Nowość SES v1 + Umay v17 języków · 2 regiony (wkrótce USA)

Głosy, które brzmią jak ludzie. Transkrypcja w trakcie mówienia.

SES zamienia tekst w naturalną mowę. Umay zapisuje każde słowo w chwili, gdy pada. mihu voice daje Twojemu produktowi głos i słuch.

Turecki, angielski, niemiecki, francuski, włoski, rosyjski i hiszpański · Hosting w Europie lub w Türkiye albo na własnych serwerach · Wkrótce USA

mihu
Dźwięk telefoniczny
WebSocket
Pliki audio
mihu-umay-v1
mihu-ses-v1
Diaryzacja · izolacja · ITN
Tekst końcowy80 ms“Where is my order?” · en
Mowa zsyntetyzowana24 kHz“16:30” → las cuatro y media · es

7 języków, mowa na tekst i tekst na mowę

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Biblioteka głosów · mihu-ses-v1

Głosy, które brzmią lokalnie

22 głosy w 7 językach. Wybierz jeden i posłuchaj: każda próbka to mihu-ses-v1 czytający zdanie pokazane poniżej.

Alp

Türkçe · Głos męski

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

Naciśnij odtwarzanie: zdanie podświetla się w trakcie czytania

Dwa modele, jedno API, siedem języków

mihu-umay-v1 do zamiany mowy na tekst i mihu-ses-v1 do zamiany tekstu na mowę, za jednym API HTTPS i WebSocket, z hostingiem w Europie lub w Türkiye (wkrótce USA) albo na własnych serwerach.

mihu-umay-v1 · Mowa na tekst stworzona do rozmów na żywo

Tekst pojawia się, gdy rozmówca jeszcze mówi; ostateczne zdanie jest gotowe około 80 ms po tym, jak skończy, szybciej niż mrugnięcie oka, więc Twój agent może odpowiedzieć bez pauzy. Współczynnik błędów słów 3,42% na czytanej mowie tureckiej (FLEURS). W trybie tylko tureckim jeden serwer obsługuje do 256 rozmów na żywo, z tymi samymi opcjami normalizacji i izolacji głosu.

Częściowy“Merhaba, siparişim ne za…”tr · 0,44 s od początku mowy
Końcowy“Merhaba, siparişim ne zaman gelir?”tr · 79 ms po końcu mowy
S2 · kobieta“Yarın sabah kapınızda olacak.”po diaryzacji · pewność 96%
Końcowy“Ich habe eine Frage zur Rechnung.”de · tekst końcowy
Końcowy“¿Me puede repetir la dirección?”es · tekst końcowy
Częściowy“Je voudrais changer la da…”fr · streaming
Częściowy“Merhaba, siparişim ne za…”tr · 0,44 s od początku mowy
Końcowy“Merhaba, siparişim ne zaman gelir?”tr · 79 ms po końcu mowy
S2 · kobieta“Yarın sabah kapınızda olacak.”po diaryzacji · pewność 96%
Końcowy“Ich habe eine Frage zur Rechnung.”de · tekst końcowy
Końcowy“¿Me puede repetir la dirección?”es · tekst końcowy
Częściowy“Je voudrais changer la da…”fr · streaming
Rozmowa na żywo16 kHz PCM, ramki 100 ms, jedno gniazdo.tekst końcowy ~80 msWER 3.42%

Wejścia

WebSocket · strumień na żywo REST · pliki audio Dźwięk telefoniczny 8 kHz

mihu-ses-v1 · Mowa, która brzmi lokalnie

Czyta adresy, nazwy miejscowości, kwoty, daty, numery rejestracyjne i telefony tak, jak mówią je ludzie, we wszystkich 7 językach. Dźwięk zaczyna wracać strumieniowo, zanim całe zdanie zostanie zsyntetyzowane.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Wyjście 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
Inteligentne czytanie

3,38% WER (tr)

95,6% nazw miejsc poprawnie

7 języków

Kto co powiedział, na żywo

Rozpoznawanie płci, diaryzacja mówców, speaker lock i izolacja głosu dla zaszumionych linii telefonicznych. Każdą funkcję włącza się osobno w żądaniu; wyłączona nie dodaje opóźnienia.

RozmowaJęzykMówcaPłećTekst końcowyStatus
S2 · kobieta · 96%
Przychodzące · turecki · 256 rozmów na żywo
Tekst końcowy p95< 0.35 s

Inteligentne formatowanie i nazwy miejscowości

„bin iki yüz elli lira” zmienia się w 1.250 TL, a daty i numery rejestracyjne wychodzą w formie, jakiej oczekuje CRM. Wbudowane listy dzielnic i osiedli oraz Twoje własne hotwords podnoszą trafność nazw miejscowości na żywo o 3 do 8 punktów.

Inteligentne formatowanie“bin iki yüz elli lira” → 1.250 TL · dodaje ~6 msitn
Wzmocnienie nazw miejscDzielnice Denizli · 86% → 94% · dodaje ~10 mshotwords
Wbudowane listy · 5 miast
Twoje własne słowa

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

— rozmówca, Denizli

Stworzone dla call center i agentów głosowych

mihu voice

Raport z ewaluacji · listopad 2026

Mierzone na nagraniach telefonicznych, nie na demach.

Trzy publiczne tureckie zbiory testowe, 500 wypowiedzianych adresów i 1273 zdania do syntezy, oceniane tak samo dla każdego systemu. Niższy współczynnik błędów słów jest lepszy.

3.42%

WER na mowie czytanej

Turecki zbiór testowy FLEURS, 743 nagrania. Najniższy w zestawieniu.

Rys. 2

1.68%

WER na wypowiedzianych adresach

500 adresów, 8 kHz, z podpowiedziami miejsc.

Tabela 3

19.5×

szybciej niż w czasie rzeczywistym

Pliki przez API w Türkiye, tryb szybki.

Tabela 3

3.38%

Współczynnik błędów słów TTS

1273 zdania z otwartego zbioru mihuai/turkish-tts-eval.

Rys. 3

FLEURS tr_tr test · 743 nagrania

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

Rysunek 2. Współczynnik błędów słów w %, niższy jest lepszy, turecki, średnia reguła oceny (warianty liczb i formatów akceptowane). mihu-umay-v1 zajmuje pierwsze miejsce na 9 na mowie czytanej. Słupki wychodzące poza oś są ucięte i oznaczone →.

Zrozumiałość syntezy mowy

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 →

Rysunek 3. Każdy system czyta te same 1273 zdania z call center z otwartego zbioru mihuai/turkish-tts-eval; niezależny system rozpoznawania mowy transkrybuje nagrania. Współczynnik błędów słów w %, niższy oznacza, że mowa jest łatwiejsza do zrozumienia. Siedem tureckich systemów TTS; wszystkie wykresy i tabele są na stronie benchmarków.

Tabela 2. Naturalność tych samych nagrań syntezy mowy. Przewidywane oceny jakości, wyższa jest lepsza; najlepszy wynik w każdej kolumnie pogrubiony.

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 ma najwyższy wynik UTMOSv2 ogółem i we wszystkich 13 kategoriach zdań w zbiorze. Trzy predyktory nie są ze sobą zgodne i nie zastępują testu odsłuchowego z udziałem ludzi.

Dwa tureckie zbiory testowe TTS

call center a mowa codzienna

mihuai/turkish-tts-eval1273 zdania · Rys. 3

Nasz zbiór referencyjny dla mowy w contact center, wzorowany na prawdziwych rozmowach z klientami: kwoty, numery kont i dokumentów, adresy, adresy e-mail i www, nazwiska literowane i formaty mieszane. Celowo trudny.

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

Zbiór codziennych rozmów: krótkie zdania od 3 do 13 słów o życiu codziennym, pytania i wykrzyknienia, z niewielką liczbą liczb czy kodów. Łatwiejszy, więc każdy system wypada tu niżej.

Współczynnik błędów słów na freya-tr-eval, %

EMA Lightning 1.1.2
0.99
Trendyol-TTS
1.01
Antalia-2 Mini
1.17
mihu-ses-v1
1.28
Anka TTS 0.1.6
1.33
Piper
3.26
FreyaTTS-small
12.05 →

Ocena taka sama jak na rysunku 3. Na zbiorze rozmów czołowe systemy dzieli ułamek procenta; to zbiór z call center rozdziela systemy.

Rysunek 4. Zbiór z call center mierzy to, co contact center musi mieć przeczytane poprawnie; zbiór codzienny mierzy zwykłą mowę potoczną. Niższy współczynnik błędów słów jest lepszy.

Tabela 3. Wyniki działającej usługi, region Türkiye, 3 listopada 2026.

PomiarUstawienieWynik
Szybkość transkrypcji plików, 743 nagraniatryb szybki19,5× czasu rzeczywistego
Szybkość transkrypcji plików, 743 nagraniatryb normalny8,5× czasu rzeczywistego
Nieudane, brakujące lub puste wyniki743 nagrania0
Współczynnik błędów słów w adresach, 500 adresów, 8 kHzbez → z podpowiedziami miejsc2,22% → 1,68%
Zdania z adresem w pełni poprawne, 8 kHzbez → z podpowiedziami miejsc92,6% → 97,2%
Dzielnica rozpoznana poprawnie, 8 kHzbez → z podpowiedziami miejsc95,6% → 98,2%

Metoda. Wszędzie średnia reguła oceny. Telefon: publiczny turecki zbiór testowy rozmów telefonicznych, używany wyłącznie do testów. Media: liczą się tylko 502 nagrania MediaSpeech wyłączone z treningu mihu. Szybkość mierzona od końca do końca przez publiczne API, łącznie z siecią. Nagrania adresów są syntetyczne.

Chcesz zobaczyć swój system w tych tabelach?

Prześlij nam dostęp do API albo model, a uruchomimy go na tych samych zbiorach testowych z tą samą oceną, najpierw pokażemy wyniki Tobie i opublikujemy je tutaj, jakiekolwiek będą.

[email protected] →

Wszystkie benchmarki →

mihu voice1
mihu voice

Integracja zamiany mowy na tekst i tekstu na mowę z contact center

zespół deweloperski mihu voice · developers.mihu.ai

Za jednym kluczem API stoją dwa modele: Umay do rozpoznawania mowy i Ses do syntezy mowy. Oba są dostępne przez REST i WebSocket, odpowiadają tak samo w każdym regionie i działają z oficjalnymi SDK OpenAI po zmianie bazowego URL. Ta notatka pokazuje, jak wpasowują się w istniejące contact center, podaje działające żądanie dla każdego zastosowania, wymienia, co obsługuje każdy interfejs, i opisuje, jak traktowane są klucze, dane i odciski głosu.

Architektura

Klienci łączą się bezpośrednio z wybranym regionem; nie jest potrzebne żadne SDK mihu i nic nie działa po Twojej stronie. Rozmowy na żywo przesyłają dźwięk strumieniowo przez WebSocket, pliki i synteza używają zwykłego HTTPS.[1][4] Tam, gdzie dane nie mogą opuścić Twojej sieci, ta sama usługa działa na Twoich serwerach.

(a) Twoje systemy

Contact center / IVR

dźwięk rozmówcy na żywo

Agent głosowy

tekst końcowy → LLM → mowa

Nagrania rozmów

archiwum, QA, analityka

HTTPS, WSS, klucz Bearer

(b) API mihu voice

Umay — mowa na tekst

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

Ses — tekst na mowę

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

dane zostają w regionie

(c) Gdzie działa

Europa

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

Türkiye

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

Twoje serwery

Docker on-prem na CPU, offline

Rysunek 1. Przegląd wdrożenia. Klienci korzystają z obu modeli przez HTTPS i WebSocket z jednym kluczem API; każde żądanie jest obsługiwane, a jego dane przechowywane, w regionie, którego hosta wywołuje.

Integracja

Każdy z poniższych listingów działa w podanej postaci, gdy tylko ustawisz KEY. Wybór regionu zmienia wyłącznie hosta.[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

Zdarzenia serwera

{"type":"partial","text":"adresiniz şirin","segment":0}
{"type":"final","text":"Adresiniz Şirinyer Mahallesi.","segment":0,"start":0.4,"end":3.1}
{"type":"speaker","speaker":"S1","gender":"female","percent":97}
{"type":"usage","audio_seconds":42.1}

Parametry

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

Listing 1. Mowa na tekst, rozmowy na żywo (WebSocket, 16 kHz PCM). Host stt.eu.mihu.ai; pełny przewodnik: developers.mihu.ai/stt/native-api.

Specyfikacja techniczna

Tabela 1. Interfejsy i możliwości obu modeli.

Mowa na tekst (Umay)Tekst na mowę (Ses)
Modelmihu-umay-v1: umay dla plików, umay-stream na żywomihu-ses-v1
InterfejsyREST; WebSocket (natywny); WebSocket (OpenAI Realtime)REST, strumieniowany w trakcie generowania; server-sent events
DźwiękPliki w każdym popularnym formacie, przepróbkowane do 16 kHz. Na żywo: 16 kHz mono 16-bit PCM w ramkach po 100 ms24 kHz mono; pcm (domyślnie), wav, mp3, opus, aac, flac
Językitr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Zgodność z SDKOficjalne SDK OpenAI, po zmianie base_urlOficjalne SDK OpenAI, po zmianie base_url
Obsługa tekstuKwoty i daty zapisywane cyframi; korekta tureckich dialektów i nazw miejscowości; podpowiedzi frazLiczby, daty i skróty czytane w pełnym brzmieniu; opcjonalne generowanie z weryfikacją dla tureckiego; akcent w rosyjskim
Mówcy, głosyDiaryzacja, rozpoznawanie płci, speaker lock, odciski głosu za zgodą, podpisana weryfikacja22 wbudowane głosy; własne głosy z nagrania
Długie zadania, sterowanieAsynchroniczna transkrypcja z webhook_url; zadania izolacji dźwiękuZamknięcie połączenia zatrzymuje syntezę (barge-in)
Back-pressureZamknięcie WebSocket z kodem 1013 po osiągnięciu limitu rozmów na żywo; ponów po ~1 s503, gdy wszystkie workery są zajęte; ponów

Źródła: [2], [3], [5], [6].

Bezpieczeństwo i zarządzanie

4.1Uwierzytelnianie. Jeden klucz API na klienta, wysyłany jako Authorization: Bearer <KEY> lub jako ?api_key= dla WebSocketów w przeglądarce. Brak klucza lub błędny klucz daje odpowiedź 401.[1]

4.2Lokalizacja danych. Region wybiera się w każdym żądaniu: Europa lub Türkiye. Oba mają te same ścieżki, pola i odpowiedzi, a dźwięk i transkrypcje pozostają na serwerze wywołanego regionu.[1] Region Türkiye przechowuje dane w kraju (KVKK).

4.3Zgoda i weryfikacja. Odcisk głosu jest zapisywany wyłącznie za zgodą danej osoby i można go trwale usunąć. Wyniki weryfikacji są podpisane; klucz publiczny jest dostępny pod /v1/voiceprints/jwks.[1]

4.4Własna infrastruktura. Dostarczane jako skonteneryzowane usługi Docker na infrastrukturze zarządzanej przez klienta i wdrażane na Kubernetes za pomocą Rancher lub Helm. Działa na standardowych serwerach CPU: bez GPU i bez połączenia z internetem.

Bibliografia

  1. [1]Rozpoznawanie mowy Umay — Wprowadzenie. developers.mihu.ai/stt/introduction
  2. [2]Umay — Natywne API (pliki i dźwięk na żywo). developers.mihu.ai/stt/native-api
  3. [3]Umay — API zgodne z OpenAI. developers.mihu.ai/stt/openai
  4. [4]Synteza mowy Ses — Wprowadzenie. developers.mihu.ai/tts/introduction
  5. [5]Ses — Tekst na mowę, streaming i błędy. developers.mihu.ai/tts/speech
  6. [6]Ses — Głosy. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Konsola

Wszystko, co robi API, w przeglądarce: testowanie głosów, transkrypcja, klonowanie, zarządzanie kluczami. A Ty decydujesz, jak długo cokolwiek jest przechowywane.

Głosy

Głosy wbudowane i Twoje własne. Posłuchaj każdego, zanim go użyjesz.

Tekst na mowę

Wpisz tekst, wybierz głos i usłysz początek po około 0,1 s. Pobierz jako mp3, wav, flac i nie tylko.

Mowa na tekst

Prześlij plik lub link, nagraj albo przejdź na żywo i patrz, jak słowa pojawiają się w trakcie mówienia.

Izolacja głosu

Usuń z nagrania głosy w tle i szum; porównaj przed i po.

Klonowanie głosu

Głos z 10–30 sekund mowy, ze sprawdzeniem odczytu i za zgodą mówcy.

Klucze API i zużycie

Klucze dla Twoich serwerów, kod na szybki start dla każdego regionu i to, ile wydałeś.

Tabela 5. Przechowywanie danych w konsoli: wybierasz Ty, w Konsola → Ustawienia.

Pokaż raz1 dzieńdomyślnie1 tydzień14 dni1 miesiąc3 miesiące6 miesięcy3 lata
Co jest przechowywane
Tylko transkrypcje utworzone w konsoli, na Twoim koncie, w regionie, z którego korzystasz (Europa lub Türkiye).
Jak długo
Przez okres wybrany w Konsola → Ustawienia. 1 dzień, chyba że to zmienisz.
Potem
Usuwane z naszych serwerów i logów. Transkrypcje w ogóle nie trafiają do logów.
Usuń teraz
Dowolną transkrypcję lub wszystkie, w każdej chwili. Znikają z serwerów i logów natychmiast.
Pokaż raz
Nic nie jest nigdzie zapisywane: widzisz transkrypcję, a odświeżenie strony ją usuwa.
Dźwięk
Nigdy nie jest przechowywany. Nagrania, wygenerowana mowa i wyizolowany dźwięk są dostępne do odsłuchania i pobrania od razu.

API działa osobno: dźwięk i transkrypcje wysyłane bezpośrednio do niego są przetwarzane i zwracane, a nie przechowywane (zobacz następną stronę).

mihu voice2
mihu voice

Ochrona danych: KVKK i RODO

Dźwięk i transkrypcje wysyłane do API są przetwarzane i zwracane, a nie przechowywane. W konsoli sam decydujesz, jak długo zostają Twoje transkrypcje: od wcale do 3 lat. Poniżej wszystko, co jest przechowywane, dlaczego i jak długo.

Tabela 6. Nieprzechowywane.

DaneCo się z nimi dzieje
DźwiękStrumienie na żywo są przetwarzane w pamięci i nigdy nie trafiają na dysk. Wysłany plik jest przechowywany tylko na czas transkrypcji (duże pliki i pobrania z file_url w pliku tymczasowym usuwanym zaraz potem); zadania z webhook_url opisuje tabela 7.
TranskrypcjeZwracane Tobie; nie są przechowywane ani logowane. Jedynym wyjątkiem jest wynik zadania z webhook_url (tabela 7).
Adresy i sekrety webhookówTwoje webhook_url, file_url i webhook_secret nigdy nie są logowane; logi odnotowują jedynie, że użyto webhooka.
Nagrania głosu do odcisków głosuNigdy nie są przechowywane, w żadnym trybie. Zachowywana jest tylko sygnatura liczbowa i tylko wtedy, gdy o to poprosisz.
Nagrania do własnych głosówDekodowane, przycinane i używane do zbudowania głosu, a następnie odrzucane. Zachowywany jest tylko sam głos i jego dane (tabela 7).
Dźwięk w konsoliNagrania, wygenerowana mowa i wyizolowany dźwięk są dostępne do odsłuchania i pobrania od razu; nic z tego nie jest zapisywane.

Tabela 7. Przechowywane i jak długo.

DaneKiedy i coPrzechowywane
Rejestry użyciaKonto, model, język, liczba sekund dźwięku i czas, na potrzeby rozliczeń. Bez dźwięku, bez tekstu.na potrzeby rozliczeń
Dźwięk zadania z webhookiemTylko dla plików wysłanych z webhook_url: dźwięk czeka na dysku w kolejce zadań i jest usuwany, gdy tylko rozpoznawanie się zakończy.do zakończenia transkrypcji
Wynik zadania z webhookiemWysyłany na Twój webhook_url (podpisany HMAC-SHA256, jeśli podasz webhook_secret; ponawiany po 1 s, 10 s, 1 min, 5 min i 30 min, jeśli Twój serwer nie odpowiada) i dostępny tylko dla Twojego konta. Następnie usuwany. Jeśli dostarczenie jest nadal ponawiane, zostaje najwyżej godzinę dłużej.1 godzinę po zakończeniu
Odciski głosuTylko gdy go utworzysz, za zgodą danej osoby. Przechowywany na Twoim koncie (do 1000) albo, z store=false, zwracany Tobie jako zaszyfrowany token, tak że my nie przechowujemy nic.do czasu usunięcia
Własne głosyStan głosu i jego dane (nazwa, język, płeć, zapis zgody, wskaźniki jakości), wyłącznie na Twoim koncie. DELETE usuwa je trwale.do czasu usunięcia
Transkrypcje w konsoliTylko transkrypcje utworzone w konsoli, przechowywane na Twoim koncie, aby można je było później otworzyć i pobrać. Okres wybierasz w Konsola → Ustawienia: pokaż raz (nigdy nie zapisywane), 1 dzień (domyślnie), 1 tydzień, 14 dni, 1 miesiąc, 3 miesiące, 6 miesięcy lub 3 lata. Po upływie tego okresu albo gdy je usuniesz, znikają z naszych serwerów i logów. Transkrypcje nigdy nie trafiają do logów.domyślnie 1 dzień

Lokalizacja danych. Każde żądanie jest przetwarzane w wywołanym regionie, Europa lub Türkiye, i tam pozostają jego dane. Region Türkiye przechowuje dane w kraju, zgodnie z KVKK.

Odciski głosu to dane biometryczne. Zgodnie z KVKK i RODO wymagają wyraźnej zgody danej osoby: Twoja informacja o prywatności i treść zgody muszą obejmować ten cel. Każdy odcisk głosu można trwale usunąć przez DELETE /v1/voiceprints/{id}.

Rozpoznawanie płci to przetwarzanie danych osobowych. Jeśli włączysz gender_detection, Twoja informacja o prywatności musi to obejmować, a tam, gdzie jest to wymagane, rozmówca musi wyrazić zgodę. Funkcja jest wyłączona, dopóki o nią nie poprosisz.

API czy konsola. Żądania wysyłane do API nie pozostawiają niczego poza tym, co w tabeli 7. Konsola przechowuje tylko Twoje transkrypcje, przez ustawiony okres (1 dzień, chyba że to zmienisz, albo wcale z pokaż raz), a potem usuwa je z naszych serwerów i logów. Dźwięku nie przechowuje nigdy.

Po Twojej stronie nie trzeba nic wyłączać. Jeśli nigdy nie utworzysz odcisku głosu i nigdy nie wyślesz webhook_url, przechowywany jest wyłącznie rejestr użycia.

Własne serwery. Wdrożenia on-prem działają na Twojej infrastrukturze bez połączenia z internetem, więc do mihu nie trafiają żadne dane.

mihu voice3
mihu voice

Cennik

Ceny katalogowe w euro. Płacisz za wysłany dźwięk i syntetyzowane znaki; opcje są rozliczane osobno, tylko gdy z nich korzystasz.

Mowa na tekst

mihu-umay-v1

€0.09

za godzinę dźwięku

€0.0015 za minutę dźwięku.

Tekst na mowę

mihu-ses-v1

€10.00

za milion znaków

€0.01 za tysiąc znaków.

Tabela 8. Opcje zamiany mowy na tekst i endpointy głosowe, rozliczane dodatkowo tylko przy użyciu. Pliki i strumienie na żywo kosztują tyle samo.

OpcjaCenaJednostka
Izolacja głosu€0.01za rozmowę
Diaryzacja mówców€0.01za rozmowę
Speaker lock€0.01za rozmowę
Rozpoznawanie płci€0.01za rozmowę
Odciski głosu€0.01za żądanie
Weryfikacja mówcy€0.01za żądanie

Tabela 9. Ile kosztują typowe obciążenia w cenach katalogowych.

ZadanieWolumenKoszt
Transkrypcja 10 000 rozmów po 3 minuty500 godzin dźwięku€45.00
Wypowiedzenie 10 000 odpowiedzi po 200 znaków2 miliony znaków€20.00
Transkrypcja 1000 godzin nagrań1000 godzin dźwięku€90.00
10 000 rozmów po 3 minuty z diaryzacją mówców500 godzin + 10 000 rozmów€145.00
10 000 rozmów po 3 minuty z izolacją głosu, diaryzacją, speaker lock i rozpoznawaniem płci500 godzin + 4 opcje × 10 000 rozmów€445.00

Wdrożenie on-prem lub większy wolumen? Porozmawiajmy.

mihu voice4

Najczęściej zadawane pytania

Twoje dane

Przez API: ani dźwięk, ani transkrypcje. Są przetwarzane w pamięci i zwracane Tobie. Przechowujemy rejestry użycia na potrzeby rozliczeń (bez dźwięku i tekstu); w przypadku zadań asynchronicznych wysłanych z webhook_url dźwięk do czasu transkrypcji i wynik przez 1 godzinę po zakończeniu; odciski głosu tylko wtedy, gdy je utworzysz, za zgodą danej osoby (z store=false nawet one zostają po Twojej stronie); oraz własne głosy do czasu ich usunięcia (nigdy nagrania, z którego powstały).

Tylko tak długo, jak zdecydujesz. Transkrypcje utworzone w konsoli są przechowywane na Twoim koncie, aby można je było później otworzyć i pobrać: domyślnie 1 dzień albo 1 tydzień, 14 dni, 1 miesiąc, 3 miesiące, 6 miesięcy lub 3 lata, do ustawienia w Konsola → Ustawienia. Po upływie tego okresu albo gdy je usuniesz, znikają z naszych serwerów i logów; transkrypcje nigdy nie trafiają do logów. Wybierz „pokaż raz”, a nic nie zostanie zapisane: odświeżenie strony je usuwa. W każdej chwili możesz usunąć dowolną transkrypcję lub wszystkie. Dźwięk nigdy nie jest przechowywany w konsoli; pobierz od razu to, czego potrzebujesz.

Nie. Twój dźwięk, transkrypcje i teksty nie są wykorzystywane do trenowania ani ulepszania naszych modeli.

Tak. Określanie na podstawie głosu, czy rozmówca jest mężczyzną czy kobietą, to przetwarzanie danych osobowych. Jeśli włączysz gender_detection, Twoja informacja o prywatności zgodna z KVKK / RODO musi to obejmować, a tam, gdzie jest to wymagane, należy poprosić rozmówcę o zgodę. Rozpoznawanie płci jest wyłączone, dopóki o nie nie poprosisz.

Modele i języki

Zarówno w zamianie mowy na tekst, jak i tekstu na mowę: turecki, angielski, niemiecki, francuski, włoski, rosyjski i hiszpański. Język podaje się w każdym żądaniu.

Nie. Wersja on-prem działa na standardowych serwerach CPU. Jest dostarczana jako skonteneryzowane usługi Docker na infrastrukturze zarządzanej przez klienta i wdrażana na Kubernetes za pomocą Rancher lub Helm. Bez GPU i bez połączenia z internetem.

Tekst pojawia się, gdy rozmówca jeszcze mówi. Pierwszy tekst częściowy przychodzi około 0,44 s po rozpoczęciu mowy, a ostateczne zdanie około 80 ms po tym, jak rozmówca skończy; pomiar z klienta w Turcji. W praktyce rozmówca nie słyszy żadnej przerwy: Twój agent może zacząć odpowiadać, gdy tylko rozmówca skończy.

Funkcje

Nie. Płeć jest znana około 2 s po tym, jak rozmówca zacznie mówić, a diaryzacja oznacza mówców na żywo, w obu przypadkach bez opóźniania tekstu. Każdą funkcję włącza się osobno w żądaniu; wyłączona nie dodaje opóźnienia.

Wypowiedziane liczby, kwoty, daty, godziny, numery telefonów, numery rejestracyjne i adresy są zapisywane tak, jak oczekuje tego CRM: „one thousand two hundred fifty dollars” zmienia się w $1,250, a „seventeen Oak Street apartment four” w 17 Oak St, Apt 4. Dodaje to około 6 ms.

We wszystkich 7 językach liczby, waluty, daty, godziny i adresy są automatycznie czytane jak naturalna mowa. Długie złożone nazwy wsi są dzielone dla wyraźnej wymowy, a nazwy dzielnic są poprawnie rozpoznawane w 95,6% przypadków w naszym teście 500 adresów w paśmie telefonicznym, a z podpowiedziami miejsc w 98,2%.

Tak. Na stronie Wymowa w konsoli (lub przez API /v1/pronunciations) określasz, jak wymawiać każde słowo, dla każdego języka, a jeśli chcesz, także dla każdego głosu: „BMW” to „be me ve” po turecku i „be-em-wu” po polsku. Reguły działają we wszystkich żądaniach Twojego konta, także z tureckimi końcówkami („BMW'nin”), a te same słowa trafiają jako podpowiedzi do zamiany mowy na tekst, więc wracają poprawnie zapisane.

Wdrożenie i prywatność

W wybranym przez Ciebie regionie: Europa lub Türkiye, a wkrótce także Stany Zjednoczone. Dźwięk i transkrypcje pozostają na serwerze wywołanego regionu. Region Türkiye przechowuje dane w kraju, zgodnie z KVKK.

Zacznij budować z mihu voice