# Mihu Voice — Vorbire în text și text în vorbire | Mihu AI

Mihu Voice · Nou

# Voci care sună uman. Transcrieri pe măsură ce oamenii vorbesc.

Mihu Voice este propriul nostru stack vocal, creat pentru apeluri live: Umay transformă vorbirea în text în timp ce apelantul încă vorbește, iar Ses transformă textul în vorbire naturală în șapte limbi. Un singur API, găzduit în Europa sau Turcia ori pe propriile tale servere.

Ascultă vocile (https://voice.mihu.ai/ro#voices) Obține o cheie API (https://voice.mihu.ai/console/keys)

~80 ms

Text final după ce apelantul se oprește

7

Limbi, vorbire în text și text în vorbire

10–30 s

de vorbire pentru a clona o 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.

Două modele, un singur API

## Urechile și vocea fiecărui agent Mihu, acum deschise pentru produsul tău.

mihu-umay-v1 pentru vorbire în text și mihu-ses-v1 pentru text în vorbire funcționează cu o singură cheie API, prin REST și WebSocket. Ambele răspund la fel în fiecare regiune și funcționează cu SDK-urile oficiale OpenAI schimbând doar base URL-ul.

Umay

Vorbire în text, live și fișiere

Ses

Text în vorbire, în streaming

Limbi

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

Unde rulează

Europa, Turcia sau on-premise

Umay · vorbire în text

## Textul apare în timp ce apelantul încă vorbește.

Textul parțial vine în streaming pe măsură ce persoana vorbește. Propoziția finală e gata la circa 80 ms după ce se oprește, mai repede decât o clipire, așa că agentul tău poate răspunde fără pauză.

Pe vorbire citită în turcă, Umay are o rată de eroare a cuvintelor de 3.42%, cea mai mică dintre cele nouă sisteme testate de noi. În modul doar turcă, un singur server gestionează până la 256 de apeluri live.

Apeluri live prin WebSocket: PCM 16 kHz în cadre de 100 ms, un singur socket

Fișiere în orice format uzual prin REST, de 19.5× mai rapid decât timpul real în modul rapid

Suport pentru audio telefonic 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

Text parțial și final într-un apel live, cu vorbitorii etichetați pe măsură ce vorbesc.

### Tot ce face Umay

Opțiunile pentru vorbitori se activează per cerere; dezactivate, nu adaugă latență.

Transcriere de fișiere Din fișier audio în text. Cea mai precisă alegere pentru înregistrări. model=umay

Transcriere live Text în timp ce persoana vorbește. Pentru agenți vocali și apeluri. model=umay-stream

Joburi asincrone Rezultatul ajunge pe webhook-ul tău. Pentru înregistrări lungi. webhook_url

Formatarea numerelor și a textului Cuvintele rostite în formă scrisă. Activată implicit. normalize

Indicii Favorizează numele clienților și locurile pe care le indici. hints, hint_context

Model lingvistic Cunoștințe lingvistice suplimentare pentru fișiere cu vorbire citită, clară. mode=normal

Detectarea genului Genul fiecărui vorbitor, cu nivel de încredere. Pentru rutare, analitică și formule de adresare. gender_detection

Diarizare Cine ce a spus, când vorbesc două sau mai multe persoane. diarize

Blocarea vorbitorului Doar o singură persoană devine text, chiar dacă cineva vorbește în apropiere. speaker_lock

Izolarea vocii Elimină alte voci înainte de recunoaștere. voice_isolation

Amprente vocale de referință Urmărește o persoană cunoscută din prima secundă, chiar dacă altcineva vorbește primul. reference_voiceprint

Verificarea vorbitorului Este persoana salvată? O verificare ajutătoare în timpul apelului. POST /v1/voiceprints/verify

Izolarea sunetului Returnează înregistrarea fără alte voci și zgomot. Pentru arhivare și partajare. 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

Formatare inteligentă și nume de locuri

## Sumele, datele și adresele ies așa cum le așteaptă un CRM.

Sumele, datele și numerele de înmatriculare sunt scrise cu cifre, cu circa 6 ms în plus. Listele integrate de districte și cartiere, plus propriile tale hotwords, cresc acuratețea numelor de locuri în apelurile live cu 3 până la 8 puncte.

1.68% rata de eroare a cuvintelor pe 500 de adrese rostite, 8 kHz, cu indicii de locuri

97.2% dintre propozițiile cu adrese complet corecte cu indicii de locuri

Ses · text în vorbire

## Vorbire care sună local.

Ses citește adrese, nume de locuri, sume, date, numere de înmatriculare și numere de telefon așa cum le spun oamenii, în toate cele șapte limbi. Sunetul vine înapoi în streaming înainte ca întreaga propoziție să fie sintetizată și pornește în circa 0.1 s.

22 de voci incluse în 7 limbi, plus vocile tale

Audio 24 kHz ca pcm, wav, mp3, opus, aac sau flac

Barge-in: închiderea conexiunii oprește vorbirea în clipa în care apelantul vorbește

Generare cu verificare opțională pentru turcă și accent pentru rusă

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. O singură cerere, citită corect în fiecare limbă, transmisă în streaming pe măsură ce e generată.

Clonare vocală

## Propria ta voce din 10–30 de secunde de vorbire.

Înregistrează o mostră scurtă, iar Ses creează o voce personalizată pe care o poți folosi alături de cele 22 de voci incluse. Fiecare clonă trece printr-o verificare de citire și necesită acordul vorbitorului. Înregistrarea e folosită pentru a crea vocea și apoi ștearsă; se păstrează doar vocea.

Clonează o voce în consolă (https://voice.mihu.ai/console)

Benchmarkuri · noiembrie 2026

## Acuratețe în toate cele 7 limbi.

Fiecare sistem este evaluat la fel pe seturi de test publice, cu numere și formate normalizate. O rată de eroare a cuvintelor mai mică este mai bună.

Vorbire în text · Umay · FLEURS, audio curat

Limbă

Rata de eroare a cuvintelor

Acuratețea cuvintelor

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 în vorbire · Ses · recitit de Whisper large-v3 la 8 kHz

Limbă

Rata de eroare a cuvintelor

Acuratețea cuvintelor

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 · timp până la primul sunet, pe 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

Turca este măsurată și pe apeluri telefonice și emisiuni. Metodele, toate sistemele testate și graficele complete sunt pe pagina de benchmarkuri. Toate benchmarkurile → (https://voice.mihu.ai/ro/benchmarks)

Consola

## Tot ce face API-ul, în browser.

Testează voci, transcrie, clonează și gestionează chei fără să scrii cod. Și tu decizi cât timp rămâne stocat orice.

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: cele 22 de voci incluse și vocile tale, cu scurtături pentru clonare, vorbire, transcriere și obținerea cheilor.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 în vorbire: scrie, alege o voce și o viteză, verifică pronunția și descarcă.

### Voci

Vocile incluse și vocile tale. Ascultă oricare dintre ele înainte să o folosești.

### Text în vorbire

Scrie, alege o voce și auzi-o pornind în circa 0.1 s. Descarcă în mp3, wav, flac și altele.

### Vorbire în text

Încarcă un fișier sau un link, înregistrează sau treci pe live și vezi cuvintele apărând pe măsură ce vorbești.

### Izolator de voce

Elimină vocile de fundal și zgomotul dintr-o înregistrare; compară înainte și după.

### Clonează vocea

O voce din 10–30 de secunde de vorbire, cu verificare de citire și acordul vorbitorului.

### Chei API și utilizare

Chei pentru serverele tale, cod de pornire rapidă pentru fiecare regiune și cât ai cheltuit.

Integrare

## Se conectează la contact centerul pe care îl folosești deja.

Nu ai nevoie de niciun SDK Mihu și nu rulează nimic la tine. Apelurile live transmit audio printr-un WebSocket; fișierele și sinteza folosesc HTTPS simplu. Alegerea regiunii schimbă doar hostul.

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

Turcia: stt.tr.mihu.ai și tts.tr.mihu.ai, datele rămân în țară (KVKK)

Pe propriile tale servere: Docker pe CPU, offline, fără GPU și fără internet

SDK-urile oficiale OpenAI funcționează schimbând base URL-ul

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

### Protecția datelor: KVKK și GDPR

### Sunetul nu este stocat

Streamurile live sunt procesate în memorie și nu sunt scrise niciodată pe disc. Un fișier este păstrat doar cât timp este transcris.

### Transcrierile nu ajung în loguri

Rezultatele API îți sunt returnate, nu păstrate. În consolă alegi cât timp rămân transcrierile, de la deloc până la 3 ani.

### Amprente vocale cu acord

Înregistrările vocale nu sunt stocate niciodată. Se păstrează doar o semnătură numerică, și doar dacă o ceri; poate fi ștearsă definitiv.

Prețuri

## Plătești pentru sunetul pe care îl trimiți și pentru caracterele pe care le transformi în vorbire.

Prețuri de listă în euro. Opțiunile se facturează separat, doar când le folosești. Fișierele și streamurile live costă la fel.

Vorbire în text · mihu-umay-v1

€0.09 pe oră de audio

€0.0015 pe minut de audio

Text în vorbire · mihu-ses-v1

€10 pe milion de caractere

€0.01 la mia de caractere

Opțiuni pentru vorbire în text

€0.01 fiecare

Per conversație: izolarea vocii, diarizare, blocarea vorbitorului, detectarea genului. Per cerere: amprente vocale, verificarea vorbitorului.

Cât costă sarcinile tipice la preț de listă

Sarcină

Volum

Cost

Transcrierea a 10,000 de apeluri de 3 minute

500 de ore de audio

€45.00

Rostirea a 10,000 de răspunsuri de 200 de caractere

2 milioane de caractere

€20.00

Transcrierea a 1,000 de ore de înregistrări

1,000 de ore de audio

€90.00

10,000 de apeluri de 3 minute cu diarizarea vorbitorilor

500 de ore + 10,000 de conversații

€145.00

Rulezi on-premise sau la volume mai mari? Discută cu vânzările → (https://mihu.ai/ro/contact)

## Dă-i produsului tău voce și urechi.

Ascultă vocile, transcrie un apel în consolă sau obține o cheie API și transmite primul tău audio în câteva minute.

Obține o cheie API (https://voice.mihu.ai/console/keys) Citește documentația (https://developers.mihu.ai/stt/introduction)
