# Mihu Voice — Mowa na tekst i tekst na mowę na żywo | Mihu AI

Mihu Voice · Nowość

# Głosy, które brzmią jak ludzie. Transkrypcja w trakcie mówienia.

Mihu Voice to nasz własny stos mowy, stworzony do rozmów na żywo: Umay zamienia mowę na tekst, gdy rozmówca wciąż mówi, a Ses zamienia tekst w naturalną mowę w siedmiu językach. Jedno API, hosting w Europie lub Turcji albo na Twoich własnych serwerach.

Posłuchaj głosów (https://voice.mihu.ai/pl#voices) Pobierz klucz API (https://voice.mihu.ai/console/keys)

~80 ms

Tekst końcowy po tym, jak rozmówca skończy mówić

7

Języków, mowa na tekst i tekst na mowę

10–30 s

mowy, by sklonować głos

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.

Dwa modele, jedno API

## Uszy i głos każdego agenta Mihu, teraz dostępne dla Twojego produktu.

mihu-umay-v1 do zamiany mowy na tekst i mihu-ses-v1 do zamiany tekstu na mowę działają pod jednym kluczem API, przez REST i WebSocket. Oba odpowiadają tak samo w każdym regionie i współpracują z oficjalnymi SDK OpenAI po zmianie base URL.

Umay

Mowa na tekst, na żywo i z plików

Ses

Tekst na mowę, strumieniowo

Języki

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

Gdzie działa

Europa, Turcja lub on-premise

Umay · mowa na tekst

## Tekst pojawia się, gdy rozmówca wciąż mówi.

Tekst częściowy napływa strumieniowo w trakcie mówienia. Zdanie końcowe jest gotowe ok. 80 ms po zakończeniu wypowiedzi, szybciej niż mrugnięcie oka, więc Twój agent odpowiada bez przerwy.

Na tureckiej mowie czytanej Umay osiąga wskaźnik błędów słów 3.42%, najniższy spośród dziewięciu przetestowanych przez nas systemów. W trybie tylko tureckim jeden serwer obsługuje do 256 rozmów na żywo.

Rozmowy na żywo przez WebSocket: PCM 16 kHz w ramkach po 100 ms, jedno gniazdo

Pliki w dowolnym popularnym formacie przez REST, 19.5× szybciej niż w czasie rzeczywistym w trybie szybkim

Obsługa dźwięku telefonicznego 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

Tekst częściowy i końcowy w rozmowie na żywo, z oznaczaniem mówców w trakcie mówienia.

### Wszystko, co potrafi Umay

Opcje mówców włączasz dla każdego żądania osobno; wyłączone nie dodają opóźnienia.

Transkrypcja plików Plik audio na tekst. Najdokładniejszy wybór dla nagrań. model=umay

Transkrypcja na żywo Tekst w trakcie mówienia. Dla agentów głosowych i rozmów. model=umay-stream

Zadania asynchroniczne Wynik trafia na Twój webhook. Dla długich nagrań. webhook_url

Formatowanie liczb i tekstu Wypowiedziane słowa w formie pisanej. Domyślnie włączone. normalize

Podpowiedzi Faworyzuje podane przez Ciebie nazwiska klientów i lokalne nazwy miejsc. hints, hint_context

Model językowy Dodatkowa wiedza językowa dla plików z czystą mową czytaną. mode=normal

Rozpoznawanie płci Płeć każdego mówcy, z poziomem pewności. Do routingu, analityki i właściwej formy zwracania się. gender_detection

Diaryzacja Kto co powiedział, gdy mówią dwie lub więcej osób. diarize

Blokada mówcy Tylko jedna osoba trafia do tekstu, nawet gdy ktoś mówi obok. speaker_lock

Izolacja głosu Usuwa inne głosy przed rozpoznaniem. voice_isolation

Referencyjne odciski głosu Śledzi znaną osobę od pierwszej sekundy, nawet jeśli ktoś inny odezwie się pierwszy. reference_voiceprint

Weryfikacja mówcy Czy to zapisana osoba? Pomocnicze sprawdzenie w trakcie rozmowy. POST /v1/voiceprints/verify

Izolacja dźwięku Zwraca nagranie bez innych głosów i szumu. Do archiwizacji i udostępniania. 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

Inteligentne formatowanie i nazwy miejsc

## Kwoty, daty i adresy wychodzą w formie, jakiej oczekuje CRM.

Kwoty, daty i numery rejestracyjne są zapisywane cyframi, co dodaje ok. 6 ms. Wbudowane listy dzielnic i osiedli oraz Twoje własne hotwords podnoszą dokładność nazw miejsc na żywo o 3 do 8 punktów.

1.68% wskaźnik błędów słów na 500 wypowiedzianych adresach, 8 kHz, z podpowiedziami miejsc

97.2% zdań adresowych w pełni poprawnych z podpowiedziami miejsc

Ses · tekst na mowę

## Mowa, która brzmi lokalnie.

Ses czyta adresy, nazwy miejsc, kwoty, daty, numery rejestracyjne i numery telefonów tak, jak mówią je ludzie, we wszystkich siedmiu językach. Dźwięk wraca strumieniowo, zanim całe zdanie zostanie zsyntetyzowane, i startuje po ok. 0.1 s.

22 wbudowane głosy w 7 językach oraz Twoje własne

Dźwięk 24 kHz jako pcm, wav, mp3, opus, aac lub flac

Barge-in: zamknięcie połączenia przerywa mowę w chwili, gdy rozmówca się odezwie

Opcjonalne generowanie z weryfikacją dla tureckiego i akcent wyrazowy dla rosyjskiego

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. Jedno żądanie, poprawnie odczytane w każdym języku, przesyłane strumieniowo w trakcie generowania.

Klonowanie głosu

## Twój własny głos z 10–30 sekund mowy.

Nagraj krótką próbkę, a Ses zbuduje własny głos, którego użyjesz obok 22 wbudowanych. Każdy klon przechodzi kontrolę czytania i wymaga zgody mówcy. Nagranie służy do zbudowania głosu, a potem jest usuwane; zachowywany jest tylko sam głos.

Sklonuj głos w konsoli (https://voice.mihu.ai/console)

Benchmarki · listopad 2026

## Dokładność we wszystkich 7 językach.

Każdy system oceniany jest tak samo na publicznych zbiorach testowych, z normalizacją liczb i formatów. Niższy wskaźnik błędów słów jest lepszy.

Mowa na tekst · Umay · FLEURS, czyste nagrania

Język

Wskaźnik błędów słów

Dokładność słów

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%

Tekst na mowę · Ses · odczytane przez Whisper large-v3 przy 8 kHz

Język

Wskaźnik błędów słów

Dokładność słów

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 · czas do pierwszego dźwięku, na 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

Turecki mierzymy też na rozmowach telefonicznych i nagraniach nadawczych. Metody, wszystkie testowane systemy i pełne wykresy znajdziesz na stronie benchmarków. Wszystkie benchmarki → (https://voice.mihu.ai/pl/benchmarks)

Konsola

## Wszystko, co robi API, w przeglądarce.

Testuj głosy, transkrybuj, klonuj i zarządzaj kluczami bez pisania kodu. A Ty decydujesz, jak długo cokolwiek jest przechowywane.

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. Głosy: 22 wbudowane głosy i Twoje własne, ze skrótami do klonowania, mówienia, transkrypcji i pobierania kluczy.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. Tekst na mowę: wpisz tekst, wybierz głos i tempo, sprawdź wymowę i pobierz.

### Głosy

Wbudowane głosy i Twoje własne. Odsłuchaj każdy, zanim go użyjesz.

### Tekst na mowę

Wpisz tekst, wybierz głos i usłysz go po ok. 0.1 s. Pobierz jako mp3, wav, flac i inne.

### Mowa na tekst

Prześlij plik lub link, nagraj albo przejdź na żywo i patrz, jak słowa pojawiają się w trakcie mówienia.

### Izolator głosu

Usuń głosy w tle i szum z nagrania; porównaj przed i po.

### Klonowanie głosu

Głos z 10–30 sekund mowy, z kontrolą czytania i zgodą mówcy.

### Klucze API i użycie

Klucze dla Twoich serwerów, kod quick-start dla każdego regionu i Twoje wydatki.

Integracja

## Łączy się z contact center, które już prowadzisz.

Nie potrzebujesz SDK Mihu i nic nie działa po Twojej stronie. Rozmowy na żywo przesyłają dźwięk przez WebSocket; pliki i synteza używają zwykłego HTTPS. Wybór regionu zmienia tylko host.

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

Turcja: stt.tr.mihu.ai i tts.tr.mihu.ai, dane zostają w kraju (KVKK)

Na Twoich własnych serwerach: Docker na CPU, offline, bez GPU i bez internetu

Oficjalne SDK OpenAI działają po zmianie 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

### Ochrona danych: KVKK i GDPR

### Dźwięk nie jest przechowywany

Strumienie na żywo są przetwarzane w pamięci i nigdy nie trafiają na dysk. Plik jest przechowywany tylko na czas transkrypcji.

### Transkrypcje nie są logowane

Wyniki API są zwracane do Ciebie, a nie przechowywane. W konsoli wybierasz, jak długo zostają transkrypcje: od wcale do 3 lat.

### Odciski głosu za zgodą

Nagrania głosu nigdy nie są przechowywane. Zachowywana jest tylko sygnatura liczbowa i tylko na Twoją prośbę; można ją trwale usunąć.

Cennik

## Płacisz za wysłany dźwięk i za znaki zamienione na mowę.

Ceny katalogowe w euro. Opcje są rozliczane osobno, tylko gdy z nich korzystasz. Pliki i strumienie na żywo kosztują tyle samo.

Mowa na tekst · mihu-umay-v1

€0.09 za godzinę dźwięku

€0.0015 za minutę dźwięku

Tekst na mowę · mihu-ses-v1

€10 za milion znaków

€0.01 za tysiąc znaków

Opcje zamiany mowy na tekst

€0.01 za każdą

Za rozmowę: izolacja głosu, diaryzacja, blokada mówcy, rozpoznawanie płci. Za żądanie: odciski głosu, weryfikacja mówcy.

Ile kosztują typowe zadania według cennika

Zadanie

Wolumen

Koszt

Transkrypcja 10,000 rozmów po 3 minuty

500 godzin dźwięku

€45.00

Wypowiedzenie 10,000 odpowiedzi po 200 znaków

2 miliony znaków

€20.00

Transkrypcja 1,000 godzin nagrań

1,000 godzin dźwięku

€90.00

10,000 rozmów po 3 minuty z diaryzacją mówców

500 godzin + 10,000 rozmów

€145.00

Wdrożenie on-premise lub większy wolumen? Porozmawiaj z działem sprzedaży → (https://mihu.ai/pl/contact)

## Daj swojemu produktowi głos i uszy.

Posłuchaj głosów, przetranskrybuj rozmowę w konsoli albo pobierz klucz API i prześlij pierwszy strumień audio w kilka minut.

Pobierz klucz API (https://voice.mihu.ai/console/keys) Przeczytaj dokumentację (https://developers.mihu.ai/stt/introduction)
