Nou SES v1 + Umay v17 limbi · 2 regiuni (SUA în curând)

Voci care sună uman. Transcrieri pe măsură ce oamenii vorbesc.

SES transformă textul tău în vorbire naturală. Umay notează fiecare cuvânt în clipa în care e rostit. mihu voice îi dă produsului tău voce și urechi.

Turcă, engleză, germană, franceză, italiană, rusă și spaniolă · Găzduit în Europa sau în Turcia ori pe serverele proprii · SUA în curând

mihu
Audio telefonic
WebSocket
Fișiere audio
mihu-umay-v1
mihu-ses-v1
Diarizare · izolare · ITN
Text final80 ms“Where is my order?” · en
Vorbire sintetizată24 kHz“16:30” → las cuatro y media · es

7 limbi, speech to text și text to speech

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Bibliotecă de voci · mihu-ses-v1

Voci care sună local

22 de voci în 7 limbi. Alege una și ascult-o: fiecare mostră este mihu-ses-v1 citind propoziția de mai jos.

Alp

Türkçe · Voce masculină

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

Apasă play: propoziția se aprinde pe măsură ce e citită

Două modele, un API, șapte limbi

mihu-umay-v1 pentru speech-to-text și mihu-ses-v1 pentru text-to-speech, în spatele unui singur API HTTPS și WebSocket, găzduit în Europa sau în Turcia (SUA în curând) ori pe serverele proprii.

mihu-umay-v1 · Speech-to-text creat pentru apeluri live

Textul apare cât timp apelantul încă vorbește; propoziția finală e gata la circa 80 ms după ce se oprește, mai repede decât o clipire, așa că agentul tău poate răspunde fără pauză. Rată de eroare la nivel de cuvânt de 3,42% pe vorbire citită în turcă (FLEURS). În modul doar-turcă, un singur server preia până la 256 de apeluri live, cu aceleași opțiuni de normalizare și izolare a vocii.

Parțial“Merhaba, siparişim ne za…”tr · 0,44 s după începutul vorbirii
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms după sfârșitul vorbirii
S2 · femeie“Yarın sabah kapınızda olacak.”diarizat · încredere 96%
Final“Ich habe eine Frage zur Rechnung.”de · text final
Final“¿Me puede repetir la dirección?”es · text final
Parțial“Je voudrais changer la da…”fr · în flux
Parțial“Merhaba, siparişim ne za…”tr · 0,44 s după începutul vorbirii
Final“Merhaba, siparişim ne zaman gelir?”tr · 79 ms după sfârșitul vorbirii
S2 · femeie“Yarın sabah kapınızda olacak.”diarizat · încredere 96%
Final“Ich habe eine Frage zur Rechnung.”de · text final
Final“¿Me puede repetir la dirección?”es · text final
Parțial“Je voudrais changer la da…”fr · în flux
Apel livePCM 16 kHz, cadre de 100 ms, un singur socket.final ~80 msWER 3.42%

Intrări

WebSocket · flux live REST · fișiere audio Audio telefonic 8 kHz

mihu-ses-v1 · Vorbire care sună local

Citește adrese, nume de locuri, sume, date, numere de înmatriculare și numere de telefon așa cum le spun oamenii, în toate cele 7 limbi. Sunetul începe să fie transmis înainte ca întreaga propoziție să fie sintetizată.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Ieșire audio24 kHz PCMîn flux
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
Citire inteligentă

3,38% WER (tr)

95,6% nume de locuri corecte

7 limbi

Cine ce a spus, în timp real

Detectarea genului, diarizarea vorbitorilor, blocarea pe vorbitor și izolarea vocii pentru linii telefonice zgomotoase. Fiecare se activează per cerere; dezactivată înseamnă zero latență suplimentară.

ApelLimbăVorbitorGenText finalStare
S2 · femeie · 96%
Intrare · turcă · 256 de apeluri live
Text final p95< 0.35 s

Formatare inteligentă și nume de locuri

„bin iki yüz elli lira” devine 1.250 TL, iar datele și numerele de înmatriculare ies exact cum le așteaptă un CRM. Listele integrate de districte și cartiere, plus cuvintele-cheie proprii, cresc acuratețea numelor de locuri în timp real cu 3 până la 8 puncte.

Formatare inteligentă“bin iki yüz elli lira” → 1.250 TL · adaugă ~6 msitn
Amplificare nume de locuriCartierele din Denizli · 86% → 94% · adaugă ~10 mshotwords
Liste integrate · 5 orașe
Cuvintele tale

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

— apelant, Denizli

Creat pentru call centere și agenți vocali

mihu voice

Raport de evaluare · noiembrie 2026

Măsurat pe audio telefonic, nu pe demo-uri.

Trei seturi de test publice în turcă, 500 de adrese rostite și 1.273 de propoziții de sinteză, evaluate la fel pentru fiecare sistem. O rată de eroare la nivel de cuvânt mai mică este mai bună.

3.42%

WER pe vorbire citită

Setul de test FLEURS în turcă, 743 de clipuri. Cel mai mic din comparație.

Fig. 2

1.68%

WER pe adrese rostite

500 de adrese, 8 kHz, cu indicii de locuri.

Tabelul 3

19.5×

mai rapid decât timpul real

Fișiere prin API-ul din Turcia, modul rapid.

Tabelul 3

3.38%

Rata de eroare TTS

1.273 de propoziții din setul deschis mihuai/turkish-tts-eval.

Fig. 3

FLEURS tr_tr test · 743 de clipuri

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. Rata de eroare la nivel de cuvânt în %, mai mică este mai bine, turcă, regulă de evaluare medie (variantele de numere și format sunt acceptate). mihu-umay-v1 se clasează pe locul întâi din 9 pe vorbire citită. Barele care depășesc axa sunt tăiate și marcate cu →.

Inteligibilitatea 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. Fiecare sistem citește aceleași 1.273 de propoziții de call center din setul de date deschis mihuai/turkish-tts-eval; un sistem de recunoaștere independent transcrie sunetul. Rata de eroare la nivel de cuvânt în %; mai mică înseamnă că vorbirea se înțelege mai ușor. Șapte sisteme TTS pentru turcă; toate graficele și tabelele sunt pe pagina de benchmarkuri.

Tabelul 2. Naturalețea aceluiași audio text-to-speech. Scoruri de calitate prezise, mai mare este mai bine; cel mai bun din fiecare coloană e îngroșat.

SistemUTMOSv2SCOREQDNSMOS 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 are cel mai mare scor UTMOSv2 în total și în toate cele 13 categorii de propoziții ale setului. Cei trei predictori nu sunt de acord între ei și nu înlocuiesc un test de ascultare cu oameni.

Două seturi de test TTS în turcă

call center vs vorbire de zi cu zi

mihuai/turkish-tts-eval1.273 de propoziții · Fig. 3

Setul nostru de referință pentru vorbirea din contact center, modelat după conversații reale cu clienții: sume, numere de cont și de identificare, adrese, adrese de e-mail și web, nume silabisite și formate mixte. Dificil prin design.

freyavoice/freya-tr-eval495 de propoziții · CC-BY-4.0

Un set conversațional de zi cu zi: propoziții scurte de 3 până la 13 cuvinte despre viața de zi cu zi, întrebări și exclamații, cu puține numere sau coduri. Mai ușor, așa că fiecare sistem obține aici valori mai mici.

Rata de eroare pe 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 →

Aceeași evaluare ca în Figura 3. Pe setul conversațional, sistemele din frunte sunt la o fracțiune de procent unele de altele; setul de call center este cel în care sistemele se diferențiază.

Figura 4. Setul de call center măsoară ce trebuie citit corect într-un contact center; setul de zi cu zi măsoară vorbirea conversațională simplă. O rată de eroare mai mică este mai bună.

Tabelul 3. Cifre ale serviciului live, regiunea Turcia, 3 noiembrie 2026.

MăsurătoareSetareRezultat
Viteza de transcriere a fișierelor, 743 de clipurimodul rapid19,5× timp real
Viteza de transcriere a fișierelor, 743 de clipurimodul normal8,5× timp real
Rezultate eșuate, lipsă sau goale743 de clipuri0
Rata de eroare pe adrese, 500 de adrese, 8 kHzfără → cu indicii de locuri2,22 % → 1,68 %
Propoziții de adresă complet corecte, 8 kHzfără → cu indicii de locuri92,6 % → 97,2 %
Cartier recunoscut corect, 8 kHzfără → cu indicii de locuri95,6 % → 98,2 %

Metodă. Regulă de evaluare medie peste tot. Telefon: un set public de test telefonic în turcă, folosit doar pentru testare. Media: contează doar cele 502 clipuri MediaSpeech excluse din antrenarea mihu. Viteza este măsurată cap-coadă prin API-ul public, inclusiv rețeaua. Sunetul adreselor este sintetic.

Vrei ca sistemul tău să apară în aceste tabele?

Trimite-ne acces API sau modelul și îl rulăm pe aceleași seturi de test, cu aceeași evaluare, îți arătăm mai întâi rezultatele și le publicăm aici, oricare ar fi ele.

[email protected] →

Toate benchmarkurile →

mihu voice1
mihu voice

Integrarea speech‑to‑text și text‑to‑speech într-un contact center

dezvoltatorii mihu voice · developers.mihu.ai

Două modele stau în spatele unei singure chei API: Umay pentru recunoașterea vorbirii și Ses pentru sinteza vocală. Ambele sunt accesibile prin REST și WebSocket, răspund la fel în fiecare regiune și acceptă SDK-urile oficiale OpenAI prin simpla schimbare a URL-ului de bază. Această notă arată cum se integrează într-un contact center existent, oferă o cerere funcțională pentru fiecare caz de utilizare, enumeră ce suportă fiecare interfață și explică modul în care sunt gestionate cheile, datele și amprentele vocale.

Arhitectură

Clienții se conectează direct la regiunea aleasă; nu este nevoie de niciun SDK mihu și nimic nu rulează la tine. Apelurile live transmit sunetul printr-un WebSocket, iar fișierele și sinteza folosesc HTTPS simplu.[1][4] Acolo unde datele nu au voie să părăsească rețeaua ta, același serviciu rulează pe serverele proprii.

(a) Sistemele tale

Contact center / IVR

audio live de la apelant

Agent vocal

text final → LLM → vorbire

Înregistrări ale apelurilor

arhivă, QA, analiză

HTTPS, WSS, cheie Bearer

(b) API-ul 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

datele rămân în regiune

(c) Unde rulează

Europa

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

Turcia

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

Serverele tale

Docker on-prem pe CPU, offline

Figura 1. Prezentare generală a implementării. Clienții accesează ambele modele prin HTTPS și WebSocket cu o singură cheie API; fiecare cerere este servită, iar datele ei păstrate, în regiunea a cărei gazdă o apelează.

Integrare

Fiecare listing de mai jos rulează exact așa cum e scris, odată ce KEY este setat. Alegerea regiunii schimbă doar gazda.[2][3][5]

|
Regiune
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

Evenimente de la 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

Listingul 1. Speech-to-text, apeluri live (WebSocket, PCM 16 kHz). Gazdă stt.eu.mihu.ai; ghid complet la developers.mihu.ai/stt/native-api.

Specificație tehnică

Tabelul 1. Interfețele și capabilitățile celor două modele.

Speech-to-text (Umay)Text-to-speech (Ses)
Modelmihu-umay-v1: umay pentru fișiere, umay-stream livemihu-ses-v1
InterfețeREST; WebSocket (nativ); WebSocket (OpenAI Realtime)REST, transmis în flux pe măsură ce e generat; server-sent events
AudioFișiere în orice format uzual, reeșantionate la 16 kHz. Live: PCM mono 16 kHz, 16 biți, în cadre de 100 ms24 kHz mono; pcm (implicit), wav, mp3, opus, aac, flac
Limbitr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Compatibilitate SDKSDK-urile oficiale OpenAI, prin schimbarea base_urlSDK-urile oficiale OpenAI, prin schimbarea base_url
Procesarea textuluiSume și date scrise cu cifre; corectarea dialectelor turcești și a numelor de locuri; indicii de frazeNumere, date și abrevieri citite cu voce tare; generare-și-verificare opțională pentru turcă; accent tonic în rusă
Vorbitori, vociDiarizare, detectarea genului, blocare pe vorbitor, amprente vocale cu consimțământ, verificare semnată22 de voci integrate; voci personalizate dintr-o înregistrare
Joburi lungi, controlTranscriere asincronă cu webhook_url; joburi de izolare audioÎnchiderea conexiunii oprește sinteza (barge-in)
Back-pressureWebSocket închis cu 1013 la limita de apeluri live; reîncearcă după ~1 s503 cât timp toți workerii sunt ocupați; reîncearcă

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

Securitate și guvernanță

4.1Autentificare. O cheie API per client, trimisă ca Authorization: Bearer <KEY> sau ca ?api_key= pentru WebSocket-urile din browser. O cheie lipsă sau greșită primește 401.[1]

4.2Rezidența datelor. Regiunea se alege per cerere: Europa sau Turcia. Ambele au aceleași căi, câmpuri și răspunsuri, iar sunetul și transcrierile rămân pe serverul regiunii apelate.[1] Regiunea Turcia păstrează datele în țară (KVKK).

4.3Consimțământ și verificare. O amprentă vocală este stocată doar cu consimțământul persoanei și poate fi ștearsă definitiv. Rezultatele verificării sunt semnate; cheia publică este publicată la /v1/voiceprints/jwks.[1]

4.4Infrastructură proprie. Livrat ca servicii Docker containerizate pe infrastructură gestionată de client și implementat pe Kubernetes cu Rancher sau Helm. Rulează pe servere CPU standard: nu necesită GPU și nici conexiune la internet.

Referințe

  1. [1]Recunoașterea vorbirii Umay — Introducere. developers.mihu.ai/stt/introduction
  2. [2]Umay — API nativ (fișiere și audio live). developers.mihu.ai/stt/native-api
  3. [3]Umay — API compatibil OpenAI. developers.mihu.ai/stt/openai
  4. [4]Ses text to speech — Introducere. developers.mihu.ai/tts/introduction
  5. [5]Ses — Text to speech, streaming și erori. developers.mihu.ai/tts/speech
  6. [6]Ses — Voci. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Consola

Tot ce face API-ul, în browser: încearcă voci, transcrie, clonează, gestionează cheile. Iar tu decizi cât timp rămâne ceva stocat.

Voci

Vocile integrate și cele proprii. Ascultă oricare dintre ele înainte să o folosești.

Text to Speech

Scrie, alege o voce și o auzi pornind în circa 0,1 s. Descarcă în mp3, wav, flac și altele.

Speech to Text

Încarcă un fișier sau un link, înregistrează sau treci live și vezi cuvintele apărând pe măsură ce vorbești.

Voice Isolator

Elimină vocile și zgomotul de fundal dintr-o înregistrare; compară înainte și după.

Clone Voice

O voce din 10–30 de secunde de vorbire, cu verificare de citire și acordul vorbitorului.

Chei API și utilizare

Chei pentru serverele tale, cod de pornire rapidă pentru fiecare regiune și cât ai cheltuit.

Tabelul 5. Păstrarea datelor în consolă: tu alegi, în Consolă → Setări.

Afișare unică1 ziimplicit1 săptămână14 zile1 lună3 luni6 luni3 ani
Ce se păstrează
Doar transcrierile pe care le faci în consolă, în contul tău, în regiunea pe care o folosești (Europa sau Turcia).
Cât timp
Perioada pe care o alegi în Consolă → Setări. 1 zi, dacă nu o schimbi.
Apoi
Șterse de pe serverele noastre și din loguri. Transcrierile nu sunt niciodată scrise în loguri.
Șterge acum
Orice transcriere sau pe toate, oricând. Dispar imediat de pe servere și din loguri.
Afișare unică
Nu se scrie nimic nicăieri: vezi transcrierea, iar un refresh o șterge.
Audio
Nu se stochează niciodată. Înregistrările, vorbirea generată și sunetul izolat sunt disponibile pentru redare și descărcare pe loc.

API-ul este separat: sunetul și transcrierile pe care i le trimiți direct sunt procesate și returnate, nu păstrate (vezi pagina următoare).

mihu voice2
mihu voice

Protecția datelor: KVKK și GDPR

Sunetul și transcrierile trimise la API sunt procesate și returnate, nu păstrate. În consolă decizi tu cât timp rămân transcrierile, de la deloc până la 3 ani. Mai jos găsești tot ce se stochează, de ce și pentru cât timp.

Tabelul 6. Nu se stochează.

DateCe se întâmplă cu ele
AudioFluxurile live sunt procesate în memorie și nu sunt scrise niciodată pe disc. Un fișier trimis este păstrat doar cât timp este transcris (fișierele mari și descărcările prin file_url, într-un fișier temporar șters imediat după); pentru joburile cu webhook_url, vezi Tabelul 7.
TranscrieriÎți sunt returnate; nu sunt stocate și nu apar în loguri. Singura excepție este rezultatul unui job cu webhook_url (Tabelul 7).
Adrese și secrete webhookwebhook_url, file_url și webhook_secret nu apar niciodată în loguri; logurile notează doar că a fost folosit un webhook.
Înregistrări vocale pentru amprente vocaleNu se stochează niciodată, în niciun mod. Se păstrează doar semnătura numerică, și numai dacă o ceri.
Înregistrări pentru voci personalizateDecodate, tăiate și folosite pentru a construi vocea, apoi eliminate. Se păstrează doar vocea în sine și detaliile ei (Tabelul 7).
Audio în consolăÎnregistrările, vorbirea generată și sunetul izolat sunt disponibile pentru redare și descărcare pe loc; nimic din toate acestea nu este salvat.

Tabelul 7. Se stochează, și pentru cât timp.

DateCând și cePăstrate
Înregistrări de utilizareCont, model, limbă, secunde de audio și ora, pentru facturare. Fără audio, fără text.pentru facturare
Audio al unui job webhookDoar pentru fișierele trimise cu webhook_url: sunetul așteaptă pe disc în coada de joburi și este șters imediat ce recunoașterea se încheie.până la transcriere
Rezultatul unui job webhookTrimis la webhook_url (semnat cu HMAC-SHA256 când furnizezi un webhook_secret; retrimis după 1 s, 10 s, 1 min, 5 min și 30 min dacă serverul tău nu răspunde) și accesibil doar contului tău. Apoi este șters. Dacă livrarea este încă reîncercată, rămâne cel mult încă o oră.1 oră după finalizare
Amprente vocaleDoar când creezi una, cu consimțământul persoanei. Păstrate în contul tău (până la 1.000) sau, cu store=false, returnate ca token criptat, astfel încât noi nu păstrăm nimic.până le ștergi
Voci personalizateStarea vocii și detaliile ei (nume, limbă, gen, dovada consimțământului, indicatori de calitate), doar în contul tău. DELETE le elimină definitiv.până le ștergi
Transcrieri din consolăDoar transcrierile pe care le faci în consolă, păstrate în contul tău ca să le poți deschide și descărca mai târziu. Tu alegi cât timp, în Consolă → Setări: afișare unică (nu se salvează niciodată), 1 zi (implicit), 1 săptămână, 14 zile, 1 lună, 3 luni, 6 luni sau 3 ani. Când perioada se încheie sau când le ștergi, sunt eliminate de pe serverele noastre și din loguri. Transcrierile nu sunt niciodată scrise în loguri.1 zi implicit

Rezidența datelor. Fiecare cerere este procesată în regiunea pe care o apelezi, Europa sau Turcia, iar datele ei rămân acolo. Regiunea Turcia păstrează datele în țară, în conformitate cu KVKK.

Amprentele vocale sunt date biometrice. Conform KVKK și GDPR, necesită consimțământul explicit al persoanei: nota ta de informare și textul de consimțământ trebuie să acopere acest scop. Orice amprentă vocală poate fi ștearsă definitiv cu DELETE /v1/voiceprints/{id}.

Detectarea genului este prelucrare de date personale. Dacă activezi gender_detection, nota ta de informare trebuie să o acopere și, acolo unde este necesar, apelantul trebuie să își dea consimțământul. Este dezactivată dacă nu o soliciți.

API sau consolă. Cererile trimise la API nu păstrează nimic în afară de Tabelul 7. Consola păstrează doar transcrierile tale, pentru perioada setată (1 zi dacă nu o schimbi, sau deloc cu afișare unică), apoi le șterge de pe serverele noastre și din loguri. Nu păstrează niciodată sunetul.

Nimic de dezactivat la tine. Dacă nu creezi niciodată o amprentă vocală și nu trimiți niciodată un webhook_url, se păstrează doar înregistrarea de utilizare.

Serverele proprii. Implementările on-prem rulează pe infrastructura ta fără conexiune la internet, așa că nicio dată nu ajunge la mihu.

mihu voice3
mihu voice

Prețuri

Prețuri de listă în euro. Plătești pentru sunetul trimis și pentru caracterele sintetizate; opțiunile se facturează separat, doar când le folosești.

Speech-to-text

mihu-umay-v1

€0.09

pe oră de audio

€0.0015 pe minut de audio.

Text-to-speech

mihu-ses-v1

€10.00

pe milion de caractere

€0.01 pe mia de caractere.

Tabelul 8. Opțiuni speech-to-text și endpointuri vocale, facturate suplimentar doar când sunt folosite. Fișierele și fluxurile live costă la fel.

OpțiunePrețUnitate
Izolarea vocii€0.01per conversație
Diarizarea vorbitorilor€0.01per conversație
Blocare pe vorbitor€0.01per conversație
Detectarea genului€0.01per conversație
Amprente vocale€0.01per cerere
Verificarea vorbitorului€0.01per cerere

Tabelul 9. Cât costă sarcinile tipice la prețul de listă.

SarcinăVolumCost
Transcrierea a 10.000 de apeluri de 3 minute500 de ore de audio€45.00
Rostirea a 10.000 de răspunsuri de 200 de caractere2 milioane de caractere€20.00
Transcrierea a 1.000 de ore de înregistrări1.000 de ore de audio€90.00
10.000 de apeluri de 3 minute cu diarizarea vorbitorilor500 de ore + 10.000 de conversații€145.00
10.000 de apeluri de 3 minute cu izolarea vocii, diarizare, blocare pe vorbitor și detectarea genului500 de ore + 4 opțiuni × 10.000 de conversații€445.00

Rulezi on-prem sau la volume mai mari? Vorbește cu noi.

mihu voice4

Întrebări frecvente

Datele tale

Prin API: nici audio, nici transcrieri. Sunt procesate în memorie și îți sunt returnate. Păstrăm înregistrări de utilizare pentru facturare (fără audio sau text); pentru joburile asincrone trimise cu webhook_url, sunetul până la transcriere și rezultatul timp de 1 oră după finalizare; amprentele vocale doar dacă le creezi, cu consimțământul persoanei (cu store=false chiar și acestea rămân la tine); și vocile personalizate până le ștergi (niciodată înregistrarea din care au fost create).

Doar atât cât alegi tu. Transcrierile făcute în consolă sunt păstrate în contul tău ca să le poți deschide și descărca mai târziu: 1 zi implicit sau 1 săptămână, 14 zile, 1 lună, 3 luni, 6 luni ori 3 ani, setat în Consolă → Setări. Când perioada se încheie sau când le ștergi, sunt eliminate de pe serverele noastre și din loguri; transcrierile nu sunt niciodată scrise în loguri. Alege afișare unică și nu se salvează nimic: un refresh o șterge. Poți șterge oricând orice transcriere sau pe toate. Sunetul nu este păstrat niciodată în consolă; descarcă imediat ce ai nevoie.

Nu. Sunetul, transcrierile și textul tău nu sunt folosite pentru a antrena sau îmbunătăți modelele noastre.

Da. A stabili din voce dacă un apelant este bărbat sau femeie înseamnă prelucrare de date personale. Dacă activezi gender_detection, nota ta de informare KVKK / GDPR trebuie să o acopere și ar trebui să ceri consimțământul apelantului acolo unde este necesar. Detectarea genului este dezactivată dacă nu o soliciți.

Modele și limbi

Atât pentru speech-to-text, cât și pentru text-to-speech: turcă, engleză, germană, franceză, italiană, rusă și spaniolă. Transmiți limba la fiecare cerere.

Nu. Varianta on-prem rulează pe servere CPU standard. Este livrată ca servicii Docker containerizate pe infrastructură gestionată de client și se implementează pe Kubernetes cu Rancher sau Helm. Nu necesită GPU și nici conexiune la internet.

Textul apare cât timp apelantul încă vorbește. Primul text parțial sosește la circa 0,44 s după începutul vorbirii, iar propoziția finală la circa 80 ms după ce apelantul se oprește, măsurat de la un client din Turcia. În practică apelantul nu simte nicio pauză: agentul tău poate începe să răspundă imediat ce acesta termină.

Funcționalități

Nu. Genul sosește la circa 2 s după ce apelantul începe să vorbească, iar diarizarea etichetează vorbitorii în timp real, ambele fără a întârzia textul. Fiecare funcționalitate se activează per cerere; dezactivată înseamnă zero latență suplimentară.

Numerele, sumele, datele, orele, numerele de telefon, numerele de înmatriculare și adresele rostite sunt scrise așa cum le așteaptă un CRM: „one thousand two hundred fifty dollars” devine $1,250, iar „seventeen Oak Street apartment four” devine 17 Oak St, Apt 4. Adaugă circa 6 ms.

În toate cele 7 limbi, numerele, monedele, datele, orele și adresele sunt citite automat ca vorbire naturală. Numele lungi și compuse de sate sunt despărțite pentru o pronunție clară, iar numele de cartiere sunt înțelese corect în 95,6% din cazuri în testul nostru cu 500 de adrese la lățime de bandă telefonică, 98,2% cu indicii de locuri.

Da. În pagina Pronunție din consolă (sau prin API-ul /v1/pronunciations) stabilești cum se rostește fiecare cuvânt, pe limbă și, dacă vrei, pe voce: „BMW” se citește „be me ve” în turcă și „bi-em-dablyu” în engleză. Regulile se aplică tuturor cererilor din contul tău, inclusiv cu terminațiile turcești („BMW'nin”), iar aceleași cuvinte sunt trimise ca indicii către speech-to-text, ca să revină scrise corect.

Implementare și confidențialitate

În regiunea pe care o alegi: Europa sau Turcia, iar Statele Unite urmează în curând. Sunetul și transcrierile rămân pe serverul regiunii pe care o apelezi. Regiunea Turcia păstrează datele în țară, în conformitate cu KVKK.

Începe să construiești cu mihu voice