Novedad SES v1 + Umay v17 idiomas · 2 regiones (pronto EE. UU.)

Voces que suenan humanas. Transcripciones mientras la gente habla.

SES convierte tu texto en voz natural. Umay escribe cada palabra en el momento en que se dice. mihu voice le da a tu producto voz y oídos.

Turco, inglés, alemán, francés, italiano, ruso y español · Alojado en Europa o en Turquía, o en tus propios servidores · Pronto en EE. UU.

mihu
Audio telefónico
WebSocket
Archivos de audio
mihu-umay-v1
mihu-ses-v1
Diarización · aislamiento · ITN
Texto final80 ms“Where is my order?” · en
Voz sintetizada24 kHz“16:30” → las cuatro y media · es

7 idiomas, voz a texto y texto a voz

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Biblioteca de voces · mihu-ses-v1

Voces que suenan locales

22 voces en 7 idiomas. Elige una y escúchala: cada muestra es mihu-ses-v1 leyendo la frase que aparece abajo.

Alp

Türkçe · Voz masculina

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

Pulsa reproducir: la frase se ilumina mientras se lee

Dos modelos, una API, siete idiomas

mihu-umay-v1 para voz a texto y mihu-ses-v1 para texto a voz, tras una única API HTTPS y WebSocket, alojada en Europa o en Turquía (pronto en EE. UU.), o en tus propios servidores.

mihu-umay-v1 · Voz a texto pensado para llamadas en directo

El texto aparece mientras quien llama sigue hablando; la frase final está lista unos 80 ms después de que termine, más rápido que un parpadeo, así que tu agente puede responder sin pausas. Tasa de error por palabra del 3,42 % en habla leída en turco (FLEURS). En modo solo turco, un servidor atiende hasta 256 llamadas en directo, con las mismas opciones de normalización y aislamiento de voz.

Parcial“Merhaba, siparişim ne za…”tr · 0,44 s tras empezar a hablar
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms tras terminar de hablar
S2 · mujer“Yarın sabah kapınızda olacak.”diarizado · confianza 96 %
Final“Ich habe eine Frage zur Rechnung.”de · texto final
Final“¿Me puede repetir la dirección?”es · texto final
Parcial“Je voudrais changer la da…”fr · streaming
Parcial“Merhaba, siparişim ne za…”tr · 0,44 s tras empezar a hablar
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms tras terminar de hablar
S2 · mujer“Yarın sabah kapınızda olacak.”diarizado · confianza 96 %
Final“Ich habe eine Frage zur Rechnung.”de · texto final
Final“¿Me puede repetir la dirección?”es · texto final
Parcial“Je voudrais changer la da…”fr · streaming
Llamada en directoPCM a 16 kHz, tramas de 100 ms, un solo socket.final ~80 msWER 3.42%

Entradas

WebSocket · stream en directo REST · archivos de audio Audio telefónico a 8 kHz

mihu-ses-v1 · Una voz que suena local

Lee direcciones, topónimos, importes, fechas, matrículas y números de teléfono como los dice la gente, en los 7 idiomas. El audio llega en streaming antes de que se sintetice la frase completa.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Salida de audio24 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
Lectura inteligente

3,38 % WER (tr)

95,6 % topónimos correctos

7 idiomas

Quién dijo qué, en directo

Detección de género, diarización de hablantes, bloqueo de hablante y aislamiento de voz para líneas telefónicas con ruido. Cada uno se activa por solicitud; desactivado, no añade latencia.

LlamadaIdiomaHablanteGéneroTexto finalEstado
S2 · mujer · 96 %
Entrantes · turco · 256 llamadas en directo
Texto final p95< 0.35 s

Formato inteligente y topónimos

«bin iki yüz elli lira» se convierte en 1.250 TL; fechas y matrículas salen tal como las espera un CRM. Las listas integradas de distritos y barrios, más tus propias palabras clave, mejoran entre 3 y 8 puntos la precisión en topónimos en directo.

Formato inteligente“bin iki yüz elli lira” → 1.250 TL · añade ~6 msitn
Refuerzo de topónimosBarrios de Denizli · 86 % → 94 % · añade ~10 mshotwords
Listas integradas · 5 ciudades
Tus propias palabras

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

— cliente, Denizli

Hecho para centros de llamadas y agentes de voz

mihu voice

Informe de evaluación · noviembre de 2026

Medido con audio telefónico, no con demos.

Tres conjuntos de prueba públicos en turco, 500 direcciones habladas y 1.273 frases de síntesis, evaluados igual para todos los sistemas. Cuanto menor la tasa de error por palabra, mejor.

3.42%

WER en habla leída

Conjunto de prueba FLEURS en turco, 743 clips. La más baja de la comparativa.

Fig. 2

1.68%

WER en direcciones habladas

500 direcciones, 8 kHz, con pistas de lugar.

Tabla 3

19.5×

más rápido que el tiempo real

Archivos a través de la API de Turquía, modo rápido.

Tabla 3

3.38%

Tasa de error por palabra del TTS

1.273 frases del conjunto abierto mihuai/turkish-tts-eval.

Fig. 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

Figura 2. Tasa de error por palabra en %, cuanto menor mejor, turco, regla de puntuación media (se aceptan variantes de números y formatos). mihu-umay-v1 queda en primer lugar de 9 en habla leída. Las barras que superan el eje se cortan y se marcan con →.

Inteligibilidad del texto a voz

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 →

Figura 3. Cada sistema lee las mismas 1.273 frases de centro de llamadas del conjunto de datos abierto mihuai/turkish-tts-eval; un reconocedor independiente transcribe el audio. Tasa de error por palabra en %: cuanto menor, más fácil de entender es la voz. Siete sistemas TTS en turco; todos los gráficos y tablas están en la página de benchmarks.

Tabla 2. Naturalidad del mismo audio de texto a voz. Puntuaciones de calidad predichas, cuanto mayor mejor; la mejor de cada columna en negrita.

SistemaUTMOSv2SCOREQDNSMOS 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 obtiene la puntuación UTMOSv2 más alta en total y en las 13 categorías de frases del conjunto. Los tres predictores no coinciden entre sí y no sustituyen una prueba de escucha con personas.

Dos conjuntos de prueba TTS en turco

centro de llamadas frente a habla cotidiana

mihuai/turkish-tts-eval1.273 frases · Fig. 3

Nuestro conjunto de referencia para el habla de contact center, basado en conversaciones reales con clientes: importes, números de cuenta y de documento, direcciones, correos electrónicos y direcciones web, nombres deletreados y formatos mixtos. Difícil a propósito.

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

Un conjunto de conversación cotidiana: frases cortas de 3 a 13 palabras sobre la vida diaria, preguntas y exclamaciones, con pocos números o códigos. Más fácil, por eso aquí todos los sistemas obtienen valores más bajos.

Tasa de error por palabra en 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 →

La misma puntuación que en la Figura 3. En el conjunto conversacional, los mejores sistemas están a una fracción de punto porcentual entre sí; es en el conjunto de centro de llamadas donde se separan.

Figura 4. El conjunto de centro de llamadas mide lo que un contact center necesita que se lea correctamente; el cotidiano mide el habla conversacional sencilla. Cuanto menor la tasa de error por palabra, mejor.

Tabla 3. Cifras del servicio en producción, región Turquía, 3 de noviembre de 2026.

MediciónConfiguraciónResultado
Velocidad de transcripción de archivos, 743 clipsmodo rápido19,5× tiempo real
Velocidad de transcripción de archivos, 743 clipsmodo normal8,5× tiempo real
Resultados fallidos, ausentes o vacíos743 clips0
Tasa de error por palabra en direcciones, 500 direcciones, 8 kHzsin → con pistas de lugar2,22 % → 1,68 %
Frases de dirección totalmente correctas, 8 kHzsin → con pistas de lugar92,6 % → 97,2 %
Barrio reconocido correctamente, 8 kHzsin → con pistas de lugar95,6 % → 98,2 %

Método. Regla de puntuación media en todos los casos. Teléfono: un conjunto de prueba telefónico público en turco, usado solo para pruebas. Medios: solo cuentan los 502 clips de MediaSpeech excluidos del entrenamiento de mihu. La velocidad se mide de extremo a extremo a través de la API pública, red incluida. El audio de las direcciones es sintético.

¿Quieres tu sistema en estas tablas?

Envíanos acceso a la API o el modelo y lo ejecutaremos con los mismos conjuntos de prueba y la misma puntuación, te mostraremos primero los resultados y los publicaremos aquí, sean cuales sean.

[email protected] →

Todos los benchmarks →

mihu voice1
mihu voice

Integrar voz a texto y texto a voz en un contact center

Desarrolladores de mihu voice · developers.mihu.ai

Dos modelos tras una sola clave de API: Umay para el reconocimiento de voz y Ses para la síntesis de voz. A ambos se accede por REST y WebSocket, responden igual en todas las regiones y admiten los SDK oficiales de OpenAI cambiando solo la URL base. Esta nota muestra cómo encajan en un contact center existente, ofrece una solicitud funcional para cada caso de uso, enumera lo que admite cada interfaz y explica cómo se gestionan las claves, los datos y las huellas de voz.

Arquitectura

Los clientes se conectan directamente a la región que eligen; no hace falta ningún SDK de mihu y no se ejecuta nada de tu lado. Las llamadas en directo envían el audio en streaming por WebSocket; los archivos y la síntesis usan HTTPS sin más.[1][4] Cuando los datos no pueden salir de tu red, el mismo servicio se ejecuta en tus propios servidores.

(a) Tus sistemas

Contact center / IVR

audio del cliente en directo

Agente de voz

texto final → LLM → voz

Grabaciones de llamadas

archivo, QA, analítica

HTTPS, WSS, clave Bearer

(b) API de mihu voice

Umay — voz a texto

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

Ses — texto a voz

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

los datos se quedan en la región

(c) Dónde se ejecuta

Europa

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

Turquía

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

Tus servidores

Docker on-prem en CPU, sin conexión

Figura 1. Visión general del despliegue. Los clientes llegan a ambos modelos por HTTPS y WebSocket con una sola clave de API; cada solicitud se atiende, y sus datos se guardan, en la región cuyo host se llama.

Integración

Cada listado de abajo funciona tal cual una vez definida KEY. Elegir una región solo cambia el host.[2][3][5]

|
Región
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

Eventos del servidor

{"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}

Parámetros

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

Listado 1. Voz a texto, llamadas en directo (WebSocket, PCM a 16 kHz). Host stt.eu.mihu.ai; guía completa en developers.mihu.ai/stt/native-api.

Especificación técnica

Tabla 1. Interfaces y capacidades de los dos modelos.

Voz a texto (Umay)Texto a voz (Ses)
Modelomihu-umay-v1: umay para archivos, umay-stream en directomihu-ses-v1
InterfacesREST; WebSocket (nativo); WebSocket (OpenAI Realtime)REST, en streaming mientras se genera; server-sent events
AudioArchivos en cualquier formato habitual, remuestreados a 16 kHz. En directo: PCM mono de 16 bits a 16 kHz en tramas de 100 ms24 kHz mono; pcm (predeterminado), wav, mp3, opus, aac, flac
Idiomastr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Compatibilidad con SDKSDK oficiales de OpenAI, cambiando base_urlSDK oficiales de OpenAI, cambiando base_url
Tratamiento del textoImportes y fechas escritos en cifras; corrección de dialectos turcos y topónimos; pistas de frasesNúmeros, fechas y abreviaturas leídos en voz alta; generación con verificación opcional para el turco; acento ruso
Hablantes, vocesDiarización, detección de género, bloqueo de hablante, huellas de voz con consentimiento, verificación firmada22 voces integradas; voces personalizadas a partir de una grabación
Trabajos largos, controlTranscripción asíncrona con webhook_url; trabajos de aislamiento de audioCerrar la conexión detiene la síntesis (barge-in)
ContrapresiónCierre de WebSocket 1013 al alcanzar el límite de llamadas en directo; reintentar tras ~1 s503 mientras todos los workers están ocupados; reintentar

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

Seguridad y gobernanza

4.1Autenticación. Una clave de API por cliente, enviada como Authorization: Bearer <KEY>, o como ?api_key= para WebSockets desde el navegador. Una clave ausente o incorrecta recibe 401.[1]

4.2Residencia de datos. La región se elige en cada solicitud: Europa o Turquía. Ambas tienen las mismas rutas, campos y respuestas, y el audio y las transcripciones se quedan en el servidor de la región llamada.[1] La región Turquía mantiene los datos en el país (KVKK).

4.3Consentimiento y verificación. Una huella de voz solo se guarda con el consentimiento de la persona y puede eliminarse de forma definitiva. Los resultados de verificación van firmados; la clave pública se publica en /v1/voiceprints/jwks.[1]

4.4Infraestructura propia. Se entrega como servicios Docker en contenedores sobre infraestructura gestionada por el cliente y se despliega en Kubernetes con Rancher o Helm. Funciona en servidores CPU estándar: sin GPU y sin conexión a internet.

Referencias

  1. [1]Reconocimiento de voz Umay — Introducción. developers.mihu.ai/stt/introduction
  2. [2]Umay — API nativa (archivos y audio en directo). developers.mihu.ai/stt/native-api
  3. [3]Umay — API compatible con OpenAI. developers.mihu.ai/stt/openai
  4. [4]Texto a voz Ses — Introducción. developers.mihu.ai/tts/introduction
  5. [5]Ses — Texto a voz, streaming y errores. developers.mihu.ai/tts/speech
  6. [6]Ses — Voces. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

La consola

Todo lo que hace la API, en el navegador: prueba voces, transcribe, clona, gestiona claves. Y tú decides cuánto tiempo se guarda cada cosa.

Voces

Las voces integradas y las tuyas. Escucha cualquiera antes de usarla.

Texto a voz

Escribe, elige una voz y oye cómo empieza en unos 0,1 s. Descarga en mp3, wav, flac y más formatos.

Voz a texto

Sube un archivo o un enlace, graba, o hazlo en directo y mira cómo aparecen las palabras mientras hablas.

Aislador de voz

Elimina voces de fondo y ruido de una grabación; compara el antes y el después.

Clonar voz

Una voz a partir de 10–30 segundos de habla, con comprobación de lectura y el consentimiento de quien habla.

Claves de API y uso

Claves para tus servidores, código de inicio rápido por región y lo que llevas gastado.

Tabla 5. Conservación de datos en la consola: tú eliges, en Consola → Ajustes.

Mostrar una vez1 díapredeterminado1 semana14 días1 mes3 meses6 meses3 años
Qué se guarda
Solo las transcripciones que haces en la consola, en tu cuenta, en la región que usas (Europa o Turquía).
Durante cuánto tiempo
El periodo que elijas en Consola → Ajustes. 1 día si no lo cambias.
Después
Se eliminan de nuestros servidores y de nuestros registros. Las transcripciones nunca se escriben en los registros.
Eliminar ahora
Cualquier transcripción, o todas, en cualquier momento. Desaparece de los servidores y registros al instante.
Mostrar una vez
No se escribe nada en ningún sitio: ves la transcripción y al recargar la página desaparece.
Audio
Nunca se guarda. Las grabaciones, la voz generada y el audio aislado están ahí para reproducirlos y descargarlos al momento.

La API es aparte: el audio y las transcripciones que le envías directamente se procesan y se devuelven, no se guardan (consulta la página siguiente).

mihu voice2
mihu voice

Protección de datos: KVKK y RGPD

El audio y las transcripciones enviados a la API se procesan y se devuelven, no se guardan. En la consola decides tú cuánto tiempo se conservan tus transcripciones, desde nada hasta 3 años. A continuación tienes todo lo que se guarda, por qué y durante cuánto tiempo.

Tabla 6. No se guarda.

DatosQué se hace con ellos
AudioLos streams en directo se procesan en memoria y nunca se escriben en disco. Un archivo que envías se retiene solo mientras se transcribe (los archivos grandes y las descargas por file_url, en un archivo temporal que se borra justo después); para los trabajos con webhook_url, consulta la Tabla 7.
TranscripcionesSe te devuelven; no se guardan ni se registran. La única excepción es el resultado de un trabajo con webhook_url (Tabla 7).
Direcciones y secretos de webhookTu webhook_url, file_url y webhook_secret nunca se registran; los registros solo anotan que se usó un webhook.
Grabaciones de voz para huellas de vozNunca se guardan, en ningún modo. Solo se conserva la firma numérica, y solo si la pides.
Grabaciones para voces personalizadasSe decodifican, recortan y usan para crear la voz, y después se descartan. Solo se conservan la voz en sí y sus datos (Tabla 7).
Audio en la consolaLas grabaciones, la voz generada y el audio aislado están ahí para reproducirlos y descargarlos al momento; no se guarda nada.

Tabla 7. Se guarda, y durante cuánto tiempo.

DatosCuándo y quéSe conserva
Registros de usoCuenta, modelo, idioma, segundos de audio y hora, para la facturación. Sin audio ni texto.para facturación
Audio de un trabajo con webhookSolo para archivos enviados con webhook_url: el audio espera en disco en la cola de trabajos y se elimina en cuanto termina el reconocimiento.hasta que se transcribe
Resultado de un trabajo con webhookSe envía a tu webhook_url (firmado con HMAC-SHA256 si indicas un webhook_secret; se reintenta tras 1 s, 10 s, 1 min, 5 min y 30 min si tu servidor no responde) y solo tu cuenta puede leerlo. Después se elimina. Si la entrega sigue reintentándose, se conserva como máximo una hora más.1 hora tras completarse
Huellas de vozSolo cuando creas una, con el consentimiento de la persona. Se guardan en tu cuenta (hasta 1.000), o con store=false se te devuelven como token cifrado, de modo que nosotros no guardamos nada.hasta que la elimines
Voces personalizadasEl estado de la voz y sus datos (nombre, idioma, género, registro del consentimiento, métricas de calidad), solo en tu cuenta. DELETE los elimina de forma definitiva.hasta que la elimines
Transcripciones de la consolaSolo las transcripciones que haces en la consola, guardadas en tu cuenta para que puedas abrirlas y descargarlas después. Tú eliges cuánto tiempo en Consola → Ajustes: mostrar una vez (nunca se guardan), 1 día (predeterminado), 1 semana, 14 días, 1 mes, 3 meses, 6 meses o 3 años. Cuando termina el periodo, o cuando las eliminas, se borran de nuestros servidores y registros. Las transcripciones nunca se escriben en los registros.1 día por defecto

Residencia de datos. Cada solicitud se procesa en la región a la que llamas, Europa o Turquía, y sus datos se quedan allí. La región Turquía mantiene los datos en el país, conforme a la KVKK.

Las huellas de voz son datos biométricos. Según la KVKK y el RGPD requieren el consentimiento explícito de la persona: tu aviso de privacidad y tu texto de consentimiento deben cubrir esta finalidad. Toda huella de voz puede eliminarse de forma definitiva con DELETE /v1/voiceprints/{id}.

La detección de género es un tratamiento de datos personales. Si activas gender_detection, tu aviso de privacidad debe cubrirla y, cuando se requiera, quien llama debe dar su consentimiento. Está desactivada salvo que la solicites.

API o consola. Las solicitudes que envías a la API no guardan nada más allá de la Tabla 7. La consola solo guarda tus transcripciones, durante el periodo que fijes (1 día si no lo cambias, o nada con mostrar una vez), y luego las elimina de nuestros servidores y registros. Nunca guarda el audio.

Nada que desactivar por tu parte. Si nunca creas una huella de voz ni envías un webhook_url, solo se guarda el registro de uso.

Tus propios servidores. Los despliegues on-prem funcionan en tu infraestructura sin conexión a internet, así que ningún dato llega a mihu.

mihu voice3
mihu voice

Precios

Precios de lista en euros. Pagas por el audio que envías y los caracteres que sintetizas; las opciones se facturan aparte, solo cuando las usas.

Voz a texto

mihu-umay-v1

€0.09

por hora de audio

€0.0015 por minuto de audio.

Texto a voz

mihu-ses-v1

€10.00

por millón de caracteres

€0.01 por mil caracteres.

Tabla 8. Opciones de voz a texto y endpoints de voz, facturados aparte solo cuando se usan. Archivos y streams en directo cuestan lo mismo.

OpciónPrecioUnidad
Aislamiento de voz€0.01por conversación
Diarización de hablantes€0.01por conversación
Bloqueo de hablante€0.01por conversación
Detección de género€0.01por conversación
Huellas de voz€0.01por solicitud
Verificación de hablante€0.01por solicitud

Tabla 9. Lo que cuestan cargas de trabajo típicas a precio de lista.

Carga de trabajoVolumenCoste
Transcribir 10.000 llamadas de 3 minutos500 horas de audio€45.00
Locutar 10.000 respuestas de 200 caracteres2 millones de caracteres€20.00
Transcribir 1.000 horas de grabaciones1.000 horas de audio€90.00
10.000 llamadas de 3 minutos con diarización de hablantes500 horas + 10.000 conversaciones€145.00
10.000 llamadas de 3 minutos con aislamiento de voz, diarización, bloqueo de hablante y detección de género500 horas + 4 opciones × 10.000 conversaciones€445.00

¿Necesitas on-prem o más volumen? Habla con nosotros.

mihu voice4

Preguntas frecuentes

Tus datos

A través de la API: ni audio ni transcripciones. Se procesan en memoria y se te devuelven. Guardamos registros de uso para la facturación (sin audio ni texto); en los trabajos asíncronos enviados con un webhook_url, el audio hasta que se transcribe y el resultado durante 1 hora tras completarse; huellas de voz solo si las creas, con el consentimiento de la persona (con store=false incluso esas se quedan de tu lado); y voces personalizadas hasta que las elimines (nunca la grabación a partir de la que se crearon).

Solo durante el tiempo que elijas. Las transcripciones que haces en la consola se guardan en tu cuenta para que puedas abrirlas y descargarlas después: 1 día por defecto, o 1 semana, 14 días, 1 mes, 3 meses, 6 meses o 3 años, según lo que fijes en Consola → Ajustes. Cuando termina el periodo, o cuando las eliminas, se borran de nuestros servidores y registros; las transcripciones nunca se escriben en los registros. Elige «mostrar una vez» y no se guarda nada: al recargar la página desaparece. Puedes eliminar cualquier transcripción, o todas, en cualquier momento. El audio nunca se guarda en la consola; descarga lo que necesites al momento.

No. Tu audio, tus transcripciones y tus textos no se usan para entrenar ni mejorar nuestros modelos.

Sí. Determinar por la voz si quien llama es hombre o mujer es un tratamiento de datos personales. Si activas gender_detection, tu aviso de privacidad KVKK / RGPD debe cubrirlo, y deberías pedir el consentimiento de quien llama cuando sea obligatorio. La detección de género está desactivada salvo que la solicites.

Modelos e idiomas

Tanto en voz a texto como en texto a voz: turco, inglés, alemán, francés, italiano, ruso y español. El idioma se indica en cada solicitud.

No. La versión on-prem funciona en servidores CPU estándar. Se entrega como servicios Docker en contenedores sobre infraestructura gestionada por el cliente y se despliega en Kubernetes con Rancher o Helm. Sin GPU y sin conexión a internet.

El texto aparece mientras quien llama sigue hablando. El primer texto parcial llega unos 0,44 s después de que empiece a hablar y la frase final unos 80 ms después de que termine, medido desde un cliente en Turquía. En la práctica, quien llama no nota ningún silencio: tu agente puede empezar a responder en cuanto termina.

Funciones

No. El género llega unos 2 s después de que quien llama empiece a hablar y la diarización etiqueta a los hablantes en directo, ambas sin retrasar el texto. Cada función se activa por solicitud; desactivada, no añade latencia.

Los números, importes, fechas, horas, teléfonos, matrículas y direcciones dictados se escriben como los espera un CRM: «one thousand two hundred fifty dollars» se convierte en $1,250 y «seventeen Oak Street apartment four» en 17 Oak St, Apt 4. Añade unos 6 ms.

En los 7 idiomas, los números, monedas, fechas, horas y direcciones se leen automáticamente con naturalidad. Los nombres largos y compuestos de pueblos se dividen para pronunciarlos con claridad, y los nombres de barrios se reconocen correctamente el 95,6 % de las veces en nuestra prueba de 500 direcciones con ancho de banda telefónico, y el 98,2 % con pistas de lugar.

Sí. En la página Pronunciación de la consola (o con la API /v1/pronunciations) indicas cómo se dice cada palabra, por idioma y, si quieres, por voz: «BMW» se lee «be me ve» en turco y «be eme uve doble» en español. Las reglas se aplican a todas las solicitudes de tu cuenta, sufijos turcos incluidos («BMW'nin»), y las mismas palabras se envían a voz a texto como pistas para que vuelvan bien escritas.

Despliegue y privacidad

En la región que elijas: Europa o Turquía, con Estados Unidos próximamente. El audio y las transcripciones se quedan en el servidor de la región a la que llamas. La región Turquía mantiene los datos en el país conforme a la KVKK.

Empieza a desarrollar con mihu voice