# Mihu Voice — Voz a texto y texto a voz para llamadas | Mihu AI

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.

Probar las voces (https://voice.mihu.ai/es#voices) Obtener una clave API (https://voice.mihu.ai/console/keys)

~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

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

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.

Transcripción de archivos De archivo de audio a texto. La opción más precisa para grabaciones. model=umay

Transcripción en directo Texto mientras la persona habla. Para agentes de voz y llamadas. model=umay-stream

Trabajos asíncronos El resultado llega a su webhook. Para grabaciones largas. webhook_url

Formato de números y texto Palabras habladas en forma escrita. Activado por defecto. normalize

Pistas Prioriza los nombres de clientes y lugares locales que usted indique. hints, hint_context

Modelo de lenguaje Conocimiento lingüístico adicional en archivos de voz leída y limpia. mode=normal

Detección de género Género de cada hablante, con nivel de confianza. Para enrutamiento, análisis y tratamiento. gender_detection

Diarización Quién dijo qué, cuando hablan dos o más personas. diarize

Bloqueo de hablante Solo una persona se convierte en texto, aunque alguien hable cerca. speaker_lock

Aislamiento de voz Elimina otras voces antes del reconocimiento. voice_isolation

Huellas de voz de referencia Sigue a una persona conocida desde el primer segundo, aunque otra persona hable primero. reference_voiceprint

Verificación de hablante ¿Es la persona registrada? Una comprobación auxiliar durante la llamada. POST /v1/voiceprints/verify

Aislamiento de audio Devuelve la grabación sin otras voces ni ruido. Para archivo y para compartir. 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

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

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

Idioma

Tasa de error de palabras

Precisión de palabras

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%

Texto a voz · Ses · releído por Whisper large-v3 a 8 kHz

Idioma

Tasa de error de palabras

Precisión de palabras

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 · tiempo hasta el primer audio, en 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

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 → (https://voice.mihu.ai/es/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 trabajo

Volumen

Coste

Transcribir 10,000 llamadas de 3 minutos

500 horas de audio

€45.00

Pronunciar 10,000 respuestas de 200 caracteres

2 millones de caracteres

€20.00

Transcribir 1,000 horas de grabaciones

1,000 horas de audio

€90.00

10,000 llamadas de 3 minutos con diarización de hablantes

500 horas + 10,000 conversaciones

€145.00

¿On-premise o mayor volumen? Hablar con Ventas → (https://mihu.ai/es/contact)

## 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.

Obtener una clave API (https://voice.mihu.ai/console/keys) Leer la documentación (https://developers.mihu.ai/stt/introduction)
