Новинка SES v1 + Umay v17 мов · 2 регіони (незабаром США)

Голоси, що звучать по-людськи. Текст просто під час мовлення.

SES перетворює ваш текст на природне мовлення. Umay записує кожне слово в ту ж мить, коли його вимовлено. mihu voice дає вашому продукту голос і слух.

Турецька, англійська, німецька, французька, італійська, російська та іспанська · Хостинг у Європі чи Туреччині або на ваших серверах · Незабаром у США

mihu
Телефонне аудіо
WebSocket
Аудіофайли
mihu-umay-v1
mihu-ses-v1
Діаризація · ізоляція · ITN
Остаточний текст80 ms“Where is my order?” · en
Мовлення синтезовано24 kHz“16:30” → las cuatro y media · es

7 мов, розпізнавання та синтез мовлення

EnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийruEnglishenEspañolesTürkçetrDeutschdeFrançaisfrItalianoitРусскийru

Бібліотека голосів · mihu-ses-v1

Голоси, що звучать як місцеві

22 голоси 7 мовами. Оберіть голос і послухайте: кожен зразок — це mihu-ses-v1, що читає речення нижче.

Alp

Türkçe · Чоловічий голос

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

Натисніть «відтворити»: речення підсвічується під час читання

Дві моделі, один API, сім мов

mihu-umay-v1 для розпізнавання мовлення і mihu-ses-v1 для синтезу мовлення за одним HTTPS- і WebSocket-API, з хостингом у Європі чи Туреччині (незабаром у США) або на ваших власних серверах.

mihu-umay-v1 · Розпізнавання мовлення для живих дзвінків

Текст з’являється, поки абонент ще говорить; остаточне речення готове приблизно через 80 мс після того, як він замовк, швидше за кліпання оком, тож ваш агент відповідає без паузи. 3,42% помилок у словах (WER) на читаному турецькому мовленні (FLEURS). У режимі лише турецької мови один сервер обробляє до 256 живих дзвінків із тими самими опціями нормалізації та ізоляції голосу.

Проміжний“Merhaba, siparişim ne za…”tr · 0,44 с після початку мовлення
Остаточний“Merhaba, siparişim ne zaman gelir?”tr · 79 мс після кінця мовлення
S2 · жінка“Yarın sabah kapınızda olacak.”діаризовано · впевненість 96%
Остаточний“Ich habe eine Frage zur Rechnung.”de · остаточний текст
Остаточний“¿Me puede repetir la dirección?”es · остаточний текст
Проміжний“Je voudrais changer la da…”fr · потік
Проміжний“Merhaba, siparişim ne za…”tr · 0,44 с після початку мовлення
Остаточний“Merhaba, siparişim ne zaman gelir?”tr · 79 мс після кінця мовлення
S2 · жінка“Yarın sabah kapınızda olacak.”діаризовано · впевненість 96%
Остаточний“Ich habe eine Frage zur Rechnung.”de · остаточний текст
Остаточний“¿Me puede repetir la dirección?”es · остаточний текст
Проміжний“Je voudrais changer la da…”fr · потік
Живий дзвінок16 кГц PCM, кадри по 100 мс, один сокет.остаточний ~80 мсWER 3.42%

Вхідні дані

WebSocket · живий потік REST · аудіофайли Телефонне аудіо 8 кГц

mihu-ses-v1 · Мовлення, що звучить як місцеве

Читає адреси, назви місць, суми, дати, номерні знаки й телефонні номери так, як їх вимовляють люди, усіма 7 мовами. Аудіо надходить потоком ще до того, як синтезовано все речення.

POST /v1/audio/speech
“Your order of $1,250 ships to 17 Oak St”
Аудіо на виході24 kHz PCMпотік
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
Розумне читання

3,38% WER (tr)

95,6% назв місць правильно

7 мов

Хто що сказав — наживо

Визначення статі, діаризація мовців, фіксація мовця та ізоляція голосу для зашумлених телефонних ліній. Кожну функцію вмикають окремо для запиту; вимкнена — жодної додаткової затримки.

ДзвінокМоваМовецьСтатьОстаточний текстСтатус
S2 · жінка · 96%
Вхідні · турецька · 256 живих дзвінків
Остаточний текст p95< 0.35 s

Розумне форматування та назви місць

«bin iki yüz elli lira» стає 1.250 TL, дати й номерні знаки виходять у форматі, якого очікує CRM. Вбудовані списки районів і мікрорайонів разом із вашими ключовими словами підвищують точність розпізнавання назв місць наживо на 3–8 пунктів.

Розумне форматування“bin iki yüz elli lira” → 1.250 TL · додає ~6 мсitn
Підсилення назв місцьМікрорайони Денізлі · 86% → 94% · додає ~10 мсhotwords
Вбудовані списки · 5 міст
Ваші власні слова

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

— абонент, Денізлі

Створено для кол-центрів і голосових агентів

mihu voice

Звіт про оцінювання · листопад 2026

Виміряно на телефонному аудіо, а не на демо.

Три публічні турецькі тестові набори, 500 продиктованих адрес і 1 273 речення для синтезу, з однаковим оцінюванням для всіх систем. Що нижчий рівень помилок у словах, то краще.

3.42%

WER на читаному мовленні

Турецький тестовий набір FLEURS, 743 записи. Найнижчий результат у порівнянні.

Рис. 2

1.68%

WER на продиктованих адресах

500 адрес, 8 кГц, з підказками назв місць.

Табл. 3

19.5×

швидше за реальний час

Файли через API регіону Туреччина, швидкий режим.

Табл. 3

3.38%

WER синтезу мовлення

1 273 речення відкритого набору 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. Рівень помилок у словах у %, що нижче, то краще; турецька мова, середнє правило оцінювання (варіанти чисел і форматів зараховуються). mihu-umay-v1 посідає перше місце з 9 на читаному мовленні. Стовпці, що виходять за вісь, обрізано й позначено →.

Розбірливість синтезованого мовлення

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. Кожна система читає ті самі 1 273 речення кол-центру з відкритого набору даних mihuai/turkish-tts-eval; незалежний розпізнавач транскрибує аудіо. Рівень помилок у словах у %: що нижче, то легше зрозуміти мовлення. Сім турецьких систем синтезу мовлення; усі графіки й таблиці — на сторінці бенчмарків.

Таблиця 2. Природність того самого синтезованого аудіо. Прогнозовані оцінки якості, що вище, то краще; найкращий результат у кожному стовпці виділено жирним.

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 має найвищу оцінку UTMOSv2 загалом і в усіх 13 категоріях речень набору. Три предиктори не узгоджуються між собою і не замінюють прослуховування людьми.

Два турецькі тестові набори для синтезу мовлення

кол-центр проти повсякденного мовлення

mihuai/turkish-tts-eval1 273 речення · Рис. 3

Наш еталонний набір для мовлення контакт-центрів, змодельований на реальних розмовах із клієнтами: суми, номери рахунків і документів, адреси, e-mail і вебадреси, імена по літерах і змішані формати. Складний навмисно.

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

Повсякденний розмовний набір: короткі речення з 3–13 слів про щоденне життя, запитання та вигуки, майже без чисел і кодів. Простіший, тому всі системи мають тут нижчі показники помилок.

Рівень помилок у словах 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 →

Оцінювання — як на рисунку 3. На розмовному наборі провідні системи відрізняються лише на частки відсотка; різниця між системами проявляється на наборі кол-центру.

Рисунок 4. Набір кол-центру вимірює те, що контакт-центр має прочитати правильно; повсякденний набір — звичайне розмовне мовлення. Що нижчий рівень помилок у словах, то краще.

Таблиця 3. Показники живого сервісу, регіон Туреччина, 3 листопада 2026 р.

ВимірюванняНалаштуванняРезультат
Швидкість транскрибування файлів, 743 записишвидкий режим19,5× реального часу
Швидкість транскрибування файлів, 743 записизвичайний режим8,5× реального часу
Збої, відсутні або порожні результати743 записи0
Рівень помилок у словах для адрес, 500 адрес, 8 кГцбез → з підказками назв місць2,22 % → 1,68 %
Повністю правильні речення з адресами, 8 кГцбез → з підказками назв місць92,6 % → 97,2 %
Правильно розпізнаний мікрорайон, 8 кГцбез → з підказками назв місць95,6 % → 98,2 %

Метод. Скрізь середнє правило оцінювання. Телефон: публічний турецький телефонний тестовий набір, використаний лише для тестування. ЗМІ: враховано тільки 502 записи MediaSpeech, відкладені від навчання mihu. Швидкість виміряно наскрізно через публічний API, з урахуванням мережі. Аудіо адрес синтетичне.

Хочете бачити свою систему в цих таблицях?

Надайте нам доступ до API або модель, і ми проженемо її на тих самих тестових наборах з тим самим оцінюванням, спершу покажемо результати вам і опублікуємо їх тут, якими б вони не були.

[email protected] →

Усі бенчмарки →

mihu voice1
mihu voice

Інтеграція розпізнавання та синтезу мовлення в контакт-центр

Розробники mihu voice · developers.mihu.ai

За одним API-ключем працюють дві моделі: Umay для розпізнавання мовлення і Ses для синтезу мовлення. Обидві доступні через REST і WebSocket, відповідають однаково в кожному регіоні й працюють з офіційними OpenAI SDK після заміни базової URL-адреси. У цій нотатці показано, як вони вбудовуються в наявний контакт-центр, наведено робочий запит для кожного сценарію, перелічено можливості кожного інтерфейсу та описано, як обробляються ключі, дані й голосові відбитки.

Архітектура

Клієнти підключаються безпосередньо до обраного регіону; SDK від mihu не потрібен, і на вашому боці нічого не працює. Живі дзвінки передають аудіо потоком через WebSocket, файли й синтез використовують звичайний HTTPS.[1][4] Там, де дані не можуть залишати вашу мережу, той самий сервіс працює на ваших власних серверах.

(a) Ваші системи

Контакт-центр / IVR

живе аудіо абонента

Голосовий агент

остаточний текст → LLM → мовлення

Записи дзвінків

архів, контроль якості, аналітика

HTTPS, WSS, Bearer-ключ

(b) API mihu voice

Umay — розпізнавання мовлення

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

Ses — синтез мовлення

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

дані залишаються в регіоні

(c) Де працює

Європа

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

Туреччина

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

Ваші сервери

локальний Docker на CPU, офлайн

Рисунок 1. Схема розгортання. Клієнти звертаються до обох моделей через HTTPS і WebSocket з одним API-ключем; кожен запит обслуговується, а його дані зберігаються в регіоні, до хоста якого він звертається.

Інтеграція

Кожен лістинг нижче працює як є, щойно задано KEY. Вибір регіону змінює лише хост.[2][3][5]

|
Регіон
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

Події 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}

Параметри

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

Лістинг 1. Розпізнавання мовлення, живі дзвінки (WebSocket, 16 кГц PCM). Хост stt.eu.mihu.ai; повний посібник: developers.mihu.ai/stt/native-api.

Технічна специфікація

Таблиця 1. Інтерфейси та можливості двох моделей.

Розпізнавання мовлення (Umay)Синтез мовлення (Ses)
Модельmihu-umay-v1: umay для файлів, umay-stream наживоmihu-ses-v1
ІнтерфейсиREST; WebSocket (нативний); WebSocket (OpenAI Realtime)REST, потоково під час генерації; server-sent events
АудіоФайли в будь-якому поширеному форматі, передискретизуються до 16 кГц. Наживо: 16 кГц моно 16-бітний PCM у кадрах по 100 мс24 кГц моно; pcm (за замовчуванням), wav, mp3, opus, aac, flac
Мовиtr, en, de, fr, it, ru, estr, en, de, fr, it, ru, es
Сумісність із SDKОфіційні OpenAI SDK, заміною base_urlОфіційні OpenAI SDK, заміною base_url
Обробка текстуСуми й дати записуються цифрами; виправлення турецьких діалектів і назв місць; підказки фразОзвучування чисел, дат і скорочень; опційна турецька перевірка «згенерувати й перевірити»; наголоси в російській
Мовці, голосиДіаризація, визначення статі, фіксація мовця, голосові відбитки за згодою, підписана верифікація22 вбудовані голоси; власні голоси із запису
Довгі завдання, керуванняАсинхронне транскрибування з webhook_url; завдання ізоляції аудіоЗакриття з’єднання зупиняє синтез (barge-in)
Зворотний тискWebSocket закривається з кодом 1013 на ліміті живих дзвінків; повторіть приблизно через 1 с503, поки всі воркери зайняті; повторіть спробу

Джерела: [2], [3], [5], [6].

Безпека та управління

4.1Автентифікація. Один API-ключ на клієнта, що передається як Authorization: Bearer <KEY> або як ?api_key= для WebSocket у браузері. Відсутній чи хибний ключ отримує відповідь 401.[1]

4.2Розміщення даних. Регіон обирається для кожного запиту: Європа або Туреччина. В обох однакові шляхи, поля й відповіді, а аудіо та транскрипти залишаються на сервері регіону, до якого звернулися.[1] Регіон Туреччина зберігає дані в країні (KVKK).

4.3Згода та верифікація. Голосовий відбиток зберігається лише за згодою людини й може бути видалений назавжди. Результати верифікації підписуються; публічний ключ опубліковано за адресою /v1/voiceprints/jwks.[1]

4.4Власна інфраструктура. Постачається як контейнеризовані Docker-сервіси на інфраструктурі під керуванням клієнта й розгортається в Kubernetes за допомогою Rancher або Helm. Працює на стандартних CPU-серверах: GPU та підключення до інтернету не потрібні.

Джерела

  1. [1]Розпізнавання мовлення Umay — Вступ. developers.mihu.ai/stt/introduction
  2. [2]Umay — Нативний API (файли та живе аудіо). developers.mihu.ai/stt/native-api
  3. [3]Umay — API, сумісний з OpenAI. developers.mihu.ai/stt/openai
  4. [4]Синтез мовлення Ses — Вступ. developers.mihu.ai/tts/introduction
  5. [5]Ses — Синтез мовлення, потокова передача та помилки. developers.mihu.ai/tts/speech
  6. [6]Ses — Голоси. developers.mihu.ai/tts/voices
mihu voice2
mihu voice

Консоль

Усе, що вміє API, — у браузері: слухайте голоси, транскрибуйте, клонуйте, керуйте ключами. І ви самі вирішуєте, як довго щось зберігається.

Голоси

Вбудовані голоси та ваші власні. Послухайте будь-який, перш ніж використовувати.

Синтез мовлення

Введіть текст, оберіть голос і почуйте початок приблизно за 0,1 с. Завантажуйте в mp3, wav, flac та інших форматах.

Розпізнавання мовлення

Завантажте файл чи посилання, запишіть або увімкніть живий режим і дивіться, як слова з’являються, поки ви говорите.

Ізолятор голосу

Приберіть сторонні голоси й шум із запису; порівняйте до і після.

Клонування голосу

Голос із 10–30 секунд мовлення, з перевіркою читання та згодою мовця.

API-ключі та використання

Ключі для ваших серверів, код швидкого старту для кожного регіону і ваші витрати.

Таблиця 5. Зберігання даних у консолі: ви обираєте в Консоль → Налаштування.

Показати один раз1 деньза замовчуванням1 тиждень14 днів1 місяць3 місяці6 місяців3 роки
Що зберігається
Лише транскрипти, які ви створюєте в консолі, у вашому акаунті, в регіоні, яким ви користуєтеся (Європа або Туреччина).
Як довго
Період, який ви обираєте в Консоль → Налаштування. 1 день, якщо не змінити.
Потім
Видаляються з наших серверів і журналів. Транскрипти взагалі ніколи не записуються в журнали.
Видалити зараз
Будь-який транскрипт або всі одразу, будь-коли. Вони одразу зникають із серверів і журналів.
Показати один раз
Нічого ніде не записується: ви бачите транскрипт, а оновлення сторінки його стирає.
Аудіо
Ніколи не зберігається. Записи, синтезоване мовлення та ізольоване аудіо доступні для відтворення й завантаження лише одразу.

API працює окремо: аудіо й транскрипти, які ви надсилаєте до нього напряму, обробляються й повертаються, але не зберігаються (див. наступну сторінку).

mihu voice2
mihu voice

Захист даних: KVKK і GDPR

Аудіо й транскрипти, надіслані до API, обробляються й повертаються, але не зберігаються. У консолі ви самі вирішуєте, як довго зберігати транскрипти: від «зовсім ні» до 3 років. Нижче — усе, що зберігається, навіщо і як довго.

Таблиця 6. Не зберігається.

ДаніЩо з ними відбувається
АудіоЖиві потоки обробляються в пам’яті й ніколи не записуються на диск. Надісланий файл зберігається лише на час транскрибування (великі файли та завантаження за file_url — у тимчасовому файлі, який одразу видаляється); про завдання з webhook_url див. таблицю 7.
ТранскриптиПовертаються вам; не зберігаються й не журналюються. Єдиний виняток — результат завдання з webhook_url (таблиця 7).
Адреси та секрети вебхуківВаші webhook_url, file_url і webhook_secret ніколи не журналюються; у журналах лише фіксується, що вебхук було використано.
Голосові записи для голосових відбитківНіколи не зберігаються, у жодному режимі. Зберігається лише числовий підпис, і лише якщо ви про це просите.
Записи для власних голосівДекодуються, обрізаються й використовуються для створення голосу, а потім видаляються. Зберігаються лише сам голос і його дані (таблиця 7).
Аудіо в консоліЗаписи, синтезоване мовлення та ізольоване аудіо доступні для відтворення й завантаження лише одразу; нічого з цього не зберігається.

Таблиця 7. Зберігається, і як довго.

ДаніКоли і щоЗберігається
Записи про використанняАкаунт, модель, мова, секунди аудіо та час — для білінгу. Без аудіо, без тексту.для білінгу
Аудіо завдання з вебхукомЛише для файлів, надісланих із webhook_url: аудіо чекає на диску в черзі завдань і видаляється, щойно розпізнавання завершено.до транскрибування
Результат завдання з вебхукомНадсилається на ваш webhook_url (з підписом HMAC-SHA256, якщо ви вказали webhook_secret; повторні спроби через 1 с, 10 с, 1 хв, 5 хв і 30 хв, якщо ваш сервер не відповідає) і доступний для читання лише вашому акаунту. Потім видаляється. Якщо доставку ще повторюють, він зберігається щонайбільше ще одну годину.1 година після завершення
Голосові відбиткиЛише коли ви їх створюєте, за згодою людини. Зберігаються у вашому акаунті (до 1 000) або, з store=false, повертаються вам як зашифрований токен, тож ми не зберігаємо нічого.доки ви не видалите
Власні голосиСтан голосу та його дані (назва, мова, стать, запис про згоду, показники якості), лише у вашому акаунті. DELETE видаляє їх назавжди.доки ви не видалите
Транскрипти консоліЛише транскрипти, які ви створюєте в консолі; вони зберігаються у вашому акаунті, щоб ви могли пізніше їх відкрити й завантажити. Строк ви обираєте в Консоль → Налаштування: показати один раз (ніколи не зберігається), 1 день (за замовчуванням), 1 тиждень, 14 днів, 1 місяць, 3 місяці, 6 місяців або 3 роки. Коли строк спливає або коли ви їх видаляєте, вони видаляються з наших серверів і журналів. Транскрипти ніколи не записуються в журнали.1 день за замовчуванням

Розміщення даних. Кожен запит обробляється в регіоні, до якого ви звертаєтеся, — Європа або Туреччина, — і його дані залишаються там. Регіон Туреччина зберігає дані в країні відповідно до KVKK.

Голосові відбитки — біометричні дані. Згідно з KVKK і GDPR для них потрібна явна згода людини: ваше повідомлення про конфіденційність і текст згоди мають охоплювати цю мету. Кожен голосовий відбиток можна назавжди видалити за допомогою DELETE /v1/voiceprints/{id}.

Визначення статі — це обробка персональних даних. Якщо ви вмикаєте gender_detection, ваше повідомлення про конфіденційність має це охоплювати, а за потреби абонент має надати згоду. Функція вимкнена, якщо ви її не запитуєте.

API чи консоль. Запити, які ви надсилаєте до API, не зберігають нічого понад таблицю 7. Консоль зберігає лише ваші транскрипти протягом заданого вами строку (1 день, якщо не змінити, або зовсім ні з показати один раз), а потім видаляє їх із наших серверів і журналів. Аудіо вона ніколи не зберігає.

На вашому боці нічого не треба вимикати. Якщо ви ніколи не створюєте голосовий відбиток і не надсилаєте webhook_url, зберігається лише запис про використання.

Ваші власні сервери. Локальні розгортання працюють на вашій інфраструктурі без підключення до інтернету, тож жодні дані взагалі не потрапляють до mihu.

mihu voice3
mihu voice

Ціни

Прайсові ціни в євро. Ви платите за надіслане аудіо та синтезовані символи; опції оплачуються окремо й лише тоді, коли ви ними користуєтеся.

Розпізнавання мовлення

mihu-umay-v1

€0.09

за годину аудіо

€0.0015 за хвилину аудіо.

Синтез мовлення

mihu-ses-v1

€10.00

за мільйон символів

€0.01 за тисячу символів.

Таблиця 8. Опції розпізнавання мовлення та голосові ендпоінти, що оплачуються додатково лише в разі використання. Файли й живі потоки коштують однаково.

ОпціяЦінаОдиниця
Ізоляція голосу€0.01за розмову
Діаризація мовців€0.01за розмову
Фіксація мовця€0.01за розмову
Визначення статі€0.01за розмову
Голосові відбитки€0.01за запит
Верифікація мовця€0.01за запит

Таблиця 9. Скільки коштують типові навантаження за прайсовими цінами.

НавантаженняОбсягВартість
Транскрибувати 10 000 дзвінків по 3 хвилини500 годин аудіо€45.00
Озвучити 10 000 відповідей по 200 символів2 мільйони символів€20.00
Транскрибувати 1 000 годин записів1 000 годин аудіо€90.00
10 000 дзвінків по 3 хвилини з діаризацією мовців500 годин + 10 000 розмов€145.00
10 000 дзвінків по 3 хвилини з ізоляцією голосу, діаризацією, фіксацією мовця та визначенням статі500 годин + 4 опції × 10 000 розмов€445.00

Працюєте локально або з більшими обсягами? Зв’яжіться з нами.

mihu voice4

Поширені запитання

Ваші дані

Через API — ні аудіо, ні транскрипти. Вони обробляються в пам’яті й повертаються вам. Ми зберігаємо: записи про використання для білінгу (без аудіо й тексту); для асинхронних завдань, надісланих із webhook_url, — аудіо до завершення транскрибування і результат протягом 1 години після завершення; голосові відбитки — лише якщо ви їх створюєте, за згодою людини (з store=false навіть вони залишаються на вашому боці); і власні голоси — доки ви їх не видалите (але ніколи не запис, з якого їх створено).

Лише стільки, скільки ви оберете. Транскрипти, створені в консолі, зберігаються у вашому акаунті, щоб ви могли пізніше їх відкрити й завантажити: 1 день за замовчуванням або 1 тиждень, 14 днів, 1 місяць, 3 місяці, 6 місяців чи 3 роки — налаштовується в Консоль → Налаштування. Коли строк спливає або коли ви їх видаляєте, вони видаляються з наших серверів і журналів; транскрипти ніколи не записуються в журнали. Оберіть «показати один раз» — і нічого не збережеться: оновлення сторінки все стирає. Будь-який транскрипт або всі одразу можна видалити будь-коли. Аудіо в консолі ніколи не зберігається; завантажуйте потрібне одразу.

Ні. Ваше аудіо, транскрипти й тексти не використовуються для навчання чи вдосконалення наших моделей.

Так. Визначення за голосом, чоловік чи жінка телефонує, — це обробка персональних даних. Якщо ви вмикаєте gender_detection, ваше повідомлення про конфіденційність за KVKK / GDPR має це охоплювати, а там, де це потрібно, слід отримати згоду абонента. Визначення статі вимкнене, якщо ви його не запитуєте.

Моделі та мови

І для розпізнавання, і для синтезу мовлення: турецька, англійська, німецька, французька, італійська, російська та іспанська. Мову передають у кожному запиті.

Ні. Локальна версія працює на стандартних CPU-серверах. Вона постачається як контейнеризовані Docker-сервіси на інфраструктурі під керуванням клієнта й розгортається в Kubernetes за допомогою Rancher або Helm. GPU та підключення до інтернету не потрібні.

Текст з’являється, поки абонент ще говорить. Перший проміжний текст надходить приблизно через 0,44 с після початку мовлення, а остаточне речення — приблизно через 80 мс після того, як абонент замовк (виміряно з клієнта в Туреччині). На практиці абонент не чує жодної паузи: ваш агент може почати відповідь, щойно той договорить.

Функції

Ні. Стать визначається приблизно через 2 с після того, як абонент почав говорити, а діаризація позначає мовців наживо — і все це без затримки тексту. Кожна функція вмикається окремо для запиту; вимкнена — жодної додаткової затримки.

Вимовлені числа, суми, дати, час, телефонні номери, номерні знаки й адреси записуються у форматі, якого очікує CRM: “one thousand two hundred fifty dollars” стає $1,250, а “seventeen Oak Street apartment four” — 17 Oak St, Apt 4. Це додає близько 6 мс.

Усіма 7 мовами числа, валюти, дати, час і адреси автоматично читаються як природне мовлення. Довгі складені назви сіл розбиваються для чіткої вимови, а назви мікрорайонів звучать правильно в 95,6% випадків у нашому тесті з 500 адрес на телефонній смузі частот, і в 98,2% — з підказками назв місць.

Так. На сторінці «Вимова» в консолі (або через API /v1/pronunciations) ви вказуєте, як вимовляється кожне слово, для кожної мови й, за бажання, для кожного голосу: “BMW” читається “be me ve” турецькою та “бе-ем-ве” українською. Правила діють для всіх запитів вашого акаунта, зокрема з турецькими закінченнями (“BMW'nin”), а ті самі слова передаються в розпізнавання мовлення як підказки, щоб вони поверталися правильно написаними.

Розгортання та конфіденційність

У регіоні, який ви обираєте: Європа або Туреччина, незабаром — США. Аудіо й транскрипти залишаються на сервері регіону, до якого ви звертаєтеся. Регіон Туреччина зберігає дані в країні відповідно до KVKK.

Почніть створювати з mihu voice