Mihu Voice · Nuevo

Voces que suenan humanas. Transcripciones mientras se habla.

Mihu Voice es nuestra propia pila de voz, creada para llamadas en directo: Umay convierte la voz en texto mientras el interlocutor aún está hablando, y Ses convierte el texto en voz natural en siete idiomas. Una sola API, alojada en Europa o Turquía, o en sus propios servidores.

~80 ms
Texto final cuando el interlocutor deja de hablar
7
Idiomas, voz a texto y texto a voz
10–30 s
de habla para clonar una voz
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.
Dos modelos, una API

Los oídos y la voz de cada agente de Mihu, ahora abiertos a su producto.

mihu-umay-v1 para voz a texto y mihu-ses-v1 para texto a voz funcionan con una sola clave API, mediante REST y WebSocket. Ambos responden igual en todas las regiones y funcionan con los SDK oficiales de OpenAI cambiando solo la URL base.

Umay
Voz a texto, en directo y archivos
Ses
Texto a voz, en streaming
Idiomas
TR, EN, DE, FR, IT, RU, ES
Dónde se ejecuta
Europa, Turquía u on-premise
Umay · voz a texto

El texto aparece mientras el interlocutor aún está hablando.

El texto parcial llega en streaming mientras la persona habla. La frase final está lista unos 80 ms después de que deje de hablar, más rápido que un parpadeo, para que su agente responda sin pausas.

En voz leída en turco, Umay tiene una tasa de error de palabras del 3.42%, la más baja de los nueve sistemas que probamos. En modo solo turco, un servidor gestiona hasta 256 llamadas en directo.

  • Llamadas en directo por WebSocket: PCM a 16 kHz en tramas de 100 ms, un solo socket
  • Archivos en cualquier formato habitual por REST, 19.5× más rápido que el tiempo real en modo rápido
  • Compatible con audio telefónico de 8 kHz
Texto parcial y final en una llamada en directo, con los hablantes etiquetados mientras hablan.

Todo lo que puede hacer Umay

Las opciones de hablante se activan por solicitud; desactivadas no añaden latencia.

Formato inteligente y nombres de lugares

Importes, fechas y direcciones salen tal como los espera un CRM.

Importes, fechas y matrículas se escriben como números, con solo unos 6 ms adicionales. Las listas integradas de distritos y barrios, junto con sus propias palabras clave, mejoran entre 3 y 8 puntos la precisión de los nombres de lugares en directo.

1.68%tasa de error de palabras en 500 direcciones habladas, 8 kHz, con pistas de lugar
97.2%de frases de dirección totalmente correctas con pistas de lugar
Ses · texto a voz

Una voz que suena local.

Ses lee direcciones, nombres de lugares, importes, fechas, matrículas y números de teléfono como los dice la gente, en los siete idiomas. El audio llega en streaming antes de que se sintetice la frase completa y empieza en unos 0.1 s.

  • 22 voces integradas en 7 idiomas, más las suyas
  • Audio a 24 kHz en pcm, wav, mp3, opus, aac o flac
  • Barge-in: cerrar la conexión detiene la voz en cuanto habla el interlocutor
  • Generación con verificación opcional para turco y acentuación para ruso
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.
Una solicitud, leída correctamente en cada idioma y transmitida a medida que se genera.
Clonación de voz

Su propia voz a partir de 10–30 segundos de habla.

Grabe una muestra breve y Ses crea una voz personalizada que puede usar junto a las 22 integradas. Cada clon pasa una comprobación de lectura y requiere el consentimiento del hablante. La grabación se usa para crear la voz y después se descarta; solo se conserva la voz.

Clonar una voz en la consola
Benchmarks · noviembre de 2026

Precisión en los 7 idiomas.

Cada sistema se evalúa igual en conjuntos de prueba públicos, con números y formatos normalizados. Una tasa de error de palabras más baja es mejor.

Voz a texto · Umay · FLEURS, audio limpio
IdiomaTasa de error de palabrasPrecisión de palabras
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%
Texto a voz · Ses · releído por Whisper large-v3 a 8 kHz
IdiomaTasa de error de palabrasPrecisión de palabras
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 · tiempo hasta el primer audio, en CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

El turco también se mide en llamadas telefónicas y medios de difusión. Los métodos, todos los sistemas probados y los gráficos completos están en la página de benchmarks. Todos los benchmarks →

La consola

Todo lo que hace la API, en el navegador.

Pruebe voces, transcriba, clone y gestione claves sin escribir código. Y usted decide cuánto tiempo se conserva cada cosa.

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.
Voces: las 22 voces integradas y las suyas, con accesos directos para clonar, hablar, transcribir y obtener claves.
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.
Texto a voz: escriba, elija voz y velocidad, compruebe la pronunciación y descargue.

Voces

Las voces integradas y las suyas. Escuche cualquiera antes de usarla.

Texto a voz

Escriba, elija una voz y escúchela empezar en unos 0.1 s. Descargue en mp3, wav, flac y más.

Voz a texto

Suba un archivo o un enlace, grabe o pase a directo y vea aparecer las palabras mientras habla.

Aislador de voz

Elimine voces de fondo y ruido de una grabación; compare el antes y el después.

Clonar voz

Una voz a partir de 10–30 segundos de habla, con comprobación de lectura y consentimiento del hablante.

Claves API y uso

Claves para sus servidores, código de inicio rápido por región y lo que lleva gastado.

Integración

Se conecta al contact center que ya utiliza.

No necesita ningún SDK de Mihu y no se ejecuta nada de su lado. Las llamadas en directo transmiten audio por un WebSocket; los archivos y la síntesis usan HTTPS estándar. Elegir una región solo cambia el host.

  • Europa: stt.eu.mihu.ai y tts.eu.mihu.ai
  • Turquía: stt.tr.mihu.ai y tts.tr.mihu.ai, los datos permanecen en el país (KVKK)
  • En sus propios servidores: Docker en CPU, sin conexión, sin GPU ni internet
  • Los SDK oficiales de OpenAI funcionan cambiando la URL base
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

Protección de datos: KVKK y GDPR

El audio no se almacena

Los streams en directo se procesan en memoria y nunca se escriben en disco. Un archivo solo se conserva mientras se transcribe.

Las transcripciones no se registran

Los resultados de la API se le devuelven, no se guardan. En la consola usted elige cuánto tiempo se conservan las transcripciones, desde nada hasta 3 años.

Huellas de voz con consentimiento

Las grabaciones de voz nunca se almacenan. Solo se guarda una firma numérica, y solo si usted lo solicita; se puede eliminar de forma definitiva.

Precios

Pague por el audio que envía y los caracteres que se pronuncian.

Precios de lista en euros. Las opciones se facturan aparte, solo cuando las usa. Archivos y streams en directo cuestan lo mismo.

Voz a texto · mihu-umay-v1
€0.09 por hora de audio
€0.0015 por minuto de audio
Texto a voz · mihu-ses-v1
€10 por millón de caracteres
€0.01 por mil caracteres
Opciones de voz a texto
€0.01 cada una
Por conversación: aislamiento de voz, diarización, bloqueo de hablante, detección de género. Por solicitud: huellas de voz, verificación de hablante.
Lo que cuestan cargas de trabajo típicas a precio de lista
Carga de trabajoVolumenCoste
Transcribir 10,000 llamadas de 3 minutos500 horas de audio€45.00
Pronunciar 10,000 respuestas de 200 caracteres2 millones de caracteres€20.00
Transcribir 1,000 horas de grabaciones1,000 horas de audio€90.00
10,000 llamadas de 3 minutos con diarización de hablantes500 horas + 10,000 conversaciones€145.00

¿On-premise o mayor volumen? Hablar con Ventas →

Dé a su producto voz y oídos.

Escuche las voces, transcriba una llamada en la consola u obtenga una clave API y transmita su primer audio en minutos.