufe; nach ~1 s erneut versuchen503, solange alle Worker ausgelastet sind; erneut versuchen

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

Sicherheit und Governance

4.1Authentifizierung. Ein API-Schlüssel pro Kunde, gesendet als Authorization: Bearer <KEY> oder bei Browser-WebSockets als ?api_key=. Ein fehlender oder falscher Schlüssel ergibt 401.[1]

4.2Datenresidenz. Die Region wird pro Anfrage gewählt: Europa oder Türkei. Beide haben dieselben Pfade, Felder und Antworten, und Audio und Transkripte bleiben auf dem Server der aufgerufenen Region.[1] Die Region Türkei hält die Daten im Land (KVKK).

4.3Einwilligung und Verifizierung. Ein Stimmabdruck wird nur mit Einwilligung der Person gespeichert und kann endgültig gelöscht werden. Verifizierungsergebnisse sind signiert; der öffentliche Schlüssel wird unter /v1/voiceprints/jwks veröffentlicht.[1]

4.4Eigene Infrastruktur. Ausgeliefert als containerisierte Docker-Dienste auf kundenverwalteter Infrastruktur und auf Kubernetes mit Rancher oder Helm bereitgestellt. Läuft auf Standard-CPU-Servern: keine GPU und keine Internetverbindung nötig.

Quellen

  1. [1]Umay Spracherkennung — Einführung. developers.mihu.ai/stt/introduction
  2. [2]Umay — Native API (Dateien und Live-Audio). developers.mihu.ai/stt/native-api
  3. [3]Umay — OpenAI-kompatible API. developers.mihu.ai/stt/openai
  4. [4]Ses Text-to-Speech — Einführung. developers.mihu.ai/tts/introduction
  5. [5]Ses — Text-to-Speech, Streaming und Fehler. developers.mihu.ai/tts/speech
  6. [6]Ses — Stimmen. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Die Konsole

Alles, was die API kann, im Browser: Stimmen ausprobieren, transkribieren, klonen, Schlüssel verwalten. Und Sie entscheiden, wie lange etwas gespeichert bleibt.

Stimmen

Die integrierten Stimmen und Ihre eigenen. Hören Sie sich jede an, bevor Sie sie verwenden.

Text-to-Speech

Tippen, Stimme wählen und nach etwa 0,1 s den Anfang hören. Download als mp3, wav, flac und mehr.

Speech-to-Text

Datei oder Link hochladen, aufnehmen oder live gehen und zusehen, wie die Wörter beim Sprechen erscheinen.

Stimmisolierung

Hintergrundstimmen und Rauschen aus einer Aufnahme entfernen; vorher und nachher vergleichen.

Stimme klonen

Eine Stimme aus 10–30 Sekunden Sprache, mit Leseprüfung und Einwilligung der sprechenden Person.

API-Schlüssel und Nutzung

Schlüssel für Ihre Server, Quickstart-Code pro Region und Ihre bisherigen Ausgaben.

Tabelle 5. Datenspeicherung in der Konsole: Sie wählen unter Konsole → Einstellungen.

Einmal anzeigen1 TagStandard1 Woche14 Tage1 Monat3 Monate6 Monate3 Jahre
Was gespeichert wird
Nur die Transkripte, die Sie in der Konsole erstellen, in Ihrem Konto, in der Region, die Sie nutzen (Europa oder Türkei).
Wie lange
Den Zeitraum, den Sie unter Konsole → Einstellungen wählen. 1 Tag, wenn Sie nichts ändern.
Danach
Gelöscht von unseren Servern und aus unseren Logs. Transkripte werden ohnehin nie in Logs geschrieben.
Sofort löschen
Jedes Transkript oder alle, jederzeit. Es verschwindet sofort von den Servern und aus den Logs.
Einmal anzeigen
Nirgends wird etwas gespeichert: Sie sehen das Transkript, ein Neuladen entfernt es.
Audio
Wird nie gespeichert. Aufnahmen, erzeugte Sprache und isoliertes Audio sind zum sofortigen Abspielen und Herunterladen da.

Die API ist davon getrennt: Audio und Transkripte, die Sie direkt an sie senden, werden verarbeitet und zurückgegeben, nicht gespeichert (siehe nächste Seite).

mihu voice2
mihu voice

Datenschutz: KVKK und DSGVO

Audio und Transkripte, die an die API gesendet werden, werden verarbeitet und zurückgegeben, nicht gespeichert. In der Konsole entscheiden Sie, wie lange Ihre Transkripte bleiben, von gar nicht bis 3 Jahre. Unten steht alles, was gespeichert wird, warum und wie lange.

Tabelle 6. Nicht gespeichert.

DatenWas damit passiert
AudioLive-Streams werden im Arbeitsspeicher verarbeitet und nie auf die Festplatte geschrieben. Eine gesendete Datei wird nur während der Transkription gehalten (große Dateien und file_url-Downloads in einer temporären Datei, die direkt danach gelöscht wird); zu webhook_url-Jobs siehe Tabelle 7.
TranskripteWerden an Sie zurückgegeben; nicht gespeichert und nicht geloggt. Einzige Ausnahme ist das Ergebnis eines webhook_url-Jobs (Tabelle 7).
Webhook-Adressen und -SecretsIhre webhook_url, file_url und Ihr webhook_secret werden nie geloggt; die Logs vermerken nur, dass ein Webhook verwendet wurde.
Sprachaufnahmen für StimmabdrückeWerden in keinem Modus gespeichert. Nur die numerische Signatur wird aufbewahrt, und nur, wenn Sie das anfordern.
Aufnahmen für eigene StimmenDekodiert, zugeschnitten und zum Erstellen der Stimme verwendet, danach verworfen. Aufbewahrt werden nur die Stimme selbst und ihre Angaben (Tabelle 7).
Audio in der KonsoleAufnahmen, erzeugte Sprache und isoliertes Audio sind zum sofortigen Abspielen und Herunterladen da; nichts davon wird gespeichert.

Tabelle 7. Gespeichert, und wie lange.

DatenWann und wasAufbewahrt
NutzungsdatensätzeKonto, Modell, Sprache, Audiosekunden und Zeitpunkt, für die Abrechnung. Kein Audio, kein Text.für die Abrechnung
Audio eines Webhook-JobsNur bei Dateien, die mit webhook_url gesendet werden: Das Audio wartet in der Job-Warteschlange auf der Festplatte und wird gelöscht, sobald die Erkennung abgeschlossen ist.bis zur Transkription
Ergebnis eines Webhook-JobsWird an Ihre webhook_url gesendet (mit HMAC-SHA256 signiert, wenn Sie ein webhook_secret angeben; erneuter Versuch nach 1 s, 10 s, 1 min, 5 min und 30 min, wenn Ihr Server nicht antwortet) und ist nur für Ihr Konto lesbar. Danach gelöscht. Wird die Zustellung noch wiederholt, bleibt es höchstens eine weitere Stunde.1 Stunde nach Abschluss
StimmabdrückeNur wenn Sie einen erstellen, mit Einwilligung der Person. Gespeichert unter Ihrem Konto (bis zu 1.000) oder mit store=false als verschlüsseltes Token an Sie zurückgegeben, sodass wir nichts speichern.bis Sie ihn löschen
Eigene StimmenDer Stimmzustand und seine Angaben (Name, Sprache, Geschlecht, Einwilligungsnachweis, Qualitätskennzahlen), nur unter Ihrem Konto. DELETE entfernt sie endgültig.bis Sie sie löschen
Konsolen-TranskripteNur Transkripte, die Sie in der Konsole erstellen, in Ihrem Konto gespeichert, damit Sie sie später öffnen und herunterladen können. Wie lange, wählen Sie unter Konsole → Einstellungen: einmal anzeigen (nie gespeichert), 1 Tag (Standard), 1 Woche, 14 Tage, 1 Monat, 3 Monate, 6 Monate oder 3 Jahre. Wenn der Zeitraum endet oder Sie sie löschen, werden sie von unseren Servern und aus unseren Logs entfernt. Transkripte werden nie in Logs geschrieben.standardmäßig 1 Tag

Datenresidenz. Jede Anfrage wird in der Region verarbeitet, die Sie aufrufen, Europa oder Türkei, und ihre Daten bleiben dort. Die Region Türkei hält die Daten im Einklang mit dem KVKK im Land.

Stimmabdrücke sind biometrische Daten. Nach KVKK und DSGVO erfordern sie die ausdrückliche Einwilligung der Person: Ihre Datenschutzhinweise und Ihr Einwilligungstext müssen diesen Zweck abdecken. Jeder Stimmabdruck kann mit DELETE /v1/voiceprints/{id} endgültig gelöscht werden.

Geschlechtserkennung ist eine Verarbeitung personenbezogener Daten. Wenn Sie gender_detection einschalten, müssen Ihre Datenschutzhinweise dies abdecken und, wo erforderlich, muss der Anrufer einwilligen. Ohne Ihre Anforderung ist sie ausgeschaltet.

API oder Konsole. Bei Anfragen an die API wird nichts über Tabelle 7 hinaus gespeichert. Die Konsole speichert nur Ihre Transkripte, für den von Ihnen festgelegten Zeitraum (1 Tag, wenn Sie nichts ändern, oder gar nicht mit einmal anzeigen), und löscht sie dann von unseren Servern und aus unseren Logs. Audio speichert sie nie.

Auf Ihrer Seite muss nichts abgeschaltet werden. Wenn Sie nie einen Stimmabdruck erstellen und nie eine webhook_url senden, wird nur der Nutzungsdatensatz gespeichert.

Ihre eigenen Server. On-Premises-Installationen laufen auf Ihrer Infrastruktur ohne Internetverbindung, sodass überhaupt keine Daten bei mihu ankommen.

mihu voice3
mihu voice

Preise

Listenpreise in Euro. Sie zahlen für das Audio, das Sie senden, und die Zeichen, die Sie synthetisieren; Optionen werden separat abgerechnet, nur wenn Sie sie nutzen.

Speech-to-Text

mihu-umay-v1

€0.09

pro Stunde Audio

€0.0015 pro Minute Audio.

Text-to-Speech

mihu-ses-v1

€10.00

pro Million Zeichen

€0.01 pro tausend Zeichen.

Tabelle 8. Speech-to-Text-Optionen und Stimm-Endpunkte, zusätzlich abgerechnet nur bei Nutzung. Dateien und Live-Streams kosten gleich viel.

OptionPreisEinheit
Stimmisolierung€0.01pro Gespräch
Sprechertrennung€0.01pro Gespräch
Sprecherfixierung€0.01pro Gespräch
Geschlechtserkennung€0.01pro Gespräch
Stimmabdrücke€0.01pro Anfrage
Sprecherverifizierung€0.01pro Anfrage

Tabelle 9. Was typische Workloads zum Listenpreis kosten.

WorkloadVolumenKosten
10.000 Anrufe à 3 Minuten transkribieren500 Stunden Audio€45.00
10.000 Antworten à 200 Zeichen sprechen2 Millionen Zeichen€20.00
1.000 Stunden Aufnahmen transkribieren1.000 Stunden Audio€90.00
10.000 Anrufe à 3 Minuten mit Sprechertrennung500 Stunden + 10.000 Gespräche€145.00
10.000 Anrufe à 3 Minuten mit Stimmisolierung, Sprechertrennung, Sprecherfixierung und Geschlechtserkennung500 Stunden + 4 Optionen × 10.000 Gespräche€445.00

On-Premises oder mit höherem Volumen? Sprechen Sie mit uns.

mihu voice4

Häufig gestellte Fragen

Ihre Daten

Über die API: kein Audio und keine Transkripte. Sie werden im Arbeitsspeicher verarbeitet und an Sie zurückgegeben. Wir speichern Nutzungsdatensätze für die Abrechnung (kein Audio, kein Text), bei asynchronen Jobs mit webhook_url das Audio bis zur Transkription und das Ergebnis bis 1 Stunde nach Abschluss, Stimmabdrücke nur, wenn Sie welche erstellen, mit Einwilligung der Person (mit store=false bleiben selbst diese bei Ihnen), und eigene Stimmen, bis Sie sie löschen (nie die Aufnahme, aus der sie erstellt wurden).

Nur so lange, wie Sie es wählen. Transkripte, die Sie in der Konsole erstellen, werden in Ihrem Konto gespeichert, damit Sie sie später öffnen und herunterladen können: standardmäßig 1 Tag, alternativ 1 Woche, 14 Tage, 1 Monat, 3 Monate, 6 Monate oder 3 Jahre, einzustellen unter Konsole → Einstellungen. Wenn der Zeitraum endet oder Sie sie löschen, werden sie von unseren Servern und aus unseren Logs entfernt; Transkripte werden nie in Logs geschrieben. Wählen Sie „einmal anzeigen“, wird nichts gespeichert: Ein Neuladen entfernt es. Sie können jedes Transkript oder alle jederzeit löschen. Audio wird in der Konsole nie gespeichert; laden Sie herunter, was Sie brauchen, und zwar sofort.

Nein. Ihr Audio, Ihre Transkripte und Texte werden nicht zum Trainieren oder Verbessern unserer Modelle verwendet.

Ja. Anhand der Stimme zu bestimmen, ob ein Anrufer männlich oder weiblich ist, ist eine Verarbeitung personenbezogener Daten. Wenn Sie gender_detection einschalten, müssen Ihre Datenschutzhinweise nach KVKK / DSGVO dies abdecken, und Sie sollten, wo erforderlich, die Einwilligung des Anrufers einholen. Ohne Ihre Anforderung ist die Geschlechtserkennung ausgeschaltet.

Modelle & Sprachen

Für Speech-to-Text und Text-to-Speech gleichermaßen: Türkisch, Englisch, Deutsch, Französisch, Italienisch, Russisch und Spanisch. Die Sprache geben Sie pro Anfrage an.

Nein. On-Premises läuft auf Standard-CPU-Servern. Es wird als containerisierte Docker-Dienste auf kundenverwalteter Infrastruktur ausgeliefert und auf Kubernetes mit Rancher oder Helm bereitgestellt. Keine GPU und keine Internetverbindung nötig.

Der Text erscheint, während der Anrufer noch spricht. Der erste Teiltext kommt etwa 0,44 s nach Sprechbeginn, der finale Satz etwa 80 ms nachdem der Anrufer aufhört, gemessen von einem Client in der Türkei. In der Praxis hört der Anrufer keine Lücke: Ihr Agent kann antworten, sobald er fertig ist.

Funktionen

Nein. Das Geschlecht liegt etwa 2 s nach Sprechbeginn vor, und die Sprechertrennung kennzeichnet Sprecher live, beides ohne den Text zu verzögern. Jede Funktion wird pro Anfrage aktiviert; ausgeschaltet kostet sie keine zusätzliche Latenz.

Gesprochene Zahlen, Beträge, Daten, Uhrzeiten, Telefonnummern, Kennzeichen und Adressen werden so geschrieben, wie ein CRM sie erwartet: „one thousand two hundred fifty dollars“ wird zu $1,250 und „seventeen Oak Street apartment four“ zu 17 Oak St, Apt 4. Das kostet etwa 6 ms.

In allen 7 Sprachen werden Zahlen, Währungen, Daten, Uhrzeiten und Adressen automatisch als natürliche Sprache vorgelesen. Lange zusammengesetzte Dorfnamen werden für eine klare Aussprache aufgeteilt, und Stadtteilnamen werden in unserem Test mit 500 Adressen bei Telefonbandbreite zu 95,6 % richtig erkannt, mit Ortshinweisen zu 98,2 %.

Ja. Auf der Seite Aussprache in der Konsole (oder über die API /v1/pronunciations) legen Sie fest, wie jedes Wort gesprochen wird, pro Sprache und auf Wunsch pro Stimme: „BMW“ heißt auf Türkisch „be me ve“ und auf Deutsch „be em we“. Die Regeln gelten für jede Anfrage Ihres Kontos, auch mit türkischen Endungen („BMW'nin“), und dieselben Wörter gehen als Hinweise an Speech-to-Text, damit sie richtig geschrieben zurückkommen.

Bereitstellung & Datenschutz

In der Region, die Sie wählen: Europa oder Türkei, die USA folgen in Kürze. Audio und Transkripte bleiben auf dem Server der aufgerufenen Region. Die Region Türkei hält die Daten im Einklang mit dem KVKK im Land.

Jetzt mit mihu voice loslegen