Mihu Voice е нашият собствен речеви стек, създаден за живи разговори: Umay превръща речта в текст, докато обаждащият се още говори, а Ses превръща текста в естествена реч на седем езика. Един API, хостван в Европа или Турция, или на вашите собствени сървъри.
mihu-umay-v1 за реч в текст и mihu-ses-v1 за текст в реч работят с един API ключ, през REST и WebSocket. И двата отговарят по един и същи начин във всеки регион и работят с официалните OpenAI SDK, като смените само базовия URL.
Частичният текст идва, докато човекът говори. Финалното изречение е готово около 80 ms след като спре, по-бързо от мигване, така че агентът ви може да отговори без пауза.
При четена реч на турски Umay има 3.42% честота на грешките в думите, най-ниската от девет тествани от нас системи. В режим само за турски един сървър обслужва до 256 разговора на живо.
Опциите за говорителите се включват за всяка заявка; изключени, те не добавят латентност.
model=umaymodel=umay-streamwebhook_urlnormalizehints, hint_contextmode=normalgender_detectiondiarizespeaker_lockvoice_isolationreference_voiceprintPOST /v1/voiceprints/verifyPOST /v1/audio/isolationСумите, датите и регистрационните номера се изписват с цифри, което добавя около 6 ms. Вградените списъци с райони и квартали плюс вашите собствени ключови думи повишават точността при имената на места на живо с 3 до 8 пункта.
Ses чете адреси, имена на места, суми, дати, регистрационни и телефонни номера така, както хората ги изговарят, и на седемте езика. Аудиото започва да се връща още преди цялото изречение да е синтезирано и тръгва за около 0.1 s.
Запишете кратка проба и Ses създава персонализиран глас, който можете да използвате наред с 22-та вградени. Всеки клонинг минава проверка с четене и изисква съгласието на говорителя. Записът се използва за създаване на гласа и след това се изтрива; запазва се само самият глас.
Клонирайте глас в конзолатаВсяка система се оценява по един и същ начин върху публични тестови набори, с нормализирани числа и формати. По-ниският процент грешни думи е по-добър.
| Език | Процент грешни думи | Точност на думите |
|---|---|---|
| Türkçe | 3.42% | 96.58% |
| English | 6.44% | 93.56% |
| Deutsch | 6.46% | 93.54% |
| Français | 6.70% | 93.30% |
| Español | 3.68% | 96.32% |
| Italiano | 3.34% | 96.66% |
| Русский | 5.61% | 94.39% |
| Език | Процент грешни думи | Точност на думите |
|---|---|---|
| Türkçe | 3.38% | 96.62% |
| English | 1.29% | 98.71% |
| Deutsch | 3.62% | 96.38% |
| Français | 4.41% | 95.59% |
| Español | 2.53% | 97.47% |
| Italiano | 3.36% | 96.64% |
| Русский | 5.04% | 94.96% |
Турският е измерен и върху телефонни разговори и излъчвания. Методите, всички тествани системи и пълните графики са на страницата с бенчмаркове. Всички бенчмаркове →
Изпробвайте гласове, транскрибирайте, клонирайте и управлявайте ключове, без да пишете код. И вие решавате колко дълго се пази всичко.
Вградените гласове и вашите собствени. Чуйте всеки от тях, преди да го използвате.
Въведете текст, изберете глас и го чуйте да започва за около 0.1 s. Изтегляне като mp3, wav, flac и други.
Качете файл или линк, запишете или говорете на живо и гледайте как думите се появяват, докато говорите.
Премахнете фоновите гласове и шума от запис; сравнете преди и след.
Глас от 10–30 секунди реч, с проверка с четене и съгласието на говорителя.
Ключове за вашите сървъри, код за бърз старт за всеки регион и колко сте изразходвали.
Не е необходим Mihu SDK и нищо не работи от ваша страна. Разговорите на живо предават аудио през WebSocket; файловете и синтезът използват обикновен HTTPS. Изборът на регион променя само хоста.
import asyncio, json, websockets
URL = "wss://stt.eu.mihu.ai/v1/stream?model=umay-stream&language=tr&api_key=KEY"
async def transcribe(chunks): # 100 ms of 16 kHz mono int16 PCM
async with websockets.connect(URL, max_size=None) as ws:
async def read():
async for m in ws:
d = json.loads(m)
if d["type"] == "final":
print(d["text"]) # send this to your LLM
reader = asyncio.create_task(read())
for chunk in chunks:
await ws.send(chunk)
await ws.send(json.dumps({"event": "end"}))
await reader
Потоците на живо се обработват в паметта и никога не се записват на диск. Файлът се пази само докато се транскрибира.
Резултатите от API се връщат на вас, а не се пазят. В конзолата вие избирате колко дълго остават транскрипциите — от изобщо не до 3 години.
Гласовите записи никога не се съхраняват. Пази се само числов подпис и само ако го поискате; той може да бъде изтрит окончателно.
Цени по ценоразпис в евро. Опциите се таксуват отделно и само когато ги използвате. Файловете и потоците на живо струват еднакво.
| Натоварване | Обем | Цена |
|---|---|---|
| Транскрипция на 10,000 разговора по 3 минути | 500 часа аудио | €45.00 |
| Озвучаване на 10,000 отговора по 200 символа | 2 милиона символа | €20.00 |
| Транскрипция на 1,000 часа записи | 1,000 часа аудио | €90.00 |
| 10,000 разговора по 3 минути с диаризация на говорителите | 500 часа + 10,000 разговора | €145.00 |
Работите on-prem или с по-голям обем? Свържете се с търговския екип →
Чуйте гласовете, транскрибирайте разговор в конзолата или вземете API ключ и изпратете първото си аудио за минути.