Novo SES v1 + Umay v17 idiomas · 2 regiões (EUA em breve)

Vozes que soam humanas. Transcrições enquanto as pessoas falam.

SES transforma o seu texto em fala natural. Umay escreve cada palavra no momento em que é dita. mihu voice dá ao seu produto voz e ouvidos.

Turco, inglês, alemão, francês, italiano, russo e espanhol · Hospedado na Europa ou na Turquia, ou nos seus próprios servidores · EUA em breve

mihu
Áudio telefônico
WebSocket
Arquivos de áudio
mihu-umay-v1
mihu-ses-v1
Diarização · isolamento · ITN
Texto final80 ms“Where is my order?” · en
Fala sintetizada24 kHz“16:30” → las cuatro y media · es

7 idiomas, fala para texto e texto para fala

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Biblioteca de vozes · mihu-ses-v1

Vozes que soam locais

22 vozes em 7 idiomas. Escolha uma e ouça: cada amostra é o mihu-ses-v1 lendo a frase mostrada abaixo.

Alp

Türkçe · Voz masculina

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

Aperte o play: a frase se ilumina enquanto é lida

Dois modelos, uma API, sete idiomas

mihu-umay-v1 para fala para texto e mihu-ses-v1 para texto para fala, por trás de uma única API HTTPS e WebSocket, hospedada na Europa ou na Turquia (EUA em breve), ou nos seus próprios servidores.

mihu-umay-v1 · Fala para texto feito para chamadas ao vivo

O texto aparece enquanto quem liga ainda está falando; a frase final fica pronta cerca de 80 ms depois que a pessoa para, mais rápido que um piscar de olhos, para que o seu agente responda sem pausa. Taxa de erro de palavras de 3,42% em fala lida em turco (FLEURS). No modo só turco, um servidor atende até 256 chamadas ao vivo, com as mesmas opções de normalização e isolamento de voz.

Parcial“Merhaba, siparişim ne za…”tr · 0,44 s após o início da fala
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms após o fim da fala
S2 · feminino“Yarın sabah kapınızda olacak.”diarizado · confiança 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 após o início da fala
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms após o fim da fala
S2 · feminino“Yarın sabah kapınızda olacak.”diarizado · confiança 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
Chamada ao vivoPCM 16 kHz, quadros de 100 ms, um único socket.final ~80 msWER 3.42%

Entradas

WebSocket · stream ao vivo REST · arquivos de áudio Áudio telefônico de 8 kHz

mihu-ses-v1 · Uma fala que soa local

Lê endereços, nomes de lugares, valores, datas, placas e números de telefone como as pessoas falam, nos 7 idiomas. O áudio chega em streaming antes de a frase inteira ser sintetizada.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Saída de áudio24 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
Leitura inteligente

3,38% WER (tr)

95,6% nomes de lugares corretos

7 idiomas

Quem disse o quê, ao vivo

Detecção de gênero, diarização de falantes, bloqueio de falante e isolamento de voz para linhas telefônicas com ruído. Cada recurso é ativado por requisição; desligado, não acrescenta latência.

ChamadaIdiomaFalanteGêneroTexto finalStatus
S2 · feminino · 96%
Receptivo · turco · 256 chamadas ao vivo
Texto final p95< 0.35 s

Formatação inteligente e nomes de lugares

«bin iki yüz elli lira» vira 1.250 TL; datas e placas saem do jeito que um CRM espera. Listas integradas de distritos e bairros, mais as suas próprias palavras-chave, aumentam em 3 a 8 pontos a precisão de nomes de lugares ao vivo.

Formatação inteligente“bin iki yüz elli lira” → 1.250 TL · acrescenta ~6 msitn
Reforço de nomes de lugaresBairros de Denizli · 86% → 94% · acrescenta ~10 mshotwords
Listas integradas · 5 cidades
Suas próprias palavras

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

— cliente, Denizli

Feito para call centers e agentes de voz

mihu voice

Relatório de avaliação · novembro de 2026

Medido em áudio telefônico, não em demos.

Três conjuntos de teste públicos em turco, 500 endereços falados e 1.273 frases de síntese, avaliados da mesma forma para todos os sistemas. Quanto menor a taxa de erro de palavras, melhor.

3.42%

WER em fala lida

Conjunto de teste FLEURS em turco, 743 clipes. A menor da comparação.

Fig. 2

1.68%

WER em endereços falados

500 endereços, 8 kHz, com dicas de lugar.

Tabela 3

19.5×

mais rápido que o tempo real

Arquivos pela API da Turquia, modo rápido.

Tabela 3

3.38%

Taxa de erro de palavras do TTS

1.273 frases do conjunto aberto mihuai/turkish-tts-eval.

Fig. 3

FLEURS tr_tr test · 743 clipes

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. Taxa de erro de palavras em %, quanto menor melhor, turco, regra de pontuação média (variantes de números e formatos aceitas). O mihu-umay-v1 fica em primeiro lugar entre 9 em fala lida. Barras além do eixo são cortadas e marcadas com →.

Inteligibilidade do texto para fala

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 lê as mesmas 1.273 frases de call center do conjunto de dados aberto mihuai/turkish-tts-eval; um reconhecedor independente transcreve o áudio. Taxa de erro de palavras em %: quanto menor, mais fácil de entender é a fala. Sete sistemas de TTS em turco; todos os gráficos e tabelas estão na página de benchmarks.

Tabela 2. Naturalidade do mesmo áudio de texto para fala. Pontuações de qualidade previstas, quanto maior melhor; a melhor de cada coluna em negrito.

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

O mihu-ses-v1 tem a maior pontuação UTMOSv2 no geral e em todas as 13 categorias de frases do conjunto. Os três preditores não concordam entre si e não substituem um teste de escuta com pessoas.

Dois conjuntos de teste de TTS em turco

call center vs. fala do dia a dia

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

Nosso conjunto de referência para a fala de central de atendimento, baseado em conversas reais com clientes: valores, números de conta e de documento, endereços, e-mails e endereços web, nomes soletrados e formatos mistos. Difícil de propósito.

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

Um conjunto de conversa do dia a dia: frases curtas de 3 a 13 palavras sobre a vida cotidiana, perguntas e exclamações, com poucos números ou códigos. Mais fácil, por isso todos os sistemas pontuam mais baixo aqui.

Taxa de erro de palavras no 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 →

Mesma pontuação da Figura 3. No conjunto conversacional, os melhores sistemas ficam a uma fração de ponto percentual uns dos outros; é no conjunto de call center que os sistemas se separam.

Figura 4. O conjunto de call center mede o que uma central de atendimento precisa que seja lido corretamente; o conjunto do dia a dia mede a fala conversacional simples. Quanto menor a taxa de erro de palavras, melhor.

Tabela 3. Números do serviço em produção, região Turquia, 3 de novembro de 2026.

MediçãoConfiguraçãoResultado
Velocidade de transcrição de arquivos, 743 clipesmodo rápido19,5× o tempo real
Velocidade de transcrição de arquivos, 743 clipesmodo normal8,5× o tempo real
Resultados com falha, ausentes ou vazios743 clipes0
Taxa de erro de palavras em endereços, 500 endereços, 8 kHzsem → com dicas de lugar2,22 % → 1,68 %
Frases de endereço totalmente corretas, 8 kHzsem → com dicas de lugar92,6 % → 97,2 %
Bairro reconhecido corretamente, 8 kHzsem → com dicas de lugar95,6 % → 98,2 %

Método. Regra de pontuação média em todos os casos. Telefone: um conjunto de teste telefônico público em turco, usado apenas para testes. Mídia: contam apenas os 502 clipes do MediaSpeech excluídos do treinamento do mihu. A velocidade é medida de ponta a ponta pela API pública, com rede incluída. O áudio dos endereços é sintético.

Quer o seu sistema nestas tabelas?

Envie-nos acesso à API ou o modelo e vamos rodá-lo nos mesmos conjuntos de teste com a mesma pontuação, mostrar os resultados primeiro a você e publicá-los aqui, sejam quais forem.

[email protected] →

Todos os benchmarks →

mihu voice1
mihu voice

Integrando fala para texto e texto para fala em uma central de atendimento

Desenvolvedores do mihu voice · developers.mihu.ai

Dois modelos por trás de uma única chave de API: Umay para reconhecimento de fala e Ses para síntese de fala. Ambos são acessados por REST e WebSocket, respondem da mesma forma em todas as regiões e aceitam os SDKs oficiais da OpenAI bastando trocar a URL base. Esta nota mostra como eles se encaixam em uma central de atendimento existente, traz uma requisição funcional para cada uso, lista o que cada interface suporta e explica como chaves, dados e impressões de voz são tratados.

Arquitetura

Os clientes se conectam diretamente à região que escolhem; nenhum SDK do mihu é necessário e nada roda do seu lado. Chamadas ao vivo enviam o áudio em streaming por WebSocket; arquivos e síntese usam HTTPS simples.[1][4] Onde os dados não podem sair da sua rede, o mesmo serviço roda nos seus próprios servidores.

(a) Seus sistemas

Central de atendimento / URA

áudio do cliente ao vivo

Agente de voz

texto final → LLM → fala

Gravações de chamadas

arquivo, QA, análises

HTTPS, WSS, chave Bearer

(b) API do mihu voice

Umay — fala para texto

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

Ses — texto para fala

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

os dados ficam na região

(c) Onde roda

Europa

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

Turquia

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

Seus servidores

Docker on-prem em CPU, offline

Figura 1. Visão geral da implantação. Os clientes acessam os dois modelos por HTTPS e WebSocket com uma única chave de API; cada requisição é atendida, e seus dados mantidos, na região cujo host ela chama.

Integração

Cada listagem abaixo roda exatamente como está, depois de definir KEY. Escolher uma região muda apenas o host.[2][3][5]

|
Região
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 do 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}

Parâmetros

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

Listagem 1. Fala para texto, chamadas ao vivo (WebSocket, PCM 16 kHz). Host stt.eu.mihu.ai; guia completo em developers.mihu.ai/stt/native-api.

Especificação técnica

Tabela 1. Interfaces e recursos dos dois modelos.

Fala para texto (Umay)Texto para fala (Ses)
Modelomihu-umay-v1: umay para arquivos, umay-stream ao vivomihu-ses-v1
InterfacesREST; WebSocket (nativo); WebSocket (OpenAI Realtime)REST, em streaming enquanto é gerado; server-sent events
ÁudioArquivos em qualquer formato comum, reamostrados para 16 kHz. Ao vivo: PCM mono de 16 bits a 16 kHz em quadros de 100 ms24 kHz mono; pcm (padrão), wav, mp3, opus, aac, flac
Idiomastr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Compatibilidade com SDKSDKs oficiais da OpenAI, trocando base_urlSDKs oficiais da OpenAI, trocando base_url
Tratamento de textoValores e datas escritos em números; correção de dialetos turcos e nomes de lugares; dicas de frasesNúmeros, datas e abreviações lidos por extenso; geração com verificação opcional para o turco; acentuação tônica do russo
Falantes, vozesDiarização, detecção de gênero, bloqueio de falante, impressões de voz com consentimento, verificação assinada22 vozes integradas; vozes personalizadas a partir de uma gravação
Jobs longos, controleTranscrição assíncrona com webhook_url; jobs de isolamento de áudioFechar a conexão interrompe a síntese (barge-in)
ContrapressãoFechamento do WebSocket com 1013 no limite de chamadas ao vivo; tente de novo após ~1 s503 enquanto todos os workers estão ocupados; tente de novo

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

Segurança e governança

4.1Autenticação. Uma chave de API por cliente, enviada como Authorization: Bearer <KEY>, ou como ?api_key= para WebSockets no navegador. Uma chave ausente ou incorreta recebe 401.[1]

4.2Residência de dados. A região é escolhida a cada requisição: Europa ou Turquia. As duas têm os mesmos caminhos, campos e respostas, e o áudio e as transcrições ficam no servidor da região chamada.[1] A região Turquia mantém os dados no país (KVKK).

4.3Consentimento e verificação. Uma impressão de voz só é armazenada com o consentimento da pessoa e pode ser excluída definitivamente. Os resultados de verificação são assinados; a chave pública é publicada em /v1/voiceprints/jwks.[1]

4.4Infraestrutura própria. Entregue como serviços Docker em contêineres em infraestrutura gerenciada pelo cliente e implantado em Kubernetes com Rancher ou Helm. Roda em servidores CPU comuns: sem GPU e sem conexão com a internet.

Referências

  1. [1]Reconhecimento de fala Umay — Introdução. developers.mihu.ai/stt/introduction
  2. [2]Umay — API nativa (arquivos e áudio ao vivo). developers.mihu.ai/stt/native-api
  3. [3]Umay — API compatível com a OpenAI. developers.mihu.ai/stt/openai
  4. [4]Texto para fala Ses — Introdução. developers.mihu.ai/tts/introduction
  5. [5]Ses — Texto para fala, streaming e erros. developers.mihu.ai/tts/speech
  6. [6]Ses — Vozes. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

O console

Tudo o que a API faz, no navegador: experimente vozes, transcreva, clone, gerencie chaves. E é você quem decide por quanto tempo qualquer coisa fica guardada.

Vozes

As vozes integradas e as suas. Ouça qualquer uma antes de usá-la.

Texto para fala

Digite, escolha uma voz e ouça começar em cerca de 0,1 s. Baixe em mp3, wav, flac e outros formatos.

Fala para texto

Envie um arquivo ou um link, grave, ou entre ao vivo e veja as palavras aparecerem enquanto você fala.

Isolador de voz

Remova vozes de fundo e ruído de uma gravação; compare o antes e o depois.

Clonar voz

Uma voz a partir de 10–30 segundos de fala, com verificação de leitura e o consentimento de quem fala.

Chaves de API e uso

Chaves para os seus servidores, código de início rápido por região e quanto você já gastou.

Tabela 5. Retenção de dados no console: você escolhe, em Console → Configurações.

Mostrar uma vez1 diapadrão1 semana14 dias1 mês3 meses6 meses3 anos
O que é guardado
Apenas as transcrições que você faz no console, na sua conta, na região que você usa (Europa ou Turquia).
Por quanto tempo
O período que você escolher em Console → Configurações. 1 dia, se você não mudar.
Depois
Excluídas dos nossos servidores e dos nossos logs. As transcrições nunca são gravadas em logs.
Excluir agora
Qualquer transcrição, ou todas, a qualquer momento. Elas somem dos servidores e dos logs na hora.
Mostrar uma vez
Nada é gravado em lugar nenhum: você vê a transcrição e, ao recarregar a página, ela desaparece.
Áudio
Nunca é guardado. Gravações, fala gerada e áudio isolado estão ali para ouvir e baixar na hora.

A API é separada: o áudio e as transcrições que você envia diretamente a ela são processados e devolvidos, não guardados (veja a próxima página).

mihu voice2
mihu voice

Proteção de dados: KVKK e GDPR

O áudio e as transcrições enviados à API são processados e devolvidos, não guardados. No console, você decide por quanto tempo as suas transcrições ficam guardadas, de nenhum tempo até 3 anos. Abaixo está tudo o que é armazenado, por que e por quanto tempo.

Tabela 6. Não armazenado.

DadosO que acontece com eles
ÁudioStreams ao vivo são processados em memória e nunca gravados em disco. Um arquivo que você envia fica retido só enquanto é transcrito (arquivos grandes e downloads via file_url ficam em um arquivo temporário excluído logo em seguida); para jobs com webhook_url, veja a Tabela 7.
TranscriçõesDevolvidas a você; não armazenadas e não registradas em logs. A única exceção é o resultado de um job com webhook_url (Tabela 7).
Endereços e segredos de webhookO seu webhook_url, file_url e webhook_secret nunca são registrados em logs; os logs apenas anotam que um webhook foi usado.
Gravações de voz para impressões de vozNunca armazenadas, em nenhum modo. Só a assinatura numérica é mantida, e apenas se você pedir.
Gravações para vozes personalizadasDecodificadas, recortadas e usadas para criar a voz, e depois descartadas. Só a própria voz e os seus detalhes são mantidos (Tabela 7).
Áudio no consoleGravações, fala gerada e áudio isolado estão ali para ouvir e baixar na hora; nada disso é salvo.

Tabela 7. Armazenado, e por quanto tempo.

DadosQuando e o quêMantido
Registros de usoConta, modelo, idioma, segundos de áudio e horário, para faturamento. Sem áudio, sem texto.para faturamento
Áudio de um job com webhookApenas para arquivos enviados com webhook_url: o áudio aguarda em disco na fila de jobs e é excluído assim que o reconhecimento termina.até ser transcrito
Resultado de um job com webhookEnviado ao seu webhook_url (assinado com HMAC-SHA256 quando você informa um webhook_secret; reenviado após 1 s, 10 s, 1 min, 5 min e 30 min se o seu servidor não responder) e legível apenas pela sua conta. Depois, excluído. Se a entrega ainda estiver sendo retentada, fica no máximo mais uma hora.1 hora após a conclusão
Impressões de vozApenas quando você cria uma, com o consentimento da pessoa. Mantidas na sua conta (até 1.000), ou, com store=false, devolvidas a você como um token criptografado, para que não guardemos nada.até você excluir
Vozes personalizadasO estado da voz e os seus detalhes (nome, idioma, gênero, registro de consentimento, métricas de qualidade), apenas na sua conta. DELETE os remove definitivamente.até você excluir
Transcrições do consoleApenas as transcrições que você faz no console, mantidas na sua conta para que você possa abri-las e baixá-las depois. Você escolhe por quanto tempo em Console → Configurações: mostrar uma vez (nunca salvas), 1 dia (o padrão), 1 semana, 14 dias, 1 mês, 3 meses, 6 meses ou 3 anos. Quando o período termina, ou quando você as exclui, elas são removidas dos nossos servidores e logs. As transcrições nunca são gravadas em logs.1 dia por padrão

Residência de dados. Cada requisição é processada na região que você chama, Europa ou Turquia, e os seus dados ficam lá. A região Turquia mantém os dados no país, de acordo com a KVKK.

Impressões de voz são dados biométricos. Pela KVKK e pelo GDPR, exigem o consentimento explícito da pessoa: o seu aviso de privacidade e o seu texto de consentimento precisam cobrir essa finalidade. Toda impressão de voz pode ser excluída definitivamente com DELETE /v1/voiceprints/{id}.

Detecção de gênero é tratamento de dados pessoais. Se você ativar gender_detection, o seu aviso de privacidade precisa cobri-la e, quando exigido, quem liga precisa consentir. Ela fica desligada, a menos que você a solicite.

API ou console. As requisições que você envia à API não guardam nada além do que está na Tabela 7. O console guarda apenas as suas transcrições, pelo período que você definir (1 dia se você não mudar, ou nada com mostrar uma vez), e depois as exclui dos nossos servidores e logs. Ele nunca guarda o áudio.

Nada para desligar do seu lado. Se você nunca criar uma impressão de voz e nunca enviar um webhook_url, apenas o registro de uso é mantido.

Seus próprios servidores. Implantações on-prem rodam na sua infraestrutura sem conexão com a internet, então nenhum dado chega ao mihu.

mihu voice3
mihu voice

Preços

Preços de tabela em euros. Você paga pelo áudio que envia e pelos caracteres que sintetiza; as opções são cobradas à parte, só quando usadas.

Fala para texto

mihu-umay-v1

€0.09

por hora de áudio

€0.0015 por minuto de áudio.

Texto para fala

mihu-ses-v1

€10.00

por milhão de caracteres

€0.01 por mil caracteres.

Tabela 8. Opções de fala para texto e endpoints de voz, cobrados à parte só quando usados. Arquivos e streams ao vivo custam o mesmo.

OpçãoPreçoUnidade
Isolamento de voz€0.01por conversa
Diarização de falantes€0.01por conversa
Bloqueio de falante€0.01por conversa
Detecção de gênero€0.01por conversa
Impressões de voz€0.01por requisição
Verificação de falante€0.01por requisição

Tabela 9. Quanto custam cargas de trabalho típicas a preço de tabela.

Carga de trabalhoVolumeCusto
Transcrever 10.000 chamadas de 3 minutos500 horas de áudio€45.00
Falar 10.000 respostas de 200 caracteres2 milhões de caracteres€20.00
Transcrever 1.000 horas de gravações1.000 horas de áudio€90.00
10.000 chamadas de 3 minutos com diarização de falantes500 horas + 10.000 conversas€145.00
10.000 chamadas de 3 minutos com isolamento de voz, diarização, bloqueio de falante e detecção de gênero500 horas + 4 opções × 10.000 conversas€445.00

Vai rodar on-prem ou em maior volume? Fale com a gente.

mihu voice4

Perguntas frequentes

Seus dados

Pela API: nem áudio nem transcrições. Eles são processados em memória e devolvidos a você. Mantemos registros de uso para faturamento (sem áudio ou texto); nos jobs assíncronos enviados com um webhook_url, o áudio até ser transcrito e o resultado por 1 hora após a conclusão; impressões de voz apenas se você as criar, com o consentimento da pessoa (com store=false até elas ficam do seu lado); e vozes personalizadas até você excluí-las (nunca a gravação a partir da qual foram criadas).

Só pelo tempo que você escolher. As transcrições que você faz no console ficam na sua conta para que você possa abri-las e baixá-las depois: 1 dia por padrão, ou 1 semana, 14 dias, 1 mês, 3 meses, 6 meses ou 3 anos, definido em Console → Configurações. Quando o período termina, ou quando você as exclui, elas são removidas dos nossos servidores e logs; as transcrições nunca são gravadas em logs. Escolha «mostrar uma vez» e nada é salvo: ao recarregar a página, ela desaparece. Você pode excluir qualquer transcrição, ou todas, a qualquer momento. O áudio nunca é guardado no console; baixe o que precisar na hora.

Não. O seu áudio, as suas transcrições e os seus textos não são usados para treinar nem melhorar os nossos modelos.

Sim. Identificar pela voz se quem liga é homem ou mulher é tratamento de dados pessoais. Se você ativar gender_detection, o seu aviso de privacidade KVKK / GDPR precisa cobri-la, e você deve pedir o consentimento de quem liga quando isso for exigido. A detecção de gênero fica desligada, a menos que você a solicite.

Modelos e idiomas

Tanto em fala para texto quanto em texto para fala: turco, inglês, alemão, francês, italiano, russo e espanhol. O idioma é informado em cada requisição.

Não. A versão on-prem roda em servidores CPU comuns. Ela é entregue como serviços Docker em contêineres em infraestrutura gerenciada pelo cliente e implantada em Kubernetes com Rancher ou Helm. Sem GPU e sem conexão com a internet.

O texto aparece enquanto quem liga ainda está falando. O primeiro texto parcial chega cerca de 0,44 s após o início da fala e a frase final cerca de 80 ms depois que a pessoa para, medido a partir de um cliente na Turquia. Na prática, quem liga não percebe nenhuma pausa: o seu agente pode começar a responder assim que a pessoa termina.

Recursos

Não. O gênero chega cerca de 2 s depois que a pessoa começa a falar e a diarização identifica os falantes ao vivo, ambos sem atrasar o texto. Cada recurso é ativado por requisição; desligado, não acrescenta latência.

Números, valores, datas, horários, telefones, placas e endereços falados são escritos do jeito que um CRM espera: «one thousand two hundred fifty dollars» vira $1,250 e «seventeen Oak Street apartment four» vira 17 Oak St, Apt 4. Acrescenta cerca de 6 ms.

Nos 7 idiomas, números, moedas, datas, horários e endereços são lidos automaticamente como fala natural. Nomes longos e compostos de vilarejos são divididos para uma pronúncia clara, e nomes de bairros são reconhecidos corretamente em 95,6% dos casos no nosso teste de 500 endereços com banda telefônica, e em 98,2% com dicas de lugar.

Sim. Na página Pronúncia do console (ou pela API /v1/pronunciations) você define como cada palavra é falada, por idioma e, se quiser, por voz: «BMW» é «be me ve» em turco e «bê-eme-dábliu» em português. As regras valem para todas as solicitações da sua conta, inclusive com sufixos turcos («BMW'nin»), e as mesmas palavras são enviadas à fala para texto como dicas, para que voltem escritas corretamente.

Implantação e privacidade

Na região que você escolher: Europa ou Turquia, com os Estados Unidos em breve. O áudio e as transcrições ficam no servidor da região que você chama. A região Turquia mantém os dados no país, de acordo com a KVKK.

Comece a desenvolver com o mihu voice