Mihu Voice · Ново

Гласове, които звучат човешки. Текст, докато хората говорят.

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.

~80 ms
Финален текст, след като обаждащият се спре да говори
7
Езика, реч в текст и текст в реч
10–30 s
реч за клониране на глас
The Mihu Voice library: voice orbs to choose from, the English female voice Emily selected, scenario chips such as order status and appointment, and her greeting ready to play.
Два модела, един API

Ушите и гласът на всеки агент на Mihu, вече достъпни за вашия продукт.

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.

Umay
Реч в текст, на живо и от файлове
Ses
Текст в реч, поточно
Езици
TR, EN, DE, FR, IT, RU, ES
Къде работи
Европа, Турция или on-prem
Umay · реч в текст

Текстът се появява, докато обаждащият се още говори.

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.

  • Разговори на живо през WebSocket: 16 kHz PCM на кадри по 100 ms, един сокет
  • Файлове във всеки разпространен формат през REST, 19.5× по-бързо от реалното време в бърз режим
  • Поддържа телефонно аудио 8 kHz
Частичен и финален текст при разговор на живо, с отбелязани говорители, докато говорят.

Всичко, което Umay може

Опциите за говорителите се включват за всяка заявка; изключени, те не добавят латентност.

Интелигентно форматиране и имена на места

Сумите, датите и адресите излизат така, както ги очаква CRM системата.

Сумите, 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.

1.68%честота на грешките в думите при 500 изговорени адреса, 8 kHz, с подсказки за места
97.2%от адресните изречения са изцяло верни с подсказки за места
Ses · текст в реч

Реч, която звучи местно.

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.

  • 22 вградени гласа на 7 езика, плюс вашите собствени
  • 24 kHz аудио като pcm, wav, mp3, opus, aac или flac
  • Barge-in: затварянето на връзката спира речта в момента, в който обаждащият се заговори
  • По избор: генериране с проверка за турски и ударения за руски
Smart reading: ‘17 Oak St, Apt 4’ read as seventeen Oak Street, apartment four in English, ‘16:30’ as las cuatro y media in Spanish, and a Turkish door number, with 24 kHz streaming audio out.
Една заявка, прочетена правилно на всеки език и предавана поточно, докато се генерира.
Клониране на глас

Вашият собствен глас от 10–30 секунди реч.

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 конзолата
Бенчмаркове · ноември 2026

Точност и на 7-те езика.

Всяка 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.

Реч в текст · Umay · FLEURS, чисто аудио
ЕзикПроцент грешни думиТочност на думите
Türkçe3.42%96.58%
English6.44%93.56%
Deutsch6.46%93.54%
Français6.70%93.30%
Español3.68%96.32%
Italiano3.34%96.66%
Русский5.61%94.39%
Текст в реч · Ses · прочетено обратно от Whisper large-v3 при 8 kHz
ЕзикПроцент грешни думиТочност на думите
Türkçe3.38%96.62%
English1.29%98.71%
Deutsch3.62%96.38%
Français4.41%95.59%
Español2.53%97.47%
Italiano3.36%96.64%
Русский5.04%94.96%
Ses · време до първия звук, на CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

Турският е измерен и върху телефонни разговори и излъчвания. Методите, всички тествани системи и пълните графики са на страницата с бенчмаркове. Всички бенчмаркове →

Конзолата

Всичко, което прави API, в браузъра.

Изпробвайте гласове, транскрибирайте, клонирайте и управлявайте ключове, без да пишете код. И вие решавате колко дълго се пази всичко.

The Mihu Voice console Voices page: shortcuts to clone a voice, text to speech, transcribe a call and API keys, and a searchable list of built-in voices such as Alp, Kaya, Ece and Aysu with language and gender.
Гласове: 22-та вградени гласа и вашите собствени, с преки пътища за клониране, озвучаване, транскрипция и ключове.
The Mihu Voice console Text to Speech page: a Turkish sentence for the voice Alp, character count and price, scenario chips, and settings for speed, natural reading of numbers and dates, pronunciation check, pronunciation dictionary and download format.
Текст в реч: въведете текст, изберете глас и скорост, проверете произношението и изтеглете.

Гласове

Вградените гласове и вашите собствени. Чуйте всеки от тях, преди да го използвате.

Текст в реч

Въведете текст, изберете глас и го чуйте да започва за около 0.1 s. Изтегляне като mp3, wav, flac и други.

Реч в текст

Качете файл или линк, запишете или говорете на живо и гледайте как думите се появяват, докато говорите.

Изолатор на глас

Премахнете фоновите гласове и шума от запис; сравнете преди и след.

Клониране на глас

Глас от 10–30 секунди реч, с проверка с четене и съгласието на говорителя.

API ключове и използване

Ключове за вашите сървъри, код за бърз старт за всеки регион и колко сте изразходвали.

Интеграция

Свързва се с контактния център, който вече използвате.

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.

  • Европа: stt.eu.mihu.ai и tts.eu.mihu.ai
  • Турция: stt.tr.mihu.ai и tts.tr.mihu.ai, данните остават в страната (KVKK)
  • На вашите собствени сървъри: Docker на CPU, офлайн, без нужда от GPU и интернет
  • Официалните OpenAI SDK работят, като смените базовия URL
WS /v1/stream · python
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

Защита на данните: KVKK и GDPR

Аудиото не се съхранява

Потоците на живо се обработват в паметта и никога не се записват на диск. Файлът се пази само докато се транскрибира.

Транскрипциите не се записват в логове

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.

Гласови отпечатъци само със съгласие

Гласовите записи никога не се съхраняват. Пази се само числов подпис и само ако го поискате; той може да бъде изтрит окончателно.

Цени

Плащате за аудиото, което изпращате, и за символите, които озвучавате.

Цени по ценоразпис в евро. Опциите се таксуват отделно и само когато ги използвате. Файловете и потоците на живо струват еднакво.

Реч в текст · mihu-umay-v1
€0.09 на час аудио
€0.0015 на минута аудио
Текст в реч · mihu-ses-v1
€10 на милион символа
€0.01 на хиляда символа
Опции за реч в текст
€0.01 всяка
За разговор: изолиране на глас, диаризация, заключване на говорител, разпознаване на пол. За заявка: гласови отпечатъци, верификация на говорител.
Колко струват типичните натоварвания по ценоразпис
НатоварванеОбемЦена
Транскрипция на 10,000 разговора по 3 минути500 часа аудио€45.00
Озвучаване на 10,000 отговора по 200 символа2 милиона символа€20.00
Транскрипция на 1,000 часа записи1,000 часа аудио€90.00
10,000 разговора по 3 минути с диаризация на говорителите500 часа + 10,000 разговора€145.00

Работите on-prem или с по-голям обем? Свържете се с търговския екип →

Дайте на продукта си глас и уши.

Чуйте гласовете, транскрибирайте разговор в конзолата или вземете API ключ и изпратете първото си аудио за минути.