Новое SES v1 + Umay v17 языков · 2 региона (скоро США)

Голоса, звучащие по-человечески. Расшифровка прямо во время речи.

SES превращает ваш текст в естественную речь. Umay записывает каждое слово в момент, когда оно произнесено. mihu voice даёт вашему продукту голос и слух.

Турецкий, английский, немецкий, французский, итальянский, русский и испанский · Размещение в Европе или Турции либо на ваших собственных серверах · Скоро в США

mihu
Телефонное аудио
WebSocket
Аудиофайлы
mihu-umay-v1
mihu-ses-v1
Диаризация · выделение голоса · ITN
Финальный текст80 ms“Where is my order?” · en
Речь синтезирована24 kHz“16:30” → las cuatro y media · es

7 языков, распознавание и синтез речи

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Библиотека голосов · mihu-ses-v1

Голоса, которые звучат как у местных

22 голоса на 7 языках. Выберите любой и послушайте: каждый пример — это mihu-ses-v1, читающая предложение ниже.

Alp

Türkçe · Мужской голос

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

Нажмите play: предложение подсвечивается по мере чтения

Две модели, один API, семь языков

mihu-umay-v1 для распознавания речи и mihu-ses-v1 для синтеза речи за единым API на HTTPS и WebSocket, с размещением в Европе или Турции (скоро в США) либо на ваших собственных серверах.

mihu-umay-v1 · Распознавание речи для звонков в реальном времени

Текст появляется, пока собеседник ещё говорит; финальное предложение готово примерно через 80 мс после того, как он замолчал, — быстрее, чем моргнуть глазом, поэтому ваш агент отвечает без паузы. 3,42 % ошибок на уровне слов на турецкой читаемой речи (FLEURS). В режиме только турецкого языка один сервер обслуживает до 256 звонков одновременно с теми же опциями нормализации и выделения голоса.

Промежуточный“Merhaba, siparişim ne za…”tr · 0,44 с после начала речи
Финальный“Merhaba, siparişim ne zaman gelir?”tr · 79 мс после окончания речи
S2 · женщина“Yarın sabah kapınızda olacak.”диаризировано · уверенность 96 %
Финальный“Ich habe eine Frage zur Rechnung.”de · финальный текст
Финальный“¿Me puede repetir la dirección?”es · финальный текст
Промежуточный“Je voudrais changer la da…”fr · поток
Промежуточный“Merhaba, siparişim ne za…”tr · 0,44 с после начала речи
Финальный“Merhaba, siparişim ne zaman gelir?”tr · 79 мс после окончания речи
S2 · женщина“Yarın sabah kapınızda olacak.”диаризировано · уверенность 96 %
Финальный“Ich habe eine Frage zur Rechnung.”de · финальный текст
Финальный“¿Me puede repetir la dirección?”es · финальный текст
Промежуточный“Je voudrais changer la da…”fr · поток
Звонок в реальном времени16 кГц PCM, кадры по 100 мс, один сокет.финал ~80 мсWER 3.42%

Входы

WebSocket · поток в реальном времени REST · аудиофайлы Телефонное аудио 8 кГц

mihu-ses-v1 · Речь, которая звучит как у местных

Читает адреса, названия мест, суммы, даты, автомобильные номера и телефоны так, как их произносят люди, на всех 7 языках. Аудио начинает передаваться ещё до того, как синтезировано всё предложение.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Аудиовыход24 kHz PCMпоток
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
Умное чтение

3,38 % WER (tr)

95,6 % названий мест верно

7 языков

Кто что сказал — в реальном времени

Определение пола, диаризация дикторов, привязка к диктору и выделение голоса для шумных телефонных линий. Каждая функция включается для отдельного запроса; выключенная не добавляет задержки.

ЗвонокЯзыкДикторПолФинальный текстСтатус
S2 · женщина · 96 %
Входящие · турецкий · 256 звонков в реальном времени
Финальный текст p95< 0.35 s

Умное форматирование и названия мест

«bin iki yüz elli lira» превращается в 1.250 TL, а даты и номера выглядят так, как их ожидает CRM. Встроенные списки районов и кварталов плюс ваши собственные ключевые слова повышают точность распознавания названий мест в реальном времени на 3–8 пунктов.

Умное форматирование“bin iki yüz elli lira” → 1.250 TL · добавляет ~6 мсitn
Усиление названий местКварталы Денизли · 86 % → 94 % · добавляет ~10 мсhotwords
Встроенные списки · 5 городов
Ваши собственные слова

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

— звонящий, Денизли

Создано для колл-центров и голосовых агентов

mihu voice

Отчёт об оценке · ноябрь 2026

Измерено на телефонном аудио, а не на демо.

Три открытых турецких тестовых набора, 500 произнесённых адресов и 1273 предложения для синтеза — все системы оценены одинаково. Чем ниже доля ошибок на уровне слов, тем лучше.

3.42%

WER на читаемой речи

Турецкий тестовый набор FLEURS, 743 записи. Лучший результат в сравнении.

Рис. 2

1.68%

WER на произнесённых адресах

500 адресов, 8 кГц, с подсказками мест.

Табл. 3

19.5×

быстрее реального времени

Файлы через API в Турции, быстрый режим.

Табл. 3

3.38%

Доля ошибок TTS

1273 предложения из открытого набора mihuai/turkish-tts-eval.

Рис. 3

FLEURS tr_tr test · 743 записи

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

Рисунок 2. Доля ошибок на уровне слов в %, чем ниже, тем лучше, турецкий язык, средний уровень строгости (варианты записи чисел и форматов засчитываются). mihu-umay-v1 занимает первое место из 9 на читаемой речи. Столбцы, выходящие за ось, обрезаны и отмечены →.

Разборчивость синтезированной речи

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 →

Рисунок 3. Каждая система читает одни и те же 1273 предложения колл-центра из открытого набора данных mihuai/turkish-tts-eval; независимый распознаватель расшифровывает аудио. Доля ошибок на уровне слов в %; чем ниже, тем легче понять речь. Семь турецких систем TTS; все графики и таблицы — на странице бенчмарков.

Таблица 2. Естественность одного и того же синтезированного аудио. Прогнозные оценки качества, чем выше, тем лучше; лучшее значение в каждом столбце выделено жирным.

СистемаUTMOSv2SCOREQDNSMOS 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 получает наивысшую оценку UTMOSv2 в целом и во всех 13 категориях предложений набора. Три предиктора расходятся между собой и не заменяют тест с участием живых слушателей.

Два турецких тестовых набора TTS

колл-центр и повседневная речь

mihuai/turkish-tts-eval1273 предложения · Рис. 3

Наш эталонный набор для речи контакт-центра, построенный по образцу реальных разговоров с клиентами: суммы, номера счетов и документов, адреса, e-mail и веб-адреса, имена по буквам и смешанные форматы. Сложный по замыслу.

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

Повседневный разговорный набор: короткие предложения из 3–13 слов о повседневной жизни, вопросы и восклицания, почти без чисел и кодов. Он проще, поэтому у всех систем здесь меньше ошибок.

Доля ошибок на уровне слов на 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 →

Та же методика оценки, что и на рисунке 3. На разговорном наборе лидеры отличаются друг от друга на доли процента; различия между системами проявляются на наборе колл-центра.

Рисунок 4. Набор колл-центра проверяет то, что контакт-центру важно прочитать правильно; повседневный набор — обычную разговорную речь. Чем ниже доля ошибок на уровне слов, тем лучше.

Таблица 3. Показатели работающего сервиса, регион Турция, 3 ноября 2026 г.

ИзмерениеНастройкаРезультат
Скорость расшифровки файлов, 743 записибыстрый режим19,5× реального времени
Скорость расшифровки файлов, 743 записиобычный режим8,5× реального времени
Сбои, пропущенные или пустые результаты743 записи0
Доля ошибок в адресах, 500 адресов, 8 кГцбез → с подсказками мест2,22 % → 1,68 %
Полностью верные предложения с адресом, 8 кГцбез → с подсказками мест92,6 % → 97,2 %
Квартал распознан верно, 8 кГцбез → с подсказками мест95,6 % → 98,2 %

Методика. Везде применяется средний уровень строгости оценки. Телефон: открытый турецкий телефонный тестовый набор, используемый только для тестирования. СМИ: учитываются только 502 записи MediaSpeech, исключённые из обучения mihu. Скорость измерена от начала до конца через публичный API, включая сеть. Аудио с адресами синтетическое.

Хотите видеть свою систему в этих таблицах?

Предоставьте нам доступ к API или модель, и мы прогоним её на тех же тестовых наборах с той же оценкой, сначала покажем результаты вам и опубликуем их здесь, какими бы они ни были.

[email protected] →

Все бенчмарки →

mihu voice1
mihu voice

Интеграция распознавания и синтеза речи в контакт-центр

разработчики mihu voice · developers.mihu.ai

За одним API-ключом стоят две модели: Umay для распознавания речи и Ses для синтеза речи. Обе доступны по REST и WebSocket, одинаково отвечают в каждом регионе и работают с официальными OpenAI SDK — достаточно сменить базовый URL. В этой заметке показано, как они встраиваются в существующий контакт-центр, приведён рабочий запрос для каждого сценария, перечислено, что поддерживает каждый интерфейс, и описано, как обрабатываются ключи, данные и голосовые отпечатки.

Архитектура

Клиенты подключаются напрямую к выбранному региону; mihu SDK не требуется, и на вашей стороне ничего не запускается. Звонки в реальном времени передают аудио через WebSocket, файлы и синтез используют обычный HTTPS.[1][4] Если данные не должны покидать вашу сеть, тот же сервис работает на ваших собственных серверах.

(a) Ваши системы

Контакт-центр / IVR

живое аудио звонящего

Голосовой агент

финальный текст → LLM → речь

Записи звонков

архив, контроль качества, аналитика

HTTPS, WSS, Bearer-ключ

(b) API mihu voice

Umay — распознавание речи

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

Ses — синтез речи

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

данные остаются в регионе

(c) Где работает

Европа

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

Турция

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

Ваши серверы

on-prem Docker на CPU, офлайн

Рисунок 1. Схема развёртывания. Клиенты обращаются к обеим моделям по HTTPS и WebSocket с одним API-ключом; каждый запрос обрабатывается, а его данные хранятся в том регионе, к хосту которого он обращается.

Интеграция

Каждый листинг ниже работает в приведённом виде, как только задан KEY. Выбор региона меняет только хост.[2][3][5]

|
Регион
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

События сервера

{"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}

Параметры

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

Листинг 1. Распознавание речи, звонки в реальном времени (WebSocket, 16 кГц PCM). Хост stt.eu.mihu.ai; полное руководство: developers.mihu.ai/stt/native-api.

Техническая спецификация

Таблица 1. Интерфейсы и возможности двух моделей.

Распознавание речи (Umay)Синтез речи (Ses)
Модельmihu-umay-v1: umay для файлов, umay-stream в реальном времениmihu-ses-v1
ИнтерфейсыREST; WebSocket (нативный); WebSocket (OpenAI Realtime)REST, потоковая передача во время генерации; server-sent events
АудиоФайлы в любом распространённом формате с передискретизацией до 16 кГц. В реальном времени: 16 кГц моно 16-бит PCM кадрами по 100 мс24 кГц моно; pcm (по умолчанию), wav, mp3, opus, aac, flac
Языкиtr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Совместимость с SDKОфициальные OpenAI SDK через смену base_urlОфициальные OpenAI SDK через смену base_url
Обработка текстаСуммы и даты записываются цифрами; коррекция турецких диалектов и названий мест; подсказки фразЧисла, даты и сокращения читаются вслух; опциональная генерация с проверкой для турецкого; ударения в русском
Дикторы, голосаДиаризация, определение пола, привязка к диктору, голосовые отпечатки с согласия, подписанная верификация22 встроенных голоса; собственные голоса из записи
Длительные задачи, управлениеАсинхронная расшифровка с webhook_url; задачи выделения голосаЗакрытие соединения останавливает синтез (barge-in)
Back-pressureЗакрытие WebSocket с кодом 1013 при достижении лимита звонков; повтор через ~1 с503, пока все воркеры заняты; повторите запрос

Источники: [2], [3], [5], [6].

Безопасность и управление

4.1Аутентификация. Один API-ключ на клиента, передаётся как Authorization: Bearer <KEY> или как ?api_key= для WebSocket из браузера. При отсутствующем или неверном ключе возвращается 401.[1]

4.2Локализация данных. Регион выбирается для каждого запроса: Европа или Турция. В обоих одинаковые пути, поля и ответы, а аудио и расшифровки остаются на сервере вызванного региона.[1] Регион Турция хранит данные внутри страны (KVKK).

4.3Согласие и верификация. Голосовой отпечаток сохраняется только с согласия человека и может быть удалён безвозвратно. Результаты верификации подписываются; открытый ключ опубликован по адресу /v1/voiceprints/jwks.[1]

4.4Собственная инфраструктура. Поставляется в виде контейнерных сервисов Docker на инфраструктуре заказчика и разворачивается в Kubernetes с помощью Rancher или Helm. Работает на стандартных CPU-серверах: не нужны ни GPU, ни подключение к интернету.

Ссылки

  1. [1]Распознавание речи Umay — Введение. developers.mihu.ai/stt/introduction
  2. [2]Umay — Нативный API (файлы и аудио в реальном времени). developers.mihu.ai/stt/native-api
  3. [3]Umay — API, совместимый с OpenAI. developers.mihu.ai/stt/openai
  4. [4]Синтез речи Ses — Введение. developers.mihu.ai/tts/introduction
  5. [5]Ses — Синтез речи, потоковая передача и ошибки. developers.mihu.ai/tts/speech
  6. [6]Ses — Голоса. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Консоль

Всё, что умеет API, — в браузере: пробуйте голоса, расшифровывайте, клонируйте, управляйте ключами. И вы сами решаете, как долго что-либо хранится.

Голоса

Встроенные голоса и ваши собственные. Послушайте любой из них, прежде чем использовать.

Text to Speech

Введите текст, выберите голос и услышьте начало примерно через 0,1 с. Скачивание в mp3, wav, flac и других форматах.

Speech to Text

Загрузите файл или ссылку, запишите голос или включите режим реального времени и смотрите, как слова появляются по мере речи.

Voice Isolator

Удаляйте фоновые голоса и шум из записи; сравнивайте до и после.

Clone Voice

Голос по 10–30 секундам речи, с проверкой чтения и согласия диктора.

API-ключи и расходы

Ключи для ваших серверов, код быстрого старта для каждого региона и сумма ваших расходов.

Таблица 5. Хранение данных в консоли: выбираете вы, в разделе Консоль → Настройки.

Показать один раз1 деньпо умолчанию1 неделя14 дней1 месяц3 месяца6 месяцев3 года
Что хранится
Только расшифровки, которые вы делаете в консоли, в вашем аккаунте, в используемом вами регионе (Европа или Турция).
Как долго
Срок, который вы выбираете в разделе Консоль → Настройки. 1 день, если вы его не измените.
Затем
Удаляются с наших серверов и из наших логов. Расшифровки вообще никогда не записываются в логи.
Удалить сейчас
Любую расшифровку или все сразу, в любой момент. Они сразу исчезают с серверов и из логов.
Показать один раз
Нигде ничего не записывается: вы видите расшифровку, а обновление страницы её стирает.
Аудио
Никогда не хранится. Записи, синтезированная речь и выделенный голос доступны для прослушивания и скачивания сразу.

API работает отдельно: аудио и расшифровки, которые вы отправляете в него напрямую, обрабатываются и возвращаются, но не хранятся (см. следующую страницу).

mihu voice2
mihu voice

Защита данных: KVKK и GDPR

Аудио и расшифровки, отправленные в API, обрабатываются и возвращаются, но не хранятся. В консоли вы сами решаете, как долго хранятся ваши расшифровки: от «вообще нет» до 3 лет. Ниже — всё, что хранится, зачем и как долго.

Таблица 6. Не хранится.

ДанныеЧто с ними происходит
АудиоПотоки в реальном времени обрабатываются в памяти и никогда не записываются на диск. Отправленный файл хранится только на время расшифровки (большие файлы и загрузки по file_url — во временном файле, который удаляется сразу после этого); о задачах с webhook_url см. таблицу 7.
РасшифровкиВозвращаются вам; не хранятся и не записываются в логи. Единственное исключение — результат задачи с webhook_url (таблица 7).
Адреса и секреты вебхуковВаши webhook_url, file_url и webhook_secret никогда не записываются в логи; в логах отмечается только факт использования вебхука.
Записи голоса для голосовых отпечатковНикогда не хранятся ни в одном режиме. Сохраняется только числовая сигнатура, и только если вы об этом просите.
Записи для собственных голосовДекодируются, обрезаются и используются для создания голоса, затем удаляются. Хранятся только сам голос и его сведения (таблица 7).
Аудио в консолиЗаписи, синтезированная речь и выделенный голос доступны для прослушивания и скачивания сразу; ничего из этого не сохраняется.

Таблица 7. Хранится, и как долго.

ДанныеКогда и чтоСрок хранения
Записи об использованииАккаунт, модель, язык, секунды аудио и время — для выставления счетов. Без аудио, без текста.для выставления счетов
Аудио задачи с вебхукомТолько для файлов, отправленных с webhook_url: аудио ожидает на диске в очереди задач и удаляется сразу после завершения распознавания.до расшифровки
Результат задачи с вебхукомОтправляется на ваш webhook_url (с подписью HMAC-SHA256, если вы указали webhook_secret; если ваш сервер не отвечает, повторная отправка через 1 с, 10 с, 1 мин, 5 мин и 30 мин) и доступен только вашему аккаунту. Затем удаляется. Если доставка ещё повторяется, он хранится не более одного дополнительного часа.1 час после завершения
Голосовые отпечаткиТолько когда вы создаёте отпечаток, с согласия человека. Хранятся в вашем аккаунте (до 1000) либо, с store=false, возвращаются вам в виде зашифрованного токена, и мы не храним ничего.пока вы не удалите
Собственные голосаСостояние голоса и его сведения (имя, язык, пол, запись о согласии, показатели качества), только в вашем аккаунте. DELETE удаляет их безвозвратно.пока вы не удалите
Расшифровки в консолиТолько расшифровки, которые вы делаете в консоли; хранятся в вашем аккаунте, чтобы вы могли открыть и скачать их позже. Срок вы выбираете в разделе Консоль → Настройки: показать один раз (никогда не сохраняются), 1 день (по умолчанию), 1 неделя, 14 дней, 1 месяц, 3 месяца, 6 месяцев или 3 года. Когда срок истекает или когда вы их удаляете, они удаляются с наших серверов и из логов. Расшифровки никогда не записываются в логи.1 день по умолчанию

Локализация данных. Каждый запрос обрабатывается в регионе, к которому вы обращаетесь, — в Европе или Турции, и его данные остаются там. Регион Турция хранит данные внутри страны в соответствии с KVKK.

Голосовые отпечатки — это биометрические данные. По KVKK и GDPR для них требуется явное согласие человека: ваше уведомление о конфиденциальности и текст согласия должны охватывать эту цель. Любой голосовой отпечаток можно удалить безвозвратно с помощью DELETE /v1/voiceprints/{id}.

Определение пола — это обработка персональных данных. Если вы включаете gender_detection, ваше уведомление о конфиденциальности должно это охватывать, а там, где это требуется, звонящий должен дать согласие. Функция выключена, пока вы её не запросите.

API или консоль. Запросы, которые вы отправляете в API, не оставляют ничего, кроме указанного в таблице 7. Консоль хранит только ваши расшифровки в течение заданного вами срока (1 день, если вы его не измените, или вообще не хранит при режиме показать один раз), затем удаляет их с наших серверов и из логов. Аудио она не хранит никогда.

С вашей стороны ничего отключать не нужно. Если вы никогда не создаёте голосовой отпечаток и никогда не отправляете webhook_url, хранится только запись об использовании.

Ваши собственные серверы. Развёртывания on-prem работают на вашей инфраструктуре без подключения к интернету, поэтому никакие данные вообще не попадают в mihu.

mihu voice3
mihu voice

Цены

Прейскурантные цены в евро. Вы платите за отправленное аудио и синтезированные символы; опции оплачиваются отдельно и только при использовании.

Распознавание речи

mihu-umay-v1

€0.09

за час аудио

€0.0015 за минуту аудио.

Синтез речи

mihu-ses-v1

€10.00

за миллион символов

€0.01 за тысячу символов.

Таблица 8. Опции распознавания речи и голосовые эндпоинты, оплачиваются дополнительно только при использовании. Файлы и потоки в реальном времени стоят одинаково.

ОпцияЦенаЕдиница
Выделение голоса€0.01за разговор
Диаризация дикторов€0.01за разговор
Привязка к диктору€0.01за разговор
Определение пола€0.01за разговор
Голосовые отпечатки€0.01за запрос
Верификация диктора€0.01за запрос

Таблица 9. Сколько стоят типичные нагрузки по прейскуранту.

НагрузкаОбъёмСтоимость
Расшифровать 10 000 звонков по 3 минуты500 часов аудио€45.00
Озвучить 10 000 ответов по 200 символов2 миллиона символов€20.00
Расшифровать 1000 часов записей1000 часов аудио€90.00
10 000 звонков по 3 минуты с диаризацией дикторов500 часов + 10 000 разговоров€145.00
10 000 звонков по 3 минуты с выделением голоса, диаризацией, привязкой к диктору и определением пола500 часов + 4 опции × 10 000 разговоров€445.00

Нужен on-prem или большие объёмы? Свяжитесь с нами.

mihu voice4

Часто задаваемые вопросы

Ваши данные

Через API: ни аудио, ни расшифровки. Они обрабатываются в памяти и возвращаются вам. Мы храним записи об использовании для выставления счетов (без аудио и текста); для асинхронных задач, отправленных с webhook_url, — аудио до завершения расшифровки и результат в течение 1 часа после её окончания; голосовые отпечатки — только если вы их создаёте, с согласия человека (с store=false даже они остаются на вашей стороне); и собственные голоса — пока вы их не удалите (но никогда не запись, из которой они созданы).

Только столько, сколько вы выберете. Расшифровки, сделанные в консоли, хранятся в вашем аккаунте, чтобы вы могли открыть и скачать их позже: 1 день по умолчанию либо 1 неделя, 14 дней, 1 месяц, 3 месяца, 6 месяцев или 3 года — настраивается в разделе Консоль → Настройки. Когда срок истекает или когда вы их удаляете, они удаляются с наших серверов и из логов; расшифровки никогда не записываются в логи. Выберите «показать один раз», и ничего не сохранится: обновление страницы всё стирает. Вы можете удалить любую расшифровку или все сразу в любой момент. Аудио в консоли никогда не хранится; скачивайте нужное сразу.

Нет. Ваше аудио, расшифровки и тексты не используются для обучения или улучшения наших моделей.

Да. Определение по голосу, мужчина звонит или женщина, — это обработка персональных данных. Если вы включаете gender_detection, ваше уведомление о конфиденциальности по KVKK / GDPR должно это охватывать, а там, где это требуется, нужно запросить согласие звонящего. Определение пола выключено, пока вы его не запросите.

Модели и языки

И для распознавания, и для синтеза речи: турецкий, английский, немецкий, французский, итальянский, русский и испанский. Язык указывается в каждом запросе.

Нет. Версия on-prem работает на стандартных CPU-серверах. Она поставляется в виде контейнерных сервисов Docker на инфраструктуре заказчика и разворачивается в Kubernetes с помощью Rancher или Helm. Не нужны ни GPU, ни подключение к интернету.

Текст появляется, пока собеседник ещё говорит. Первый промежуточный текст приходит примерно через 0,44 с после начала речи, а финальное предложение — примерно через 80 мс после того, как звонящий замолчал (замеры с клиента в Турции). На практике звонящий не замечает паузы: ваш агент может начать отвечать сразу, как только он закончит.

Функции

Нет. Пол определяется примерно через 2 с после того, как звонящий начинает говорить, а диаризация размечает дикторов в реальном времени — и то и другое без задержки текста. Каждая функция включается для отдельного запроса; выключенная не добавляет задержки.

Произнесённые числа, суммы, даты, время, телефонные номера, автомобильные номера и адреса записываются так, как их ожидает CRM: «one thousand two hundred fifty dollars» превращается в $1,250, а «seventeen Oak Street apartment four» — в 17 Oak St, Apt 4. Добавляет около 6 мс.

На всех 7 языках числа, валюты, даты, время и адреса автоматически читаются как естественная речь. Длинные составные названия сёл разбиваются для чёткого произношения, а названия кварталов распознаются верно в 95,6 % случаев в нашем тесте на 500 адресах в телефонной полосе частот и в 98,2 % — с подсказками мест.

Да. На странице «Произношение» в консоли (или через API /v1/pronunciations) вы указываете, как произносится каждое слово, для каждого языка и, если нужно, для каждого голоса: «BMW» читается «be me ve» по-турецки и «бэ-эм-вэ» по-русски. Правила действуют для всех запросов вашего аккаунта, в том числе с турецкими окончаниями («BMW'nin»), а те же слова передаются в распознавание речи как подсказки, чтобы они возвращались правильно написанными.

Развёртывание и конфиденциальность

В выбранном вами регионе: в Европе или Турции, скоро — в США. Аудио и расшифровки остаются на сервере того региона, к которому вы обращаетесь. Регион Турция хранит данные внутри страны в соответствии с KVKK.

Начните работать с mihu voice