# Mihu Voice — Speech-to-Text und Text-to-Speech für Anrufe | Mihu AI

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.

Stimmen testen (https://voice.mihu.ai/de#voices) API-Schlüssel erhalten (https://voice.mihu.ai/console/keys)

~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

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

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.

Dateitranskription Audiodatei zu Text. Die genaueste Wahl für Aufzeichnungen. model=umay

Live-Transkription Text, während die Person spricht. Für Sprachagenten und Anrufe. model=umay-stream

Asynchrone Jobs Das Ergebnis kommt an Ihrem Webhook an. Für lange Aufzeichnungen. webhook_url

Zahlen- und Textformatierung Gesprochenes in Schriftform. Standardmäßig aktiv. normalize

Hinweise Bevorzugt die Kundennamen und Ortsnamen, die Sie vorgeben. hints, hint_context

Sprachmodell Zusätzliches Sprachwissen für Dateien mit sauber gelesener Sprache. mode=normal

Geschlechtserkennung Geschlecht jedes Sprechers, mit Konfidenz. Für Routing, Analysen und die richtige Anrede. gender_detection

Diarisierung Wer was gesagt hat, wenn zwei oder mehr Personen sprechen. diarize

Sprecherfixierung Nur eine Person wird zu Text, auch wenn jemand in der Nähe spricht. speaker_lock

Stimmisolierung Entfernt andere Stimmen vor der Erkennung. voice_isolation

Referenz-Stimmabdrücke Folgt einer bekannten Person ab der ersten Sekunde, auch wenn jemand anderes zuerst spricht. reference_voiceprint

Sprecherverifizierung Ist das die gespeicherte Person? Eine Hilfsprüfung während des Anrufs. POST /v1/voiceprints/verify

Audioisolierung Liefert die Aufnahme ohne andere Stimmen und Störgeräusche zurück. Für Archive und zum Teilen. 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

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

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

Sprache

Wortfehlerrate

Wortgenauigkeit

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%

Text-to-Speech · Ses · zurückgelesen von Whisper large-v3 bei 8 kHz

Sprache

Wortfehlerrate

Wortgenauigkeit

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 · Zeit bis zum ersten Audio, auf 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

Türkisch wird zusätzlich auf Telefonaten und Rundfunkaufnahmen gemessen. Methoden, alle getesteten Systeme und die vollständigen Diagramme finden Sie auf der Benchmark-Seite. Alle Benchmarks → (https://voice.mihu.ai/de/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

Workload

Volumen

Kosten

10,000 Anrufe à 3 Minuten transkribieren

500 Stunden Audio

€45.00

10,000 Antworten à 200 Zeichen vertonen

2 Millionen Zeichen

€20.00

1,000 Stunden Aufzeichnungen transkribieren

1,000 Stunden Audio

€90.00

10,000 Anrufe à 3 Minuten mit Sprecher-Diarisierung

500 Stunden + 10,000 Gespräche

€145.00

On-Premise-Betrieb oder höheres Volumen? Vertrieb kontaktieren → (https://mihu.ai/de/contact)

## 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.

API-Schlüssel erhalten (https://voice.mihu.ai/console/keys) Dokumentation lesen (https://developers.mihu.ai/stt/introduction)
