# Mihu Voice — Reconnaissance et synthèse vocales pour appels | Mihu AI

Mihu Voice · Nouveau

# Des voix qui sonnent humain. Des transcriptions au fil de la parole.

Mihu Voice est notre propre pile vocale, conçue pour les appels en direct : Umay transforme la parole en texte pendant que l'appelant parle encore, et Ses transforme le texte en parole naturelle dans sept langues. Une seule API, hébergée en Europe ou en Turquie, ou sur vos propres serveurs.

Essayer les voix (https://voice.mihu.ai/fr#voices) Obtenir une clé API (https://voice.mihu.ai/console/keys)

~80 ms

Texte final après que l'appelant a fini de parler

7

Langues, reconnaissance et synthèse vocale

10–30 s

de parole pour cloner une voix

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.

Deux modèles, une API

## Les oreilles et la voix de chaque agent Mihu, désormais ouvertes à votre produit.

mihu-umay-v1 pour la reconnaissance vocale et mihu-ses-v1 pour la synthèse vocale sont accessibles avec une seule clé API, via REST et WebSocket. Les deux répondent de la même façon dans chaque région et fonctionnent avec les SDK officiels d'OpenAI en changeant simplement l'URL de base.

Umay

Reconnaissance vocale, en direct et sur fichiers

Ses

Synthèse vocale, en streaming

Langues

TR, EN, DE, FR, IT, RU, ES

Où il s'exécute

Europe, Turquie ou on-premise

Umay · reconnaissance vocale

## Le texte apparaît pendant que l'appelant parle encore.

Le texte partiel arrive en continu pendant que la personne parle. La phrase finale est prête environ 80 ms après qu'elle s'arrête, plus vite qu'un clignement d'œil, pour que votre agent réponde sans pause.

Sur la parole lue en turc, Umay atteint un taux d'erreur de mots de 3.42%, le plus bas des neuf systèmes que nous avons testés. En mode turc uniquement, un serveur gère jusqu'à 256 appels en direct.

Appels en direct via WebSocket : PCM 16 kHz en trames de 100 ms, un seul socket

Fichiers dans tous les formats courants via REST, 19.5× plus rapide que le temps réel en mode rapide

Audio téléphonique 8 kHz pris en charge

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

Texte partiel et final sur un appel en direct, avec les locuteurs identifiés au fil de la conversation.

### Tout ce que fait Umay

Les options de locuteur s'activent par requête ; désactivées, elles n'ajoutent aucune latence.

Transcription de fichiers D'un fichier audio au texte. Le choix le plus précis pour les enregistrements. model=umay

Transcription en direct Le texte pendant que la personne parle. Pour les agents vocaux et les appels. model=umay-stream

Tâches asynchrones Le résultat arrive sur votre webhook. Pour les longs enregistrements. webhook_url

Formatage des nombres et du texte Les mots prononcés sous forme écrite. Activé par défaut. normalize

Indices Favorise les noms de clients et les lieux locaux que vous fournissez. hints, hint_context

Modèle de langage Connaissance linguistique supplémentaire pour les fichiers de parole lue et nette. mode=normal

Détection du genre Le genre de chaque locuteur, avec un indice de confiance. Pour le routage, l'analytique et la formule d'adresse. gender_detection

Diarisation Qui a dit quoi, quand deux personnes ou plus parlent. diarize

Verrouillage du locuteur Une seule personne est transcrite, même si quelqu'un parle à proximité. speaker_lock

Isolation de la voix Supprime les autres voix avant la reconnaissance. voice_isolation

Empreintes vocales de référence Suit une personne connue dès la première seconde, même si quelqu'un d'autre parle en premier. reference_voiceprint

Vérification du locuteur Est-ce bien la personne enregistrée ? Une vérification d'appoint pendant un appel. POST /v1/voiceprints/verify

Isolation audio Renvoie l'enregistrement sans les autres voix ni le bruit. Pour l'archivage et le partage. 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

Formatage intelligent et noms de lieux

## Montants, dates et adresses sortent au format attendu par un CRM.

Les montants, dates et plaques d'immatriculation sont écrits en chiffres, pour environ 6 ms de plus. Des listes intégrées de districts et de quartiers, plus vos propres mots-clés, améliorent de 3 à 8 points la précision des noms de lieux en direct.

1.68% taux d'erreur de mots sur 500 adresses prononcées, 8 kHz, avec indices de lieux

97.2% des phrases d'adresse entièrement correctes avec indices de lieux

Ses · synthèse vocale

## Une voix qui sonne locale.

Ses lit les adresses, noms de lieux, montants, dates, plaques et numéros de téléphone comme les gens les prononcent, dans les sept langues. L'audio est diffusé avant que la phrase entière soit synthétisée et démarre en 0.1 s environ.

22 voix intégrées dans 7 langues, plus les vôtres

Audio 24 kHz en pcm, wav, mp3, opus, aac ou flac

Barge-in : fermer la connexion coupe la parole dès que l'appelant parle

Génération avec vérification en option pour le turc, et accent tonique pour le russe

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. Une requête, lue correctement dans chaque langue, diffusée au fur et à mesure de sa génération.

Clonage vocal

## Votre propre voix à partir de 10–30 secondes de parole.

Enregistrez un court échantillon et Ses crée une voix personnalisée, utilisable à côté des 22 voix intégrées. Chaque clone passe par une vérification de lecture et nécessite le consentement du locuteur. L'enregistrement sert à créer la voix puis est supprimé ; seule la voix elle-même est conservée.

Cloner une voix dans la console (https://voice.mihu.ai/console)

Benchmarks · novembre 2026

## La précision dans les 7 langues.

Chaque système est évalué de la même façon sur des jeux de test publics, nombres et formats normalisés. Un taux d’erreur de mots plus bas est meilleur.

Reconnaissance vocale · Umay · FLEURS, audio propre

Langue

Taux d’erreur de mots

Précision des mots

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%

Synthèse vocale · Ses · relue par Whisper large-v3 à 8 kHz

Langue

Taux d’erreur de mots

Précision des mots

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 · délai avant le premier son, sur 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

Le turc est aussi mesuré sur des appels téléphoniques et des médias diffusés. Méthodes, systèmes testés et graphiques complets sur la page des benchmarks. Tous les benchmarks → (https://voice.mihu.ai/fr/benchmarks)

La console

## Tout ce que fait l'API, dans le navigateur.

Essayez les voix, transcrivez, clonez et gérez vos clés sans écrire de code. Et c'est vous qui décidez combien de temps les données sont conservées.

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. Voix : les 22 voix intégrées et les vôtres, avec des raccourcis pour cloner, faire parler, transcrire et obtenir des clés.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. Synthèse vocale : saisissez un texte, choisissez une voix et une vitesse, vérifiez la prononciation et téléchargez.

### Voix

Les voix intégrées et les vôtres. Écoutez chacune avant de l'utiliser.

### Synthèse vocale

Saisissez, choisissez une voix et entendez-la démarrer en 0.1 s environ. Téléchargement en mp3, wav, flac et plus.

### Reconnaissance vocale

Importez un fichier ou un lien, enregistrez, ou passez en direct et voyez les mots apparaître pendant que vous parlez.

### Isolateur de voix

Supprimez les voix de fond et le bruit d'un enregistrement ; comparez avant et après.

### Cloner une voix

Une voix à partir de 10–30 secondes de parole, avec vérification de lecture et consentement du locuteur.

### Clés API et consommation

Des clés pour vos serveurs, du code de démarrage rapide par région et vos dépenses.

Intégration

## S'intègre au centre de contact que vous utilisez déjà.

Aucun SDK Mihu n'est requis et rien ne s'exécute de votre côté. Les appels en direct envoient l'audio via un WebSocket ; les fichiers et la synthèse utilisent simplement HTTPS. Choisir une région ne change que l'hôte.

Europe : stt.eu.mihu.ai et tts.eu.mihu.ai

Turquie : stt.tr.mihu.ai et tts.tr.mihu.ai, les données restent dans le pays (KVKK)

Sur vos propres serveurs : Docker sur CPU, hors ligne, sans GPU ni connexion internet

Les SDK officiels d'OpenAI fonctionnent en changeant l'URL de 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

### Protection des données : KVKK et GDPR

### L'audio n'est pas stocké

Les flux en direct sont traités en mémoire et jamais écrits sur disque. Un fichier n'est conservé que le temps de sa transcription.

### Les transcriptions ne sont pas journalisées

Les résultats de l'API vous sont renvoyés, pas conservés. Dans la console, vous choisissez la durée de conservation des transcriptions, de aucune à 3 ans.

### Empreintes vocales avec consentement

Les enregistrements vocaux ne sont jamais stockés. Seule une signature numérique est conservée, et uniquement si vous le demandez ; elle peut être supprimée définitivement.

Tarifs

## Payez l'audio que vous envoyez et les caractères que vous faites prononcer.

Prix catalogue en euros. Les options sont facturées séparément, uniquement si vous les utilisez. Fichiers et flux en direct coûtent le même prix.

Reconnaissance vocale · mihu-umay-v1

€0.09 par heure d'audio

€0.0015 par minute d'audio

Synthèse vocale · mihu-ses-v1

€10 par million de caractères

€0.01 pour mille caractères

Options de reconnaissance vocale

€0.01 chacune

Par conversation : isolation de la voix, diarisation, verrouillage du locuteur, détection du genre. Par requête : empreintes vocales, vérification du locuteur.

Coût de charges de travail typiques au prix catalogue

Charge de travail

Volume

Coût

Transcrire 10,000 appels de 3 minutes

500 heures d'audio

€45.00

Faire prononcer 10,000 réponses de 200 caractères

2 millions de caractères

€20.00

Transcrire 1,000 heures d'enregistrements

1,000 heures d'audio

€90.00

10,000 appels de 3 minutes avec diarisation des locuteurs

500 heures + 10,000 conversations

€145.00

Déploiement on-premise ou volumes plus importants ? Contacter le service commercial → (https://mihu.ai/fr/contact)

## Donnez une voix et des oreilles à votre produit.

Écoutez les voix, transcrivez un appel dans la console, ou obtenez une clé API et diffusez votre premier audio en quelques minutes.

Obtenir une clé API (https://voice.mihu.ai/console/keys) Lire la documentation (https://developers.mihu.ai/stt/introduction)
