Nouveau SES v1 + Umay v17 langues · 2 régions (États-Unis bientôt)

Des voix qui sonnent humaines. Des transcriptions au fil de la parole.

SES transforme votre texte en une parole naturelle. Umay transcrit chaque mot à l’instant où il est prononcé. mihu voice donne à votre produit une voix et des oreilles.

Turc, anglais, allemand, français, italien, russe et espagnol · Hébergé en Europe ou en Turquie, ou sur vos propres serveurs · États-Unis bientôt

mihu
Audio téléphonique
WebSocket
Fichiers audio
mihu-umay-v1
mihu-ses-v1
Diarisation · isolation · ITN
Texte final80 ms“Where is my order?” · en
Parole synthétisée24 kHz“16:30” → las cuatro y media · es

7 langues, en reconnaissance et en synthèse vocales

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Bibliothèque de voix · mihu-ses-v1

Des voix qui sonnent locales

22 voix dans 7 langues. Choisissez-en une et écoutez : chaque extrait est lu par mihu-ses-v1, avec la phrase affichée ci-dessous.

Alp

Türkçe · Voix masculine

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

Appuyez sur lecture : la phrase s’illumine au fil de la lecture

Deux modèles, une API, sept langues

mihu-umay-v1 pour la reconnaissance vocale et mihu-ses-v1 pour la synthèse vocale, derrière une seule API HTTPS et WebSocket, hébergée en Europe ou en Turquie (États-Unis bientôt), ou sur vos propres serveurs.

mihu-umay-v1 · Une reconnaissance vocale pensée pour les appels en direct

Le texte s’affiche pendant que l’appelant parle encore ; la phrase finale est prête environ 80 ms après qu’il s’est tu, plus vite qu’un battement de cils, pour que votre agent réponde sans temps mort. 3,42 % de taux d’erreur sur les mots en turc lu (FLEURS). En mode turc uniquement, un seul serveur gère jusqu’à 256 appels en direct, avec les mêmes options de normalisation et d’isolation de la voix.

Partiel“Merhaba, siparişim ne za…”tr · 0,44 s après le début de la parole
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms après la fin de la parole
S2 · femme“Yarın sabah kapınızda olacak.”diarisé · confiance 96 %
Final“Ich habe eine Frage zur Rechnung.”de · texte final
Final“¿Me puede repetir la dirección?”es · texte final
Partiel“Je voudrais changer la da…”fr · streaming
Partiel“Merhaba, siparişim ne za…”tr · 0,44 s après le début de la parole
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms après la fin de la parole
S2 · femme“Yarın sabah kapınızda olacak.”diarisé · confiance 96 %
Final“Ich habe eine Frage zur Rechnung.”de · texte final
Final“¿Me puede repetir la dirección?”es · texte final
Partiel“Je voudrais changer la da…”fr · streaming
Appel en directPCM 16 kHz, trames de 100 ms, un seul socket.final ~80 msWER 3.42%

Entrées

WebSocket · flux en direct REST · fichiers audio Audio téléphonique 8 kHz

mihu-ses-v1 · Une voix qui sonne locale

Lit les adresses, les noms de lieux, les montants, les dates, les plaques d’immatriculation et les numéros de téléphone comme on les prononce, dans les 7 langues. L’audio est diffusé en continu avant même que la phrase entière soit synthétisée.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Sortie 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
Lecture intelligente

3,38 % de WER (tr)

95,6 % de noms de lieux corrects

7 langues

Qui a dit quoi, en direct

Détection du genre, diarisation, verrouillage du locuteur et isolation de la voix pour les lignes téléphoniques bruyantes. Chaque fonction s’active par requête ; désactivée, elle n’ajoute aucune latence.

AppelLangueLocuteurGenreTexte finalStatut
S2 · femme · 96 %
Entrants · turc · 256 appels en direct
Texte final p95< 0.35 s

Mise en forme intelligente et noms de lieux

« bin iki yüz elli lira » devient 1.250 TL, les dates et les plaques sortent au format attendu par un CRM. Des listes intégrées de districts et de quartiers, complétées par vos propres mots-clés, améliorent de 3 à 8 points la reconnaissance des noms de lieux en direct.

Mise en forme intelligente“bin iki yüz elli lira” → 1.250 TL · ajoute ~6 msitn
Renforcement des noms de lieuxQuartiers de Denizli · 86 % → 94 % · ajoute ~10 mshotwords
Listes intégrées · 5 villes
Vos propres mots

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

— appelant, Denizli

Conçu pour les centres d’appels et les agents vocaux

mihu voice

Rapport d’évaluation · novembre 2026

Mesuré sur de l’audio téléphonique, pas sur des démos.

Trois jeux de test turcs publics, 500 adresses prononcées et 1 273 phrases de synthèse, évalués de la même façon pour chaque système. Plus le taux d’erreur sur les mots est bas, mieux c’est.

3.42%

WER sur la parole lue

Jeu de test FLEURS turc, 743 extraits. Le plus bas de la comparaison.

Fig. 2

1.68%

WER sur les adresses prononcées

500 adresses, 8 kHz, avec indications de lieux.

Tableau 3

19.5×

plus rapide que le temps réel

Fichiers via l’API Turquie, mode rapide.

Tableau 3

3.38%

Taux d’erreur sur les mots en TTS

1 273 phrases du jeu ouvert mihuai/turkish-tts-eval.

Fig. 3

FLEURS tr_tr test · 743 extraits

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

Figure 2. Taux d’erreur sur les mots en %, plus bas c’est mieux, turc, règle de notation intermédiaire (variantes de nombres et de format acceptées). mihu-umay-v1 se classe premier sur 9 pour la parole lue. Les barres qui dépassent l’axe sont coupées et marquées →.

Intelligibilité de la synthèse vocale

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 →

Figure 3. Chaque système lit les mêmes 1 273 phrases de centre d’appels du jeu de données ouvert mihuai/turkish-tts-eval ; un système de reconnaissance indépendant transcrit l’audio. Taux d’erreur sur les mots en % : plus il est bas, plus la parole est facile à comprendre. Sept systèmes TTS turcs ; tous les graphiques et tableaux figurent sur la page des benchmarks.

Tableau 2. Naturel du même audio de synthèse vocale. Scores de qualité prédits, plus haut c’est mieux ; le meilleur de chaque colonne en gras.

SystèmeUTMOSv2SCOREQDNSMOS 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 obtient le meilleur score UTMOSv2 au global et dans les 13 catégories de phrases du jeu. Les trois prédicteurs ne concordent pas entre eux et ne remplacent pas un test d’écoute humain.

Deux jeux de test TTS turcs

centre d’appels ou parole quotidienne

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

Notre jeu de référence pour la parole en centre de contact, modelé sur de vraies conversations clients : montants, numéros de compte et d’identité, adresses, adresses e-mail et web, noms épelés et formats mixtes. Difficile à dessein.

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

Un jeu de conversation courante : des phrases courtes de 3 à 13 mots sur la vie quotidienne, des questions et des exclamations, avec peu de nombres ou de codes. Plus facile, donc chaque système y obtient des scores plus bas.

Taux d’erreur sur les mots sur 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 →

Même notation que pour la figure 3. Sur le jeu conversationnel, les systèmes en tête se tiennent à une fraction de point près ; c’est sur le jeu centre d’appels que les systèmes se départagent.

Figure 4. Le jeu centre d’appels mesure ce qu’un centre de contact a besoin d’entendre lu correctement ; le jeu quotidien mesure la simple parole conversationnelle. Plus le taux d’erreur sur les mots est bas, mieux c’est.

Tableau 3. Chiffres du service en production, région Turquie, 3 novembre 2026.

MesureRéglageRésultat
Vitesse de transcription de fichiers, 743 extraitsmode rapide19,5× le temps réel
Vitesse de transcription de fichiers, 743 extraitsmode normal8,5× le temps réel
Résultats en échec, manquants ou vides743 extraits0
Taux d’erreur sur les mots des adresses, 500 adresses, 8 kHzsans → avec indications de lieux2,22 % → 1,68 %
Phrases d’adresse entièrement correctes, 8 kHzsans → avec indications de lieux92,6 % → 97,2 %
Quartier correctement reconnu, 8 kHzsans → avec indications de lieux95,6 % → 98,2 %

Méthode. Règle de notation intermédiaire partout. Téléphone : un jeu de test téléphonique turc public, utilisé uniquement pour les tests. Médias : seuls comptent les 502 extraits MediaSpeech exclus de l’entraînement de mihu. La vitesse est mesurée de bout en bout via l’API publique, réseau compris. L’audio des adresses est synthétique.

Vous voulez voir votre système dans ces tableaux ?

Envoyez-nous un accès API ou le modèle : nous le testerons sur les mêmes jeux avec la même notation, vous montrerons les résultats en premier, puis les publierons ici, quels qu’ils soient.

[email protected] →

Tous les benchmarks →

mihu voice1
mihu voice

Intégrer la reconnaissance et la synthèse vocales dans un centre de contact

Développeurs mihu voice · developers.mihu.ai

Deux modèles se trouvent derrière une seule clé API : Umay pour la reconnaissance vocale et Ses pour la synthèse vocale. Tous deux sont accessibles en REST et en WebSocket, répondent de la même façon dans chaque région et acceptent les SDK officiels d’OpenAI en changeant simplement l’URL de base. Cette note montre comment ils s’intègrent à un centre de contact existant, donne une requête fonctionnelle pour chaque usage, liste ce que prend en charge chaque interface et précise comment sont traités les clés, les données et les empreintes vocales.

Architecture

Les clients se connectent directement à la région de leur choix ; aucun SDK mihu n’est requis et rien ne tourne de votre côté. Les appels en direct diffusent l’audio via un WebSocket, les fichiers et la synthèse passent par du HTTPS simple.[1][4] Lorsque les données ne doivent pas quitter votre réseau, le même service tourne sur vos propres serveurs.

(a) Vos systèmes

Centre de contact / SVI

audio de l’appelant en direct

Agent vocal

texte final → LLM → parole

Enregistrements d’appels

archivage, contrôle qualité, analyses

HTTPS, WSS, clé Bearer

(b) API mihu voice

Umay — reconnaissance vocale

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

Ses — synthèse vocale

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

les données restent dans la région

(c) Où ça tourne

Europe

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

Turquie

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

Vos serveurs

Docker sur site sur CPU, hors ligne

Figure 1. Vue d’ensemble du déploiement. Les clients accèdent aux deux modèles en HTTPS et WebSocket avec une seule clé API ; chaque requête est traitée, et ses données conservées, dans la région dont elle appelle l’hôte.

Intégration

Chaque exemple ci-dessous fonctionne tel quel une fois KEY défini. Changer de région ne modifie que l’hôte.[2][3][5]

|
Région
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

Événements serveur

{"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}

Paramètres

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

Exemple 1. Reconnaissance vocale, appels en direct (WebSocket, PCM 16 kHz). Hôte stt.eu.mihu.ai ; guide complet sur developers.mihu.ai/stt/native-api.

Spécifications techniques

Tableau 1. Interfaces et capacités des deux modèles.

Reconnaissance vocale (Umay)Synthèse vocale (Ses)
Modèlemihu-umay-v1 : umay pour les fichiers, umay-stream en directmihu-ses-v1
InterfacesREST ; WebSocket (natif) ; WebSocket (OpenAI Realtime)REST, diffusé pendant la génération ; server-sent events
AudioFichiers dans tout format courant, rééchantillonnés à 16 kHz. En direct : PCM 16 bits mono 16 kHz par trames de 100 ms24 kHz mono ; pcm (par défaut), wav, mp3, opus, aac, flac
Languestr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Compatibilité SDKSDK officiels d’OpenAI, en changeant base_urlSDK officiels d’OpenAI, en changeant base_url
Traitement du texteMontants et dates écrits en chiffres ; correction des dialectes turcs et des noms de lieux ; indications de phrasesNombres, dates et abréviations lus en toutes lettres ; génération-vérification optionnelle en turc ; accent tonique en russe
Locuteurs, voixDiarisation, détection du genre, verrouillage du locuteur, empreintes vocales avec consentement, vérification signée22 voix intégrées ; voix personnalisées à partir d’un enregistrement
Tâches longues, contrôleTranscription asynchrone avec webhook_url ; tâches d’isolation audioFermer la connexion arrête la synthèse (barge-in)
Contre-pressionFermeture WebSocket 1013 à la limite d’appels en direct ; réessayer après ~1 s503 tant que tous les workers sont occupés ; réessayer

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

Sécurité et gouvernance

4.1Authentification. Une clé API par client, envoyée sous la forme Authorization: Bearer <KEY>, ou ?api_key= pour les WebSockets du navigateur. Une clé absente ou erronée renvoie 401.[1]

4.2Résidence des données. La région se choisit à chaque requête : Europe ou Turquie. Les deux ont les mêmes chemins, champs et réponses, et l’audio comme les transcriptions restent sur le serveur de la région appelée.[1] La région Turquie conserve les données dans le pays (KVKK).

4.3Consentement et vérification. Une empreinte vocale n’est conservée qu’avec le consentement de la personne et peut être supprimée définitivement. Les résultats de vérification sont signés ; la clé publique est publiée à /v1/voiceprints/jwks.[1]

4.4Infrastructure propre. Livré sous forme de services Docker conteneurisés sur une infrastructure gérée par le client et déployé sur Kubernetes avec Rancher ou Helm. Fonctionne sur des serveurs CPU standard : ni GPU ni connexion internet nécessaires.

Références

  1. [1]Reconnaissance vocale Umay — Introduction. developers.mihu.ai/stt/introduction
  2. [2]Umay — API native (fichiers et audio en direct). developers.mihu.ai/stt/native-api
  3. [3]Umay — API compatible OpenAI. developers.mihu.ai/stt/openai
  4. [4]Synthèse vocale Ses — Introduction. developers.mihu.ai/tts/introduction
  5. [5]Ses — Synthèse vocale, streaming et erreurs. developers.mihu.ai/tts/speech
  6. [6]Ses — Voix. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

La console

Tout ce que fait l’API, dans le navigateur : essayer des voix, transcrire, cloner, gérer les clés. Et c’est vous qui décidez combien de temps les données sont conservées.

Voix

Les voix intégrées et les vôtres. Écoutez n’importe laquelle avant de l’utiliser.

Synthèse vocale

Tapez, choisissez une voix et entendez-la démarrer en 0,1 s environ. Téléchargez en mp3, wav, flac et plus encore.

Reconnaissance vocale

Importez un fichier ou un lien, enregistrez, ou passez en direct et regardez les mots apparaître pendant que vous parlez.

Isolation de la voix

Supprimez les voix de fond et le bruit d’un enregistrement ; comparez avant et après.

Clonage de voix

Une voix à partir de 10 à 30 secondes de parole, avec contrôle de lecture et consentement de la personne.

Clés API et consommation

Des clés pour vos serveurs, du code de démarrage rapide par région et ce que vous avez dépensé.

Tableau 5. Conservation des données dans la console : c’est vous qui choisissez, dans Console → Paramètres.

Afficher une fois1 jourpar défaut1 semaine14 jours1 mois3 mois6 mois3 ans
Ce qui est conservé
Uniquement les transcriptions que vous créez dans la console, dans votre compte, dans la région que vous utilisez (Europe ou Turquie).
Pendant combien de temps
La durée choisie dans Console → Paramètres. 1 jour, sauf si vous la modifiez.
Ensuite
Supprimées de nos serveurs et de nos journaux. Les transcriptions ne sont de toute façon jamais écrites dans les journaux.
Supprimer maintenant
N’importe quelle transcription, ou toutes, à tout moment. Elles disparaissent immédiatement des serveurs et des journaux.
Afficher une fois
Rien n’est écrit nulle part : vous voyez la transcription, et une actualisation l’efface.
Audio
Jamais conservé. Les enregistrements, la parole générée et l’audio isolé sont là pour être écoutés et téléchargés tout de suite.

L’API est distincte : l’audio et les transcriptions que vous lui envoyez directement sont traités et renvoyés, pas conservés (voir la page suivante).

mihu voice2
mihu voice

Protection des données : KVKK et RGPD

L’audio et les transcriptions envoyés à l’API sont traités et renvoyés, pas conservés. Dans la console, vous décidez combien de temps vos transcriptions restent, de pas du tout à 3 ans. Voici tout ce qui est stocké, pourquoi et pendant combien de temps.

Tableau 6. Non stocké.

DonnéesCe qu’elles deviennent
AudioLes flux en direct sont traités en mémoire et jamais écrits sur disque. Un fichier envoyé n’est conservé que le temps de sa transcription (les gros fichiers et les téléchargements file_url dans un fichier temporaire supprimé juste après) ; pour les tâches webhook_url, voir le tableau 7.
TranscriptionsRenvoyées à vous ; ni stockées ni journalisées. Seule exception : le résultat d’une tâche webhook_url (tableau 7).
Adresses et secrets de webhookVos webhook_url, file_url et webhook_secret ne sont jamais journalisés ; les journaux indiquent seulement qu’un webhook a été utilisé.
Enregistrements vocaux pour les empreintes vocalesJamais stockés, quel que soit le mode. Seule la signature numérique est conservée, et uniquement si vous la demandez.
Enregistrements pour les voix personnaliséesDécodés, découpés et utilisés pour construire la voix, puis supprimés. Seuls la voix elle-même et ses informations sont conservées (tableau 7).
Audio dans la consoleLes enregistrements, la parole générée et l’audio isolé sont là pour être écoutés et téléchargés tout de suite ; rien n’est sauvegardé.

Tableau 7. Stocké, et pour combien de temps.

DonnéesQuand et quoiConservation
Relevés d’utilisationCompte, modèle, langue, secondes d’audio et horodatage, pour la facturation. Ni audio, ni texte.pour la facturation
Audio d’une tâche webhookUniquement pour les fichiers envoyés avec webhook_url : l’audio attend sur disque dans la file des tâches et est supprimé dès la fin de la reconnaissance.jusqu’à la transcription
Résultat d’une tâche webhookEnvoyé à votre webhook_url (signé en HMAC-SHA256 si vous fournissez un webhook_secret ; nouvel essai après 1 s, 10 s, 1 min, 5 min et 30 min si votre serveur ne répond pas) et lisible uniquement par votre compte. Puis supprimé. Si la livraison est encore en cours de réessai, il reste au plus une heure de plus.1 heure après la fin
Empreintes vocalesUniquement lorsque vous en créez une, avec le consentement de la personne. Conservées sous votre compte (jusqu’à 1 000), ou, avec store=false, renvoyées sous forme de jeton chiffré pour que nous ne gardions rien.jusqu’à suppression par vous
Voix personnaliséesL’état de la voix et ses informations (nom, langue, genre, preuve de consentement, indicateurs de qualité), sous votre compte uniquement. DELETE les supprime définitivement.jusqu’à suppression par vous
Transcriptions de la consoleUniquement les transcriptions que vous créez dans la console, conservées dans votre compte pour que vous puissiez les rouvrir et les télécharger plus tard. Vous choisissez la durée dans Console → Paramètres : afficher une fois (jamais sauvegardé), 1 jour (par défaut), 1 semaine, 14 jours, 1 mois, 3 mois, 6 mois ou 3 ans. À la fin de la période, ou lorsque vous les supprimez, elles sont effacées de nos serveurs et de nos journaux. Les transcriptions ne sont jamais écrites dans les journaux.1 jour par défaut

Résidence des données. Chaque requête est traitée dans la région que vous appelez, Europe ou Turquie, et ses données y restent. La région Turquie conserve les données dans le pays, conformément à la KVKK.

Les empreintes vocales sont des données biométriques. Selon la KVKK et le RGPD, elles exigent le consentement explicite de la personne : votre notice d’information et votre texte de consentement doivent couvrir cette finalité. Chaque empreinte vocale peut être supprimée définitivement avec DELETE /v1/voiceprints/{id}.

La détection du genre est un traitement de données personnelles. Si vous activez gender_detection, votre notice d’information doit le couvrir et, lorsque c’est requis, l’appelant doit y consentir. Elle est désactivée sauf si vous la demandez.

API ou console. Les requêtes envoyées à l’API ne conservent rien au-delà du tableau 7. La console ne conserve que vos transcriptions, pendant la durée que vous fixez (1 jour sauf modification, ou pas du tout avec afficher une fois), puis les supprime de nos serveurs et de nos journaux. Elle ne conserve jamais l’audio.

Rien à désactiver de votre côté. Si vous ne créez jamais d’empreinte vocale et n’envoyez jamais de webhook_url, seul le relevé d’utilisation est conservé.

Vos propres serveurs. Les déploiements sur site fonctionnent sur votre infrastructure sans connexion internet : aucune donnée ne parvient à mihu.

mihu voice3
mihu voice

Tarifs

Prix catalogue en euros. Vous payez l’audio que vous envoyez et les caractères que vous synthétisez ; les options sont facturées à part, uniquement lorsque vous les utilisez.

Reconnaissance vocale

mihu-umay-v1

€0.09

par heure d’audio

€0.0015 par minute d’audio.

Synthèse vocale

mihu-ses-v1

€10.00

par million de caractères

€0.01 pour mille caractères.

Tableau 8. Options de reconnaissance vocale et endpoints vocaux, facturés en supplément uniquement à l’usage. Fichiers et flux en direct coûtent le même prix.

OptionPrixUnité
Isolation de la voix€0.01par conversation
Diarisation€0.01par conversation
Verrouillage du locuteur€0.01par conversation
Détection du genre€0.01par conversation
Empreintes vocales€0.01par requête
Vérification du locuteur€0.01par requête

Tableau 9. Ce que coûtent des charges de travail typiques au prix catalogue.

Charge de travailVolumeCoût
Transcrire 10 000 appels de 3 minutes500 heures d’audio€45.00
Prononcer 10 000 réponses de 200 caractères2 millions de caractères€20.00
Transcrire 1 000 heures d’enregistrements1 000 heures d’audio€90.00
10 000 appels de 3 minutes avec diarisation500 heures + 10 000 conversations€145.00
10 000 appels de 3 minutes avec isolation de la voix, diarisation, verrouillage du locuteur et détection du genre500 heures + 4 options × 10 000 conversations€445.00

Sur site ou à plus grand volume ? Parlons-en.

mihu voice4

Questions fréquentes

Vos données

Via l’API : ni audio ni transcriptions. Ils sont traités en mémoire et vous sont renvoyés. Nous conservons les relevés d’utilisation pour la facturation (sans audio ni texte) ; pour les tâches asynchrones envoyées avec un webhook_url, l’audio jusqu’à sa transcription et le résultat pendant 1 heure après la fin ; les empreintes vocales uniquement si vous les créez, avec le consentement de la personne (avec store=false, même celles-ci restent de votre côté) ; et les voix personnalisées jusqu’à ce que vous les supprimiez (jamais l’enregistrement qui a servi à les créer).

Seulement aussi longtemps que vous le décidez. Les transcriptions créées dans la console sont conservées dans votre compte pour que vous puissiez les rouvrir et les télécharger plus tard : 1 jour par défaut, ou 1 semaine, 14 jours, 1 mois, 3 mois, 6 mois ou 3 ans, à régler dans Console → Paramètres. À la fin de la période, ou lorsque vous les supprimez, elles sont effacées de nos serveurs et de nos journaux ; les transcriptions ne sont jamais écrites dans les journaux. Choisissez « afficher une fois » et rien n’est sauvegardé : une actualisation l’efface. Vous pouvez supprimer n’importe quelle transcription, ou toutes, à tout moment. L’audio n’est jamais conservé dans la console ; téléchargez tout de suite ce dont vous avez besoin.

Non. Votre audio, vos transcriptions et vos textes ne servent pas à entraîner ni à améliorer nos modèles.

Oui. Déterminer à partir de sa voix si un appelant est un homme ou une femme constitue un traitement de données personnelles. Si vous activez gender_detection, votre notice d’information KVKK / RGPD doit le couvrir, et vous devez recueillir le consentement de l’appelant lorsque c’est requis. La détection du genre est désactivée sauf si vous la demandez.

Modèles et langues

En reconnaissance comme en synthèse vocale : turc, anglais, allemand, français, italien, russe et espagnol. Indiquez la langue à chaque requête.

Non. La version sur site fonctionne sur des serveurs CPU standard. Elle est livrée sous forme de services Docker conteneurisés sur une infrastructure gérée par le client et déployée sur Kubernetes avec Rancher ou Helm. Ni GPU ni connexion internet nécessaires.

Le texte s’affiche pendant que l’appelant parle encore. Le premier texte partiel arrive environ 0,44 s après le début de la parole, et la phrase finale environ 80 ms après que l’appelant s’est tu, mesuré depuis un client en Turquie. En pratique, l’appelant n’entend aucun blanc : votre agent peut commencer sa réponse dès qu’il a fini.

Fonctionnalités

Non. Le genre arrive environ 2 s après que l’appelant a commencé à parler et la diarisation étiquette les locuteurs en direct, sans retarder le texte. Chaque fonction s’active par requête ; désactivée, elle n’ajoute aucune latence.

Les nombres, montants, dates, heures, numéros de téléphone, plaques et adresses prononcés sont écrits au format attendu par un CRM : « one thousand two hundred fifty dollars » devient $1,250 et « seventeen Oak Street apartment four » devient 17 Oak St, Apt 4. Cela ajoute environ 6 ms.

Dans les 7 langues, les nombres, devises, dates, heures et adresses sont automatiquement lus comme une parole naturelle. Les longs noms de villages composés sont découpés pour une prononciation claire, et les noms de quartiers sont correctement reconnus dans 95,6 % des cas sur notre test de 500 adresses en bande téléphonique, 98,2 % avec indications de lieux.

Oui. Dans la page Prononciation de la console (ou via l’API /v1/pronunciations), vous indiquez comment chaque mot se prononce, par langue et, si vous le souhaitez, par voix : « BMW » se dit « be me ve » en turc et « bé-èm-double-vé » en français. Les règles s’appliquent à toutes les requêtes de votre compte, suffixes turcs compris (« BMW'nin »), et les mêmes mots sont transmis à la reconnaissance vocale comme indices, pour qu’ils reviennent correctement écrits.

Déploiement et confidentialité

Dans la région que vous choisissez : Europe ou Turquie, les États-Unis arrivant bientôt. L’audio et les transcriptions restent sur le serveur de la région appelée. La région Turquie conserve les données dans le pays, conformément à la KVKK.

Commencez à développer avec mihu voice