Mihu Voice · Neu

Stimmen, die menschlich klingen. Transkripte, während gesprochen wird.

Mihu Voice ist unser eigener Sprach-Stack, gebaut für Live-Anrufe: Umay wandelt Sprache in Text um, während der Anrufer noch spricht, und Ses verwandelt Text in natürliche Sprache in sieben Sprachen. Eine API, gehostet in Europa oder der Türkei oder auf Ihren eigenen Servern.

~80 ms
Finaler Text, nachdem der Anrufer aufhört zu sprechen
7
Sprachen, Speech-to-Text und Text-to-Speech
10–30 s
Sprache genügen zum Klonen einer Stimme
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.
Zwei Modelle, eine API

Ohren und Stimme jedes Mihu Agenten, jetzt offen für Ihr Produkt.

mihu-umay-v1 für Speech-to-Text und mihu-ses-v1 für Text-to-Speech laufen hinter einem API-Schlüssel, über REST und WebSocket. Beide antworten in jeder Region gleich und funktionieren mit den offiziellen OpenAI SDKs, wenn Sie nur die Base-URL ändern.

Umay
Speech-to-Text, live und für Dateien
Ses
Text-to-Speech, gestreamt
Sprachen
TR, EN, DE, FR, IT, RU, ES
Betrieb
Europa, Türkei oder On-Premise
Umay · Speech-to-Text

Der Text erscheint, während der Anrufer noch spricht.

Teiltext wird gestreamt, während die Person spricht. Der finale Satz steht etwa 80 ms nach dem Sprechende bereit, schneller als ein Wimpernschlag, sodass Ihr Agent ohne Pause antworten kann.

Bei türkischer gelesener Sprache erreicht Umay eine Wortfehlerrate von 3.42%, die niedrigste von neun getesteten Systemen. Im reinen Türkisch-Modus verarbeitet ein Server bis zu 256 Live-Anrufe.

  • Live-Anrufe über WebSocket: 16 kHz PCM in Frames von 100 ms, ein Socket
  • Dateien in allen gängigen Formaten über REST, im schnellen Modus 19.5× schneller als Echtzeit
  • Telefonaudio mit 8 kHz wird unterstützt
Teil- und Endtext in einem Live-Anruf, Sprecher werden beim Sprechen markiert.

Alles, was Umay kann

Sprecheroptionen werden pro Anfrage aktiviert; deaktiviert bedeutet keine zusätzliche Latenz.

Intelligente Formatierung und Ortsnamen

Beträge, Daten und Adressen kommen so heraus, wie ein CRM sie erwartet.

Beträge, Daten und Kennzeichen werden als Zahlen geschrieben, was nur etwa 6 ms kostet. Eingebaute Listen von Bezirken und Stadtteilen sowie Ihre eigenen Hotwords steigern die Genauigkeit bei Ortsnamen im Live-Betrieb um 3 bis 8 Punkte.

1.68%Wortfehlerrate bei 500 gesprochenen Adressen, 8 kHz, mit Ortshinweisen
97.2%der Adresssätze vollständig korrekt mit Ortshinweisen
Ses · Text-to-Speech

Eine Stimme, die klingt wie von hier.

Ses liest Adressen, Ortsnamen, Beträge, Daten, Kennzeichen und Telefonnummern so, wie Menschen sie aussprechen, in allen sieben Sprachen. Das Audio wird gestreamt, bevor der ganze Satz synthetisiert ist, und beginnt nach etwa 0.1 s.

  • 22 integrierte Stimmen in 7 Sprachen, plus Ihre eigenen
  • Audio mit 24 kHz als pcm, wav, mp3, opus, aac oder flac
  • Barge-in: Das Schließen der Verbindung stoppt die Sprachausgabe, sobald der Anrufer spricht
  • Optional Generate-and-Verify für Türkisch sowie Wortbetonung für Russisch
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.
Eine Anfrage, in jeder Sprache korrekt gelesen und gestreamt, während sie erzeugt wird.
Voice Cloning

Ihre eigene Stimme aus 10–30 Sekunden Sprache.

Nehmen Sie eine kurze Probe auf, und Ses erstellt eine eigene Stimme, die Sie neben den 22 integrierten nutzen können. Jeder Klon durchläuft eine Leseprüfung und erfordert die Einwilligung des Sprechers. Die Aufnahme dient nur zum Erstellen der Stimme und wird danach verworfen; gespeichert wird nur die Stimme selbst.

Stimme in der Konsole klonen
Benchmarks · November 2026

Genauigkeit in allen 7 Sprachen.

Jedes System wird auf öffentlichen Testsets gleich bewertet, Zahlen und Formate normalisiert. Niedrigere Wortfehlerrate ist besser.

Speech-to-Text · Umay · FLEURS, sauberes Audio
SpracheWortfehlerrateWortgenauigkeit
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%
Text-to-Speech · Ses · zurückgelesen von Whisper large-v3 bei 8 kHz
SpracheWortfehlerrateWortgenauigkeit
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 · Zeit bis zum ersten Audio, auf CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

Türkisch wird zusätzlich auf Telefonaten und Rundfunkaufnahmen gemessen. Methoden, alle getesteten Systeme und die vollständigen Diagramme finden Sie auf der Benchmark-Seite. Alle Benchmarks →

Die Konsole

Alles, was die API kann, im Browser.

Stimmen testen, transkribieren, klonen und Schlüssel verwalten, ohne Code zu schreiben. Und Sie entscheiden, wie lange etwas gespeichert bleibt.

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.
Stimmen: die 22 integrierten Stimmen und Ihre eigenen, mit Abkürzungen zum Klonen, Sprechen, Transkribieren und zu den Schlüsseln.
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.
Text-to-Speech: Text eingeben, Stimme und Tempo wählen, Aussprache prüfen und herunterladen.

Stimmen

Die integrierten Stimmen und Ihre eigenen. Hören Sie sich jede an, bevor Sie sie verwenden.

Text-to-Speech

Text eingeben, Stimme wählen und nach etwa 0.1 s hören. Download als mp3, wav, flac und mehr.

Speech-to-Text

Datei oder Link hochladen, aufnehmen oder live gehen und zusehen, wie die Wörter beim Sprechen erscheinen.

Voice Isolator

Hintergrundstimmen und Störgeräusche aus einer Aufnahme entfernen; vorher und nachher vergleichen.

Stimme klonen

Eine Stimme aus 10–30 Sekunden Sprache, mit Leseprüfung und Einwilligung des Sprechers.

API-Schlüssel und Nutzung

Schlüssel für Ihre Server, Schnellstart-Code pro Region und Ihre bisherigen Ausgaben.

Integration

Passt in das Contact Center, das Sie bereits betreiben.

Es ist kein Mihu SDK nötig, und auf Ihrer Seite läuft nichts. Live-Anrufe streamen Audio über einen WebSocket; Dateien und Synthese nutzen einfaches HTTPS. Die Wahl der Region ändert nur den Host.

  • Europa: stt.eu.mihu.ai und tts.eu.mihu.ai
  • Türkei: stt.tr.mihu.ai und tts.tr.mihu.ai, Daten bleiben im Land (KVKK)
  • Auf Ihren eigenen Servern: Docker auf CPU, offline, ohne GPU und ohne Internet
  • Offizielle OpenAI SDKs funktionieren durch Ändern der Base-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

Datenschutz: KVKK und GDPR

Audio wird nicht gespeichert

Live-Streams werden im Arbeitsspeicher verarbeitet und nie auf die Festplatte geschrieben. Eine Datei wird nur während der Transkription vorgehalten.

Transkripte werden nicht protokolliert

API-Ergebnisse werden an Sie zurückgegeben, nicht aufbewahrt. In der Konsole wählen Sie, wie lange Transkripte gespeichert bleiben, von gar nicht bis 3 Jahre.

Stimmabdrücke nur mit Einwilligung

Sprachaufnahmen werden nie gespeichert. Nur eine numerische Signatur wird aufbewahrt, und nur, wenn Sie es wünschen; sie kann endgültig gelöscht werden.

Preise

Sie zahlen für das gesendete Audio und die gesprochenen Zeichen.

Listenpreise in Euro. Optionen werden separat abgerechnet, nur wenn Sie sie nutzen. Dateien und Live-Streams kosten gleich viel.

Speech-to-Text · mihu-umay-v1
€0.09 pro Stunde Audio
€0.0015 pro Minute Audio
Text-to-Speech · mihu-ses-v1
€10 pro Million Zeichen
€0.01 pro tausend Zeichen
Speech-to-Text-Optionen
€0.01 je Option
Pro Gespräch: Stimmisolierung, Diarisierung, Sprecherfixierung, Geschlechtserkennung. Pro Anfrage: Stimmabdrücke, Sprecherverifizierung.
Was typische Workloads zum Listenpreis kosten
WorkloadVolumenKosten
10,000 Anrufe à 3 Minuten transkribieren500 Stunden Audio€45.00
10,000 Antworten à 200 Zeichen vertonen2 Millionen Zeichen€20.00
1,000 Stunden Aufzeichnungen transkribieren1,000 Stunden Audio€90.00
10,000 Anrufe à 3 Minuten mit Sprecher-Diarisierung500 Stunden + 10,000 Gespräche€145.00

On-Premise-Betrieb oder höheres Volumen? Vertrieb kontaktieren →

Geben Sie Ihrem Produkt Stimme und Ohren.

Hören Sie sich die Stimmen an, transkribieren Sie einen Anruf in der Konsole oder holen Sie sich einen API-Schlüssel und streamen Sie Ihr erstes Audio in wenigen Minuten.