Mihu Voice je náš vlastní řečový stack vytvořený pro živé hovory: Umay převádí řeč na text, zatímco volající ještě mluví, a Ses mění text v přirozenou řeč v sedmi jazycích. Jedno API, hostované v Evropě nebo Turecku, případně na vašich vlastních serverech.
mihu-umay-v1 pro převod řeči na text a mihu-ses-v1 pro převod textu na řeč fungují pod jedním API klíčem, přes REST a WebSocket. Oba odpovídají stejně v každém regionu a fungují s oficiálními OpenAI SDK, stačí změnit base URL.
Průběžný text přichází, zatímco člověk mluví. Finální věta je hotová asi 80 ms poté, co domluví, rychleji než mrknutí oka, takže váš agent odpoví bez prodlevy.
Na turecké čtené řeči má Umay chybovost slov 3.42%, nejnižší z devíti systémů, které jsme testovali. V režimu jen pro turečtinu zvládne jeden server až 256 živých hovorů.
Možnosti mluvčích se zapínají pro každý požadavek zvlášť; vypnuté nepřidávají žádnou latenci.
model=umaymodel=umay-streamwebhook_urlnormalizehints, hint_contextmode=normalgender_detectiondiarizespeaker_lockvoice_isolationreference_voiceprintPOST /v1/voiceprints/verifyPOST /v1/audio/isolationČástky, data a SPZ se zapisují číslicemi, což přidá asi 6 ms. Vestavěné seznamy okresů a čtvrtí spolu s vašimi vlastními hotwords zvyšují přesnost místních názvů v živých hovorech o 3 až 8 bodů.
Ses čte adresy, místní názvy, částky, data, SPZ a telefonní čísla tak, jak je lidé vyslovují, ve všech sedmi jazycích. Zvuk se streamuje zpět dřív, než je celá věta syntetizována, a začne asi za 0.1 s.
Nahrajte krátkou ukázku a Ses vytvoří vlastní hlas, který můžete používat vedle 22 vestavěných. Každý klon projde kontrolou čtení a vyžaduje souhlas mluvčího. Nahrávka se použije k vytvoření hlasu a pak se smaže; uchová se jen samotný hlas.
Klonovat hlas v konzoliKaždý systém je hodnocen stejně na veřejných testovacích sadách, s normalizací čísel a formátů. Nižší chybovost slov je lepší.
| Jazyk | Chybovost slov | Přesnost slov |
|---|---|---|
| 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% |
| Jazyk | Chybovost slov | Přesnost slov |
|---|---|---|
| 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% |
Turečtina je měřena také na telefonních hovorech a vysílání. Metody, všechny testované systémy a úplné grafy najdete na stránce benchmarků. Všechny benchmarky →
Zkoušejte hlasy, přepisujte, klonujte a spravujte klíče bez psaní kódu. A vy rozhodujete, jak dlouho cokoli zůstane uložené.
Vestavěné hlasy i vaše vlastní. Každý si poslechněte, než ho použijete.
Napište text, vyberte hlas a uslyšíte ho asi za 0.1 s. Stáhněte jako mp3, wav, flac a další.
Nahrajte soubor nebo odkaz, nahrávejte, nebo přejděte na živý přepis a sledujte, jak se slova objevují, zatímco mluvíte.
Odstraňte z nahrávky hlasy v pozadí a šum; porovnejte před a po.
Hlas z 10–30 sekund řeči, s kontrolou čtení a souhlasem mluvčího.
Klíče pro vaše servery, kód pro rychlý start pro každý region a přehled útraty.
Žádné Mihu SDK není potřeba a na vaší straně nic neběží. Živé hovory streamují zvuk přes WebSocket; soubory a syntéza používají obyčejné HTTPS. Volba regionu mění jen host.
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
Živé streamy se zpracovávají v paměti a nikdy se nezapisují na disk. Soubor se uchovává jen po dobu přepisu.
Výsledky API se vracejí vám, neuchovávají se. V konzoli si zvolíte, jak dlouho přepisy zůstanou, od vůbec až po 3 roky.
Hlasové nahrávky se nikdy neukládají. Uchová se jen číselný podpis, a to jen pokud o to požádáte; lze ho trvale smazat.
Ceníkové ceny v eurech. Možnosti se účtují zvlášť, jen když je použijete. Soubory a živé streamy stojí stejně.
| Úloha | Objem | Cena |
|---|---|---|
| Přepis 10,000 hovorů po 3 minutách | 500 hodin zvuku | €45.00 |
| Namluvení 10,000 odpovědí po 200 znacích | 2 miliony znaků | €20.00 |
| Přepis 1,000 hodin nahrávek | 1,000 hodin zvuku | €90.00 |
| 10,000 hovorů po 3 minutách s diarizací mluvčích | 500 hodin + 10,000 konverzací | €145.00 |
Provoz on-premise nebo větší objemy? Kontaktovat obchod →
Poslechněte si hlasy, přepište hovor v konzoli, nebo získejte API klíč a streamujte první zvuk během pár minut.