# Mihu Voice — Riconoscimento e sintesi vocale per chiamate | Mihu AI

Mihu Voice · Novità

# Voci che suonano umane. Trascrizioni mentre si parla.

Mihu Voice è il nostro stack vocale proprietario, creato per le chiamate dal vivo: Umay trasforma la voce in testo mentre l'interlocutore sta ancora parlando, e Ses trasforma il testo in voce naturale in sette lingue. Una sola API, ospitata in Europa o in Turchia, oppure sui vostri server.

Prova le voci (https://voice.mihu.ai/it#voices) Ottieni una chiave API (https://voice.mihu.ai/console/keys)

~80 ms

Testo finale dopo che l'interlocutore smette di parlare

7

Lingue, riconoscimento e sintesi vocale

10–30 s

di parlato per clonare una voce

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.

Due modelli, una API

## Le orecchie e la voce di ogni agente Mihu, ora aperte al vostro prodotto.

mihu-umay-v1 per il riconoscimento vocale e mihu-ses-v1 per la sintesi vocale funzionano con una sola chiave API, tramite REST e WebSocket. Entrambi rispondono allo stesso modo in ogni regione e funzionano con gli SDK ufficiali di OpenAI cambiando solo il base URL.

Umay

Riconoscimento vocale, dal vivo e su file

Ses

Sintesi vocale, in streaming

Lingue

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

Dove viene eseguito

Europa, Turchia o on-premise

Umay · riconoscimento vocale

## Il testo appare mentre l'interlocutore sta ancora parlando.

Il testo parziale arriva in streaming mentre la persona parla. La frase finale è pronta circa 80 ms dopo che ha smesso, più veloce di un battito di ciglia, così il vostro agente può rispondere senza pause.

Sul parlato letto in turco Umay ha un tasso di errore sulle parole del 3.42%, il più basso tra i nove sistemi che abbiamo testato. In modalità solo turco un server gestisce fino a 256 chiamate dal vivo.

Chiamate dal vivo via WebSocket: PCM a 16 kHz in frame da 100 ms, un solo socket

File in qualsiasi formato comune via REST, 19.5× più veloce del tempo reale in modalità veloce

Supporto per audio telefonico a 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

Testo parziale e finale in una chiamata dal vivo, con i parlanti etichettati mentre parlano.

### Tutto ciò che Umay sa fare

Le opzioni sui parlanti si attivano per singola richiesta; se disattivate non aggiungono latenza.

Trascrizione di file Da file audio a testo. La scelta più accurata per le registrazioni. model=umay

Trascrizione dal vivo Testo mentre la persona parla. Per agenti vocali e chiamate. model=umay-stream

Job asincroni Il risultato arriva sul vostro webhook. Per registrazioni lunghe. webhook_url

Formattazione di numeri e testo Dalle parole pronunciate alla forma scritta. Attiva per impostazione predefinita. normalize

Suggerimenti Favorisce i nomi dei clienti e i luoghi locali che indicate. hints, hint_context

Modello linguistico Conoscenza linguistica aggiuntiva su file di parlato letto e pulito. mode=normal

Rilevamento del genere Il genere di ogni parlante, con livello di confidenza. Per instradamento, analisi e forma di cortesia. gender_detection

Diarizzazione Chi ha detto cosa, quando parlano due o più persone. diarize

Blocco del parlante Solo una persona diventa testo, anche se qualcuno parla nelle vicinanze. speaker_lock

Isolamento della voce Rimuove le altre voci prima del riconoscimento. voice_isolation

Impronte vocali di riferimento Segue una persona nota dal primo secondo, anche se qualcun altro parla per primo. reference_voiceprint

Verifica del parlante È la persona memorizzata? Un controllo di supporto durante la chiamata. POST /v1/voiceprints/verify

Isolamento dell'audio Restituisce la registrazione senza altre voci né rumore. Per archiviazione e condivisione. 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

Formattazione intelligente e nomi di luoghi

## Importi, date e indirizzi escono nel formato che un CRM si aspetta.

Importi, date e targhe vengono scritti in cifre, con circa 6 ms in più. Elenchi integrati di distretti e quartieri, insieme alle vostre hotword, migliorano da 3 a 8 punti l'accuratezza dei nomi di luogo dal vivo.

1.68% tasso di errore sulle parole su 500 indirizzi pronunciati, 8 kHz, con suggerimenti sui luoghi

97.2% delle frasi di indirizzo completamente corrette con suggerimenti sui luoghi

Ses · sintesi vocale

## Una voce che suona locale.

Ses legge indirizzi, nomi di luoghi, importi, date, targhe e numeri di telefono come li dicono le persone, in tutte e sette le lingue. L'audio arriva in streaming prima che l'intera frase sia sintetizzata e parte in circa 0.1 s.

22 voci integrate in 7 lingue, più le vostre

Audio a 24 kHz in pcm, wav, mp3, opus, aac o flac

Barge-in: chiudendo la connessione la voce si interrompe appena l'interlocutore parla

Generazione con verifica opzionale per il turco e accento tonico per il russo

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 richiesta, letta correttamente in ogni lingua e trasmessa in streaming mentre viene generata.

Clonazione vocale

## La vostra voce da 10–30 secondi di parlato.

Registrate un breve campione e Ses crea una voce personalizzata da usare accanto alle 22 integrate. Ogni clone passa un controllo di lettura e richiede il consenso del parlante. La registrazione serve a creare la voce e poi viene eliminata; si conserva solo la voce.

Clona una voce nella console (https://voice.mihu.ai/console)

Benchmark · novembre 2026

## Accuratezza in tutte le 7 lingue.

Ogni sistema è valutato allo stesso modo su set di test pubblici, con numeri e formati normalizzati. Un tasso di errore sulle parole più basso è migliore.

Riconoscimento vocale · Umay · FLEURS, audio pulito

Lingua

Tasso di errore sulle parole

Accuratezza delle parole

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%

Sintesi vocale · Ses · riletta da Whisper large-v3 a 8 kHz

Lingua

Tasso di errore sulle parole

Accuratezza delle parole

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 · tempo al primo audio, su 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

Il turco è misurato anche su telefonate e media trasmessi. Metodi, sistemi testati e grafici completi sono nella pagina dei benchmark. Tutti i benchmark → (https://voice.mihu.ai/it/benchmarks)

La console

## Tutto ciò che fa l'API, nel browser.

Provate le voci, trascrivete, clonate e gestite le chiavi senza scrivere codice. E siete voi a decidere per quanto tempo viene conservato ogni dato.

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. Voci: le 22 voci integrate e le vostre, con scorciatoie per clonare, far parlare, trascrivere e ottenere le chiavi.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. Sintesi vocale: scrivete, scegliete voce e velocità, controllate la pronuncia e scaricate.

### Voci

Le voci integrate e le vostre. Ascoltatele prima di usarle.

### Sintesi vocale

Scrivete, scegliete una voce e sentitela partire in circa 0.1 s. Download in mp3, wav, flac e altri formati.

### Riconoscimento vocale

Caricate un file o un link, registrate, oppure andate dal vivo e guardate le parole comparire mentre parlate.

### Isolatore vocale

Rimuovete voci di sottofondo e rumore da una registrazione; confrontate il prima e il dopo.

### Clona voce

Una voce da 10–30 secondi di parlato, con controllo di lettura e consenso del parlante.

### Chiavi API e utilizzo

Chiavi per i vostri server, codice di avvio rapido per regione e quanto avete speso.

Integrazione

## Si collega al contact center che già utilizzate.

Non serve alcun SDK Mihu e nulla viene eseguito dal vostro lato. Le chiamate dal vivo trasmettono l'audio su un WebSocket; file e sintesi usano semplice HTTPS. Scegliere una regione cambia solo l'host.

Europa: stt.eu.mihu.ai e tts.eu.mihu.ai

Turchia: stt.tr.mihu.ai e tts.tr.mihu.ai, i dati restano nel Paese (KVKK)

Sui vostri server: Docker su CPU, offline, senza GPU né internet

Gli SDK ufficiali di OpenAI funzionano cambiando il 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

### Protezione dei dati: KVKK e GDPR

### L'audio non viene archiviato

Gli stream dal vivo sono elaborati in memoria e mai scritti su disco. Un file viene conservato solo durante la trascrizione.

### Le trascrizioni non finiscono nei log

I risultati dell'API vengono restituiti a voi, non conservati. Nella console scegliete per quanto tempo restano le trascrizioni, da nessuna conservazione fino a 3 anni.

### Impronte vocali con consenso

Le registrazioni vocali non vengono mai archiviate. Si conserva solo una firma numerica, e solo se lo richiedete; può essere eliminata definitivamente.

Prezzi

## Pagate per l'audio che inviate e i caratteri che fate pronunciare.

Prezzi di listino in euro. Le opzioni sono fatturate a parte, solo quando le usate. File e stream dal vivo costano uguale.

Riconoscimento vocale · mihu-umay-v1

€0.09 per ora di audio

€0.0015 per minuto di audio

Sintesi vocale · mihu-ses-v1

€10 per milione di caratteri

€0.01 per mille caratteri

Opzioni di riconoscimento vocale

€0.01 ciascuna

Per conversazione: isolamento della voce, diarizzazione, blocco del parlante, rilevamento del genere. Per richiesta: impronte vocali, verifica del parlante.

Quanto costano carichi di lavoro tipici a prezzo di listino

Carico di lavoro

Volume

Costo

Trascrivere 10,000 chiamate da 3 minuti

500 ore di audio

€45.00

Pronunciare 10,000 risposte da 200 caratteri

2 milioni di caratteri

€20.00

Trascrivere 1,000 ore di registrazioni

1,000 ore di audio

€90.00

10,000 chiamate da 3 minuti con diarizzazione dei parlanti

500 ore + 10,000 conversazioni

€145.00

Deployment on-premise o volumi più elevati? Parla con il team commerciale → (https://mihu.ai/it/contact)

## Date al vostro prodotto una voce e delle orecchie.

Ascoltate le voci, trascrivete una chiamata nella console oppure ottenete una chiave API e trasmettete il vostro primo audio in pochi minuti.

Ottieni una chiave API (https://voice.mihu.ai/console/keys) Leggi la documentazione (https://developers.mihu.ai/stt/introduction)
