# Mihu Voice — реч в текст и текст в реч за живи разговори | Mihu AI

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.

Чуйте гласовете (https://voice.mihu.ai/bg#voices) Вземете API ключ (https://voice.mihu.ai/console/keys)

~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

PARTIAL “Hi, I’d like to check my ord…” en · 0.44 s after speech starts

FINAL “Hi, I’d like to check my order status.” en · 79 ms after end of speech

S2 · FEMALE “It will be at your door tomorrow morning.” diarized · confidence 96%

FINAL “Can you send me the tracking link?” en · final text

Live call 16 kHz PCM, 100 ms frames, one socket. FINAL ~80 MS

WebSocket · live stream

REST · audio files

8 kHz phone audio

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.

Транскрипция на файлове Аудиофайл в текст. Най-точният избор за записи. model=umay

Транскрипция на живо Текст, докато човекът говори. За гласови агенти и разговори. model=umay-stream

Асинхронни задачи Резултатът пристига на вашия webhook. За дълги записи. webhook_url

Форматиране на числа и текст Изговорените думи в писмена форма. Включено по подразбиране. normalize

Подсказки Дава предимство на имената на клиенти и местните места, които зададете. hints, hint_context

Езиков модел Допълнителни езикови знания за файлове с чиста четена реч. mode=normal

Разпознаване на пол Пол на всеки говорител, с ниво на увереност. За маршрутизиране, анализи и обръщение. gender_detection

Диаризация Кой какво е казал, когато говорят двама или повече души. diarize

Заключване на говорител Само един човек се превръща в текст, дори когато някой говори наблизо. speaker_lock

Изолиране на глас Премахва другите гласове преди разпознаването. voice_isolation

Референтни гласови отпечатъци Следва познат човек от първата секунда, дори ако първо говори някой друг. reference_voiceprint

Верификация на говорител Това ли е съхраненият човек? Помощна проверка по време на разговор. POST /v1/voiceprints/verify

Изолиране на аудио Връща записа без други гласове и шум. За архиви и споделяне. POST /v1/audio/isolation

Aa Smart formatting “one thousand two hundred fifty dollars” → $1,250 ITN

Aa Dates and times “March third at four thirty” → 3 March, 16:30 ITN

⌕ Place-name boost Built-in lists + your own hotwords HOTWORDS

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 (https://voice.mihu.ai/console)

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

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%

Текст в реч · Ses · прочетено обратно от Whisper large-v3 при 8 kHz

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%

Ses · време до първия звук, на CPU

TR 0.10 s

EN 0.11 s

DE 0.11 s

FR 0.15 s

ES 0.12 s

IT 0.13 s

RU 0.31 s

Турският е измерен и върху телефонни разговори и излъчвания. Методите, всички тествани системи и пълните графики са на страницата с бенчмаркове. Всички бенчмаркове → (https://voice.mihu.ai/bg/benchmarks)

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

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 → (https://mihu.ai/bg/contact)

## Дайте на продукта си глас и уши.

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

Вземете API ключ (https://voice.mihu.ai/console/keys) Прочетете документацията (https://developers.mihu.ai/stt/introduction)
