Novità SES v1 + Umay v17 lingue · 2 regioni (presto USA)

Voci che suonano umane. Trascrizioni mentre le persone parlano.

SES trasforma il tuo testo in parlato naturale. Umay scrive ogni parola nell'istante in cui viene detta. mihu voice dà al tuo prodotto una voce e un udito.

Turco, inglese, tedesco, francese, italiano, russo e spagnolo · Ospitato in Europa o in Turchia, oppure sui tuoi server · Presto negli USA

mihu
Audio telefonico
WebSocket
File audio
mihu-umay-v1
mihu-ses-v1
Diarizzazione · isolamento · ITN
Testo finale80 ms“Where is my order?” · en
Parlato sintetizzato24 kHz“16:30” → las cuatro y media · es

7 lingue, speech-to-text e text-to-speech

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Libreria di voci · mihu-ses-v1

Voci che suonano locali

22 voci in 7 lingue. Scegline una e ascolta: ogni campione è mihu-ses-v1 che legge la frase mostrata qui sotto.

Alp

Türkçe · Voce maschile

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

Premi play: la frase si illumina mentre viene letta

Due modelli, un'API, sette lingue

mihu-umay-v1 per lo speech-to-text e mihu-ses-v1 per il text-to-speech, dietro un'unica API HTTPS e WebSocket, ospitata in Europa o in Turchia (presto negli USA) oppure sui tuoi server.

mihu-umay-v1 · Speech-to-text pensato per le chiamate dal vivo

Il testo compare mentre chi chiama sta ancora parlando; la frase finale è pronta circa 80 ms dopo che ha smesso, più in fretta di un battito di ciglia, così il tuo agente può rispondere senza pause. Tasso di errore sulle parole del 3,42% sul parlato letto in turco (FLEURS). In modalità solo turco un server gestisce fino a 256 chiamate dal vivo, con le stesse opzioni di normalizzazione e isolamento della voce.

Parziale“Merhaba, siparişim ne za…”tr · 0,44 s dopo l'inizio del parlato
Finale“Merhaba, siparişim ne zaman gelir?”tr · 79 ms dopo la fine del parlato
S2 · donna“Yarın sabah kapınızda olacak.”diarizzato · confidenza 96%
Finale“Ich habe eine Frage zur Rechnung.”de · testo finale
Finale“¿Me puede repetir la dirección?”es · testo finale
Parziale“Je voudrais changer la da…”fr · streaming
Parziale“Merhaba, siparişim ne za…”tr · 0,44 s dopo l'inizio del parlato
Finale“Merhaba, siparişim ne zaman gelir?”tr · 79 ms dopo la fine del parlato
S2 · donna“Yarın sabah kapınızda olacak.”diarizzato · confidenza 96%
Finale“Ich habe eine Frage zur Rechnung.”de · testo finale
Finale“¿Me puede repetir la dirección?”es · testo finale
Parziale“Je voudrais changer la da…”fr · streaming
Chiamata dal vivoPCM a 16 kHz, frame da 100 ms, un solo socket.finale ~80 msWER 3.42%

Input

WebSocket · stream dal vivo REST · file audio Audio telefonico a 8 kHz

mihu-ses-v1 · Un parlato che suona locale

Legge indirizzi, nomi di luogo, importi, date, targhe e numeri di telefono come li dicono le persone, in tutte e 7 le lingue. L'audio arriva in streaming prima che l'intera frase sia sintetizzata.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Audio in uscita24 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
Lettura intelligente

3,38% WER (tr)

95,6% nomi di luogo corretti

7 lingue

Chi ha detto cosa, in tempo reale

Rilevamento del genere, diarizzazione dei parlanti, blocco del parlante e isolamento della voce per le linee telefoniche rumorose. Ognuno si attiva per singola richiesta; se è disattivato, nessuna latenza in più.

ChiamataLinguaParlanteGenereTesto finaleStato
S2 · donna · 96%
In entrata · turco · 256 chiamate dal vivo
Testo finale p95< 0.35 s

Formattazione intelligente e nomi di luogo

«bin iki yüz elli lira» diventa 1.250 TL, date e targhe escono nel formato che un CRM si aspetta. Elenchi integrati di distretti e quartieri, più le tue parole chiave, migliorano di 3–8 punti la precisione sui nomi di luogo dal vivo.

Formattazione intelligente“bin iki yüz elli lira” → 1.250 TL · aggiunge ~6 msitn
Potenziamento nomi di luogoQuartieri di Denizli · 86% → 94% · aggiunge ~10 mshotwords
Elenchi integrati · 5 città
Le tue parole

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

— chiamante, Denizli

Pensato per call center e agenti vocali

mihu voice

Rapporto di valutazione · novembre 2026

Misurato su audio telefonico, non su demo.

Tre set di test pubblici in turco, 500 indirizzi pronunciati e 1.273 frasi di sintesi, valutati allo stesso modo per ogni sistema. Un tasso di errore sulle parole più basso è migliore.

3.42%

WER sul parlato letto

Set di test FLEURS in turco, 743 clip. Il più basso del confronto.

Fig. 2

1.68%

WER sugli indirizzi pronunciati

500 indirizzi, 8 kHz, con suggerimenti sui luoghi.

Tabella 3

19.5×

più veloce del tempo reale

File tramite l'API Turchia, modalità veloce.

Tabella 3

3.38%

Tasso di errore sulle parole del TTS

1.273 frasi del set aperto mihuai/turkish-tts-eval.

Fig. 3

FLEURS tr_tr test · 743 clip

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. Tasso di errore sulle parole in %, più basso è meglio, turco, regola di valutazione media (varianti di numeri e formati accettate). mihu-umay-v1 si classifica primo su 9 nel set di test parlato letto. Le barre oltre l'asse sono tagliate e segnate con →.

Intelligibilità del text-to-speech

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. Ogni sistema legge le stesse 1.273 frasi da call center del dataset aperto mihuai/turkish-tts-eval; un riconoscitore indipendente trascrive l'audio. Tasso di errore sulle parole in %: più è basso, più il parlato è facile da capire. Sette sistemi TTS in turco; tutti i grafici e le tabelle sono nella pagina dei benchmark.

Tabella 2. Naturalezza dello stesso audio text-to-speech. Punteggi di qualità previsti, più alto è meglio; il migliore di ogni colonna in grassetto.

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 ha il punteggio UTMOSv2 più alto sia in totale sia in tutte le 13 categorie di frasi del set. I tre predittori non concordano tra loro e non sostituiscono un test di ascolto con persone reali.

Due set di test TTS in turco

call center e parlato quotidiano

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

Il nostro set di riferimento per il parlato da contact center, modellato su conversazioni reali con i clienti: importi, numeri di conto e di documento, indirizzi, e-mail e indirizzi web, nomi compitati e formati misti. Difficile per scelta.

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

Un set di conversazione quotidiana: frasi brevi da 3 a 13 parole sulla vita di tutti i giorni, domande ed esclamazioni, con pochi numeri o codici. Più facile, quindi qui ogni sistema ottiene valori più bassi.

Tasso di errore sulle parole su 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 →

Stessa valutazione della Figura 3. Sul set conversazionale i sistemi migliori sono a una frazione di punto percentuale l'uno dall'altro; è sul set da call center che i sistemi si distinguono.

Figura 4. Il set da call center misura ciò che un contact center ha bisogno di sentir leggere correttamente; il set quotidiano misura il semplice parlato conversazionale. Un tasso di errore sulle parole più basso è migliore.

Tabella 3. Dati del servizio live, regione Turchia, 3 novembre 2026.

MisuraImpostazioneRisultato
Velocità di trascrizione dei file, 743 clipmodalità veloce19,5× il tempo reale
Velocità di trascrizione dei file, 743 clipmodalità normale8,5× il tempo reale
Risultati non riusciti, mancanti o vuoti743 clip0
Tasso di errore sulle parole negli indirizzi, 500 indirizzi, 8 kHzsenza → con suggerimenti sui luoghi2,22 % → 1,68 %
Frasi di indirizzo del tutto corrette, 8 kHzsenza → con suggerimenti sui luoghi92,6 % → 97,2 %
Quartiere riconosciuto correttamente, 8 kHzsenza → con suggerimenti sui luoghi95,6 % → 98,2 %

Metodo. Regola di valutazione media in tutti i casi. Telefono: un set di test telefonico pubblico in turco, usato solo per i test. Media: contano solo le 502 clip di MediaSpeech escluse dall'addestramento di mihu. La velocità è misurata end-to-end tramite l'API pubblica, rete inclusa. L'audio degli indirizzi è sintetico.

Vuoi il tuo sistema in queste tabelle?

Inviaci l'accesso all'API o il modello: lo eseguiremo sugli stessi set di test con la stessa valutazione, ti mostreremo prima i risultati e li pubblicheremo qui, quali che siano.

[email protected] →

Tutti i benchmark →

mihu voice1
mihu voice

Integrare speech‑to‑text e text‑to‑speech in un contact center

Sviluppatori di mihu voice · developers.mihu.ai

Due modelli dietro una sola chiave API: Umay per il riconoscimento vocale e Ses per la sintesi vocale. Entrambi sono raggiungibili via REST e WebSocket, rispondono allo stesso modo in ogni regione e accettano gli SDK ufficiali di OpenAI cambiando solo la base URL. Questa nota mostra come si inseriscono in un contact center esistente, fornisce una richiesta funzionante per ogni caso d'uso, elenca cosa supporta ciascuna interfaccia e spiega come vengono gestiti chiavi, dati e impronte vocali.

Architettura

I client si collegano direttamente alla regione che scelgono; non serve alcun SDK mihu e dal tuo lato non gira nulla. Le chiamate dal vivo inviano l'audio in streaming su WebSocket, mentre file e sintesi usano semplice HTTPS.[1][4] Dove i dati non possono lasciare la tua rete, lo stesso servizio gira sui tuoi server.

(a) I tuoi sistemi

Contact center / IVR

audio del chiamante dal vivo

Agente vocale

testo finale → LLM → parlato

Registrazioni delle chiamate

archivio, QA, analisi

HTTPS, WSS, chiave Bearer

(b) API mihu voice

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

i dati restano nella regione

(c) Dove gira

Europa

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

Turchia

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

I tuoi server

Docker on-prem su CPU, offline

Figura 1. Panoramica del deployment. I client raggiungono entrambi i modelli via HTTPS e WebSocket con una sola chiave API; ogni richiesta viene servita, e i suoi dati conservati, nella regione del cui host fa la chiamata.

Integrazione

Ogni listato qui sotto funziona così com'è, una volta impostata KEY. Scegliere una regione cambia solo l'host.[2][3][5]

|
Regione
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

Eventi del server

{"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}

Parametri

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

Listato 1. Speech-to-text, chiamate dal vivo (WebSocket, PCM a 16 kHz). Host stt.eu.mihu.ai; guida completa su developers.mihu.ai/stt/native-api.

Specifiche tecniche

Tabella 1. Interfacce e funzionalità dei due modelli.

Speech-to-text (Umay)Text-to-speech (Ses)
Modellomihu-umay-v1: umay per i file, umay-stream dal vivomihu-ses-v1
InterfacceREST; WebSocket (nativo); WebSocket (OpenAI Realtime)REST, in streaming durante la generazione; server-sent events
AudioFile in qualsiasi formato comune, ricampionati a 16 kHz. Dal vivo: PCM mono a 16 bit, 16 kHz, in frame da 100 ms24 kHz mono; pcm (predefinito), wav, mp3, opus, aac, flac
Linguetr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Compatibilità SDKSDK ufficiali di OpenAI, cambiando base_urlSDK ufficiali di OpenAI, cambiando base_url
Gestione del testoImporti e date scritti in cifre; correzione di dialetti turchi e nomi di luogo; suggerimenti di frasiNumeri, date e abbreviazioni letti per esteso; generazione con verifica opzionale per il turco; accento tonico russo
Parlanti, vociDiarizzazione, rilevamento del genere, blocco del parlante, impronte vocali con consenso, verifica firmata22 voci integrate; voci personalizzate da una registrazione
Job lunghi, controlloTrascrizione asincrona con webhook_url; job di isolamento dell'audioChiudere la connessione interrompe la sintesi (barge-in)
ContropressioneChiusura WebSocket 1013 al limite di chiamate dal vivo; riprova dopo ~1 s503 quando tutti i worker sono occupati; riprova

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

Sicurezza e governance

4.1Autenticazione. Una chiave API per cliente, inviata come Authorization: Bearer <KEY> oppure come ?api_key= per i WebSocket nel browser. Una chiave mancante o errata riceve 401.[1]

4.2Residenza dei dati. La regione si sceglie per ogni richiesta: Europa o Turchia. Entrambe hanno gli stessi percorsi, campi e risposte, e audio e trascrizioni restano sul server della regione chiamata.[1] La regione Turchia mantiene i dati nel paese (KVKK).

4.3Consenso e verifica. Un'impronta vocale viene conservata solo con il consenso della persona e può essere eliminata definitivamente. I risultati della verifica sono firmati; la chiave pubblica è pubblicata su /v1/voiceprints/jwks.[1]

4.4Infrastruttura propria. Fornito come servizi Docker containerizzati su infrastruttura gestita dal cliente e distribuito su Kubernetes con Rancher o Helm. Gira su server CPU standard: non servono GPU né connessione a internet.

Riferimenti

  1. [1]Riconoscimento vocale Umay — Introduzione. developers.mihu.ai/stt/introduction
  2. [2]Umay — API nativa (file e audio dal vivo). developers.mihu.ai/stt/native-api
  3. [3]Umay — API compatibile con OpenAI. developers.mihu.ai/stt/openai
  4. [4]Sintesi vocale Ses — Introduzione. developers.mihu.ai/tts/introduction
  5. [5]Ses — Text-to-speech, streaming ed errori. developers.mihu.ai/tts/speech
  6. [6]Ses — Voci. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

La console

Tutto ciò che fa l'API, nel browser: prova le voci, trascrivi, clona, gestisci le chiavi. E sei tu a decidere per quanto tempo resta qualcosa.

Voci

Le voci integrate e le tue. Ascoltale prima di usarle.

Text to Speech

Scrivi, scegli una voce e sentila partire in circa 0,1 s. Scarica in mp3, wav, flac e altri formati.

Speech to Text

Carica un file o un link, registra, oppure vai in diretta e guarda le parole comparire mentre parli.

Isolamento voce

Rimuovi voci di sottofondo e rumore da una registrazione; confronta prima e dopo.

Clona voce

Una voce da 10–30 secondi di parlato, con verifica della lettura e consenso di chi parla.

Chiavi API e utilizzo

Chiavi per i tuoi server, codice di avvio rapido per regione e quanto hai speso.

Tabella 5. Conservazione dei dati nella console: scegli tu, in Console → Impostazioni.

Mostra una volta1 giornopredefinito1 settimana14 giorni1 mese3 mesi6 mesi3 anni
Cosa viene conservato
Solo le trascrizioni che crei nella console, nel tuo account, nella regione che usi (Europa o Turchia).
Per quanto tempo
Il periodo che scegli in Console → Impostazioni. 1 giorno, se non lo modifichi.
Poi
Eliminate dai nostri server e dai nostri log. Le trascrizioni non vengono mai scritte nei log, in nessun caso.
Elimina subito
Una trascrizione o tutte, in qualsiasi momento. Spariscono subito da server e log.
Mostra una volta
Non viene scritto nulla da nessuna parte: vedi la trascrizione e un aggiornamento della pagina la cancella.
Audio
Mai conservato. Registrazioni, parlato generato e audio isolato sono lì per essere ascoltati e scaricati subito.

L'API è separata: l'audio e le trascrizioni che le invii direttamente vengono elaborati e restituiti, non conservati (vedi la pagina successiva).

mihu voice2
mihu voice

Protezione dei dati: KVKK e GDPR

L'audio e le trascrizioni inviati all'API vengono elaborati e restituiti, non conservati. Nella console decidi tu per quanto restano le tue trascrizioni, da per niente fino a 3 anni. Qui sotto trovi tutto ciò che viene conservato, perché e per quanto tempo.

Tabella 6. Non conservato.

DatiCosa succede
AudioGli stream dal vivo vengono elaborati in memoria e mai scritti su disco. Un file che invii viene trattenuto solo durante la trascrizione (i file grandi e i download tramite file_url in un file temporaneo eliminato subito dopo); per i job con webhook_url vedi la Tabella 7.
TrascrizioniRestituite a te; non conservate e non registrate nei log. L'unica eccezione è il risultato di un job con webhook_url (Tabella 7).
Indirizzi e segreti dei webhookI tuoi webhook_url, file_url e webhook_secret non vengono mai registrati nei log; i log annotano solo che è stato usato un webhook.
Registrazioni vocali per le impronte vocaliMai conservate, in nessuna modalità. Viene conservata solo la firma numerica, e solo se la richiedi.
Registrazioni per le voci personalizzateDecodificate, tagliate e usate per creare la voce, poi scartate. Vengono conservati solo la voce stessa e i suoi dettagli (Tabella 7).
Audio nella consoleRegistrazioni, parlato generato e audio isolato sono lì per essere ascoltati e scaricati subito; nulla viene salvato.

Tabella 7. Conservato, e per quanto tempo.

DatiQuando e cosaConservato
Registri di utilizzoAccount, modello, lingua, secondi di audio e orario, per la fatturazione. Nessun audio, nessun testo.per la fatturazione
Audio di un job webhookSolo per i file inviati con webhook_url: l'audio attende su disco nella coda dei job e viene eliminato non appena il riconoscimento termina.fino alla trascrizione
Risultato di un job webhookInviato al tuo webhook_url (firmato con HMAC-SHA256 se fornisci un webhook_secret; nuovo tentativo dopo 1 s, 10 s, 1 min, 5 min e 30 min se il tuo server non risponde) e leggibile solo dal tuo account. Poi eliminato. Se la consegna è ancora in corso di ritentativi, resta al massimo un'altra ora.1 ora dopo il completamento
Impronte vocaliSolo quando ne crei una, con il consenso della persona. Conservate nel tuo account (fino a 1.000), oppure con store=false restituite a te come token cifrato, così noi non conserviamo nulla.finché non la elimini
Voci personalizzateLo stato della voce e i suoi dettagli (nome, lingua, genere, registrazione del consenso, valori di qualità), solo nel tuo account. DELETE li rimuove definitivamente.finché non la elimini
Trascrizioni della consoleSolo le trascrizioni che crei nella console, conservate nel tuo account così puoi aprirle e scaricarle in seguito. Scegli tu per quanto in Console → Impostazioni: mostra una volta (mai salvate), 1 giorno (predefinito), 1 settimana, 14 giorni, 1 mese, 3 mesi, 6 mesi o 3 anni. Alla fine del periodo, o quando le elimini, vengono rimosse dai nostri server e log. Le trascrizioni non vengono mai scritte nei log.1 giorno per impostazione predefinita

Residenza dei dati. Ogni richiesta viene elaborata nella regione che chiami, Europa o Turchia, e i suoi dati restano lì. La regione Turchia mantiene i dati nel paese, in conformità con la KVKK.

Le impronte vocali sono dati biometrici. Secondo KVKK e GDPR richiedono il consenso esplicito della persona: la tua informativa sulla privacy e il testo del consenso devono coprire questa finalità. Ogni impronta vocale può essere eliminata definitivamente con DELETE /v1/voiceprints/{id}.

Il rilevamento del genere è un trattamento di dati personali. Se attivi gender_detection, la tua informativa sulla privacy deve coprirlo e, dove richiesto, chi chiama deve dare il consenso. È disattivato se non lo richiedi.

API o console. Le richieste che invii all'API non conservano nulla oltre a quanto indicato nella Tabella 7. La console conserva solo le tue trascrizioni, per il periodo che imposti (1 giorno se non lo modifichi, o per niente con mostra una volta), poi le elimina dai nostri server e log. Non conserva mai l'audio.

Nulla da disattivare dal tuo lato. Se non crei mai un'impronta vocale e non invii mai un webhook_url, viene conservato solo il registro di utilizzo.

I tuoi server. I deployment on-prem girano sulla tua infrastruttura senza connessione a internet, quindi nessun dato arriva a mihu.

mihu voice3
mihu voice

Prezzi

Prezzi di listino in euro. Paghi l'audio che invii e i caratteri che sintetizzi; le opzioni sono fatturate a parte, solo quando le usi.

Speech-to-text

mihu-umay-v1

€0.09

per ora di audio

€0.0015 per minuto di audio.

Text-to-speech

mihu-ses-v1

€10.00

per milione di caratteri

€0.01 per mille caratteri.

Tabella 8. Opzioni di speech-to-text ed endpoint vocali, fatturati in aggiunta solo quando usati. File e stream dal vivo costano uguale.

OpzionePrezzoUnità
Isolamento della voce€0.01per conversazione
Diarizzazione dei parlanti€0.01per conversazione
Blocco del parlante€0.01per conversazione
Rilevamento del genere€0.01per conversazione
Impronte vocali€0.01per richiesta
Verifica del parlante€0.01per richiesta

Tabella 9. Quanto costano i carichi di lavoro tipici a prezzo di listino.

Carico di lavoroVolumeCosto
Trascrivere 10.000 chiamate da 3 minuti500 ore di audio€45.00
Pronunciare 10.000 risposte da 200 caratteri2 milioni di caratteri€20.00
Trascrivere 1.000 ore di registrazioni1.000 ore di audio€90.00
10.000 chiamate da 3 minuti con diarizzazione dei parlanti500 ore + 10.000 conversazioni€145.00
10.000 chiamate da 3 minuti con isolamento della voce, diarizzazione, blocco del parlante e rilevamento del genere500 ore + 4 opzioni × 10.000 conversazioni€445.00

Ti serve on-prem o un volume più alto? Parliamone.

mihu voice4

Domande frequenti

I tuoi dati

Tramite l'API: niente audio e niente trascrizioni. Vengono elaborati in memoria e restituiti a te. Conserviamo i registri di utilizzo per la fatturazione (senza audio né testo); per i job asincroni inviati con un webhook_url, l'audio fino alla trascrizione e il risultato per 1 ora dopo il completamento; le impronte vocali solo se le crei, con il consenso della persona (con store=false restano anche quelle dal tuo lato); e le voci personalizzate finché non le elimini (mai la registrazione da cui sono state create).

Solo per il tempo che scegli tu. Le trascrizioni che crei nella console vengono conservate nel tuo account così puoi aprirle e scaricarle in seguito: 1 giorno per impostazione predefinita, oppure 1 settimana, 14 giorni, 1 mese, 3 mesi, 6 mesi o 3 anni, da impostare in Console → Impostazioni. Alla fine del periodo, o quando le elimini, vengono rimosse dai nostri server e log; le trascrizioni non vengono mai scritte nei log. Scegli «mostra una volta» e non viene salvato nulla: un aggiornamento della pagina la cancella. Puoi eliminare una trascrizione, o tutte, in qualsiasi momento. L'audio non viene mai conservato nella console: scarica subito ciò che ti serve.

No. Il tuo audio, le tue trascrizioni e i tuoi testi non vengono usati per addestrare o migliorare i nostri modelli.

Sì. Stabilire dalla voce se chi chiama è un uomo o una donna è un trattamento di dati personali. Se attivi gender_detection, la tua informativa sulla privacy KVKK / GDPR deve coprirlo e dovresti chiedere il consenso di chi chiama dove è richiesto. Il rilevamento del genere è disattivato se non lo richiedi.

Modelli e lingue

Sia per lo speech-to-text sia per il text-to-speech: turco, inglese, tedesco, francese, italiano, russo e spagnolo. La lingua si indica in ogni richiesta.

No. La versione on-prem gira su server CPU standard. Viene fornita come servizi Docker containerizzati su infrastruttura gestita dal cliente e distribuita su Kubernetes con Rancher o Helm. Non servono GPU né connessione a internet.

Il testo compare mentre chi chiama sta ancora parlando. Il primo testo parziale arriva circa 0,44 s dopo l'inizio del parlato e la frase finale circa 80 ms dopo che chi chiama ha smesso, misurato da un client in Turchia. In pratica chi chiama non sente alcuna pausa: il tuo agente può iniziare a rispondere non appena ha finito.

Funzionalità

No. Il genere arriva circa 2 s dopo che chi chiama inizia a parlare e la diarizzazione etichetta i parlanti in tempo reale, entrambi senza ritardare il testo. Ogni funzionalità si attiva per singola richiesta; se è disattivata, nessuna latenza in più.

Numeri, importi, date, orari, numeri di telefono, targhe e indirizzi pronunciati vengono scritti come se li aspetta un CRM: «one thousand two hundred fifty dollars» diventa $1,250 e «seventeen Oak Street apartment four» diventa 17 Oak St, Apt 4. Aggiunge circa 6 ms.

In tutte e 7 le lingue numeri, valute, date, orari e indirizzi vengono letti automaticamente in modo naturale. I nomi di villaggio composti e lunghi vengono suddivisi per una pronuncia chiara, e i nomi dei quartieri vengono riconosciuti correttamente nel 95,6% dei casi nel nostro test su 500 indirizzi con banda telefonica, nel 98,2% con i suggerimenti sui luoghi.

Sì. Nella pagina Pronuncia della console (o con l'API /v1/pronunciations) indichi come va pronunciata ogni parola, per lingua e, se vuoi, per voce: «BMW» si legge «be me ve» in turco e «bi-emme-vu» in italiano. Le regole valgono per ogni richiesta del tuo account, suffissi turchi compresi («BMW'nin»), e le stesse parole vengono inviate allo speech-to-text come suggerimenti, così tornano scritte correttamente.

Deployment e privacy

Nella regione che scegli: Europa o Turchia, con gli Stati Uniti in arrivo. Audio e trascrizioni restano sul server della regione che chiami. La regione Turchia mantiene i dati nel paese in conformità con la KVKK.

Inizia a sviluppare con mihu voice