# Mihu Voice — распознавание и синтез речи для звонков | Mihu AI

Mihu Voice · Новинка

# Голоса, которые звучат по-человечески. Текст — пока люди говорят.

Mihu Voice — наш собственный речевой стек, созданный для живых звонков: Umay превращает речь в текст, пока абонент ещё говорит, а Ses превращает текст в естественную речь на семи языках. Один API с размещением в Европе или Турции либо на ваших собственных серверах.

Послушать голоса (https://voice.mihu.ai/ru#voices) Получить API-ключ (https://voice.mihu.ai/console/keys)

~80 ms

Финальный текст после того, как абонент замолчал

7

Языков, распознавание и синтез речи

10–30 s

речи для клонирования голоса

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.

Две модели, один API

## Слух и голос каждого агента Mihu — теперь и для вашего продукта.

mihu-umay-v1 для распознавания речи и mihu-ses-v1 для синтеза речи доступны по одному API-ключу через REST и WebSocket. Обе модели одинаково отвечают в любом регионе и работают с официальными OpenAI SDK — достаточно сменить базовый URL.

Umay

Распознавание речи, в реальном времени и из файлов

Ses

Синтез речи, потоковый

Языки

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

Где работает

Европа, Турция или on-prem

Umay · распознавание речи

## Текст появляется, пока абонент ещё говорит.

Промежуточный текст поступает по мере того, как человек говорит. Финальное предложение готово примерно через 80 ms после того, как он замолчал, — быстрее, чем моргнуть, поэтому ваш агент может ответить без паузы.

На турецкой читаемой речи доля ошибочных слов у Umay составляет 3.42% — самый низкий показатель среди девяти протестированных нами систем. В режиме только для турецкого один сервер обслуживает до 256 звонков в реальном времени.

Живые звонки через WebSocket: 16 kHz PCM кадрами по 100 ms, один сокет

Файлы любого распространённого формата через REST, 19.5× быстрее реального времени в быстром режиме

Поддержка телефонного аудио 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

Промежуточный и финальный текст в живом звонке, с пометкой говорящих прямо по ходу речи.

### Всё, что умеет Umay

Опции для говорящих включаются в каждом запросе отдельно; выключенные, они не добавляют задержки.

Расшифровка файлов Аудиофайл в текст. Самый точный вариант для записей. model=umay

Расшифровка в реальном времени Текст, пока человек говорит. Для голосовых агентов и звонков. model=umay-stream

Асинхронные задачи Результат приходит на ваш webhook. Для длинных записей. webhook_url

Форматирование чисел и текста Устные слова в письменную форму. Включено по умолчанию. normalize

Подсказки Отдаёт предпочтение именам клиентов и местным названиям, которые вы укажете. hints, hint_context

Языковая модель Дополнительные языковые знания для файлов с чистой читаемой речью. mode=normal

Определение пола Пол каждого говорящего с уровнем уверенности. Для маршрутизации, аналитики и обращения. gender_detection

Диаризация Кто что сказал, когда говорят двое и более. diarize

Фиксация говорящего В текст превращается речь только одного человека, даже если рядом говорит кто-то ещё. speaker_lock

Изоляция голоса Убирает другие голоса до распознавания. voice_isolation

Эталонные голосовые отпечатки Отслеживает известного человека с первой секунды, даже если первым говорит кто-то другой. reference_voiceprint

Верификация говорящего Это сохранённый человек? Вспомогательная проверка во время звонка. POST /v1/voiceprints/verify

Изоляция аудио Возвращает запись без посторонних голосов и шума. Для архивов и передачи. 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

Умное форматирование и топонимы

## Суммы, даты и адреса выводятся так, как их ожидает CRM.

Суммы, даты и госномера записываются цифрами, это добавляет около 6 ms. Встроенные списки районов и кварталов плюс ваши собственные ключевые слова повышают точность распознавания топонимов в реальном времени на 3–8 пунктов.

1.68% доля ошибочных слов на 500 произнесённых адресах, 8 kHz, с подсказками мест

97.2% адресных предложений полностью верны с подсказками мест

Ses · синтез речи

## Речь, которая звучит по-местному.

Ses читает адреса, топонимы, суммы, даты, госномера и телефонные номера так, как их произносят люди, на всех семи языках. Аудио начинает поступать ещё до того, как синтезировано всё предложение, и стартует примерно через 0.1 s.

22 встроенных голоса на 7 языках плюс ваши собственные

Аудио 24 kHz в форматах pcm, wav, mp3, opus, aac или flac

Barge-in: закрытие соединения останавливает речь в тот момент, когда абонент начинает говорить

Опционально: генерация с проверкой для турецкого и ударения для русского

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. Один запрос, правильно прочитанный на каждом языке и передаваемый потоком по мере генерации.

Клонирование голоса

## Ваш собственный голос из 10–30 секунд речи.

Запишите короткий образец, и Ses создаст собственный голос, который можно использовать наряду с 22 встроенными. Каждый клон проходит проверку чтением и требует согласия говорящего. Запись используется для создания голоса и затем удаляется; сохраняется только сам голос.

Клонировать голос в консоли (https://voice.mihu.ai/console)

Бенчмарки · ноябрь 2026

## Точность на всех 7 языках.

Каждая система оценивается одинаково на открытых тестовых наборах, с нормализацией чисел и форматов. Чем ниже доля ошибок в словах, тем лучше.

Распознавание речи · Umay · FLEURS, чистый звук

Язык

Доля ошибок в словах

Точность по словам

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%

Синтез речи · Ses · обратно распознан Whisper large-v3 на 8 kHz

Язык

Доля ошибок в словах

Точность по словам

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 · время до первого звука, на 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

Турецкий также измерен на телефонных звонках и эфирных записях. Методы, все протестированные системы и полные графики — на странице бенчмарков. Все бенчмарки → (https://voice.mihu.ai/ru/benchmarks)

Консоль

## Всё, что умеет API, — в браузере.

Пробуйте голоса, расшифровывайте, клонируйте и управляйте ключами без кода. А как долго что хранится, решаете вы.

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. Голоса: 22 встроенных голоса и ваши собственные, с быстрым доступом к клонированию, озвучке, расшифровке и ключам.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. Синтез речи: введите текст, выберите голос и скорость, проверьте произношение и скачайте.

### Голоса

Встроенные голоса и ваши собственные. Прослушайте любой из них перед использованием.

### Синтез речи

Введите текст, выберите голос и услышьте начало примерно через 0.1 s. Скачивание в mp3, wav, flac и других форматах.

### Распознавание речи

Загрузите файл или ссылку, запишите или включите режим реального времени и смотрите, как слова появляются, пока вы говорите.

### Изолятор голоса

Уберите фоновые голоса и шум из записи; сравните до и после.

### Клонирование голоса

Голос из 10–30 секунд речи, с проверкой чтением и согласием говорящего.

### API-ключи и использование

Ключи для ваших серверов, код быстрого старта для каждого региона и ваши расходы.

Интеграция

## Подключается к контакт-центру, который у вас уже работает.

Mihu SDK не нужен, и на вашей стороне ничего не запускается. Живые звонки передают аудио через WebSocket; файлы и синтез работают по обычному HTTPS. Выбор региона меняет только хост.

Европа: stt.eu.mihu.ai и tts.eu.mihu.ai

Турция: stt.tr.mihu.ai и tts.tr.mihu.ai, данные остаются в стране (KVKK)

На ваших собственных серверах: Docker на CPU, офлайн, без GPU и без интернета

Официальные OpenAI SDK работают после смены базового 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

### Защита данных: KVKK и GDPR

### Аудио не хранится

Живые потоки обрабатываются в памяти и никогда не записываются на диск. Файл хранится только на время расшифровки.

### Расшифровки не логируются

Результаты API возвращаются вам и не сохраняются. В консоли вы сами выбираете, сколько хранить расшифровки: от нуля до 3 лет.

### Голосовые отпечатки — только с согласия

Голосовые записи никогда не хранятся. Сохраняется только числовая подпись, и только по вашему запросу; её можно удалить навсегда.

Цены

## Платите за отправленное аудио и озвученные символы.

Прейскурантные цены в евро. Опции оплачиваются отдельно и только при использовании. Файлы и живые потоки стоят одинаково.

Распознавание речи · mihu-umay-v1

€0.09 за час аудио

€0.0015 за минуту аудио

Синтез речи · mihu-ses-v1

€10 за миллион символов

€0.01 за тысячу символов

Опции распознавания речи

€0.01 за каждую

За разговор: изоляция голоса, диаризация, фиксация говорящего, определение пола. За запрос: голосовые отпечатки, верификация говорящего.

Сколько стоят типичные нагрузки по прейскуранту

Нагрузка

Объём

Стоимость

Расшифровать 10,000 звонков по 3 минуты

500 часов аудио

€45.00

Озвучить 10,000 ответов по 200 символов

2 миллиона символов

€20.00

Расшифровать 1,000 часов записей

1,000 часов аудио

€90.00

10,000 звонков по 3 минуты с диаризацией говорящих

500 часов + 10,000 разговоров

€145.00

Работаете on-prem или с большими объёмами? Связаться с отделом продаж → (https://mihu.ai/ru/contact)

## Дайте вашему продукту голос и слух.

Послушайте голоса, расшифруйте звонок в консоли или получите API-ключ и отправьте первое аудио за считаные минуты.

Получить API-ключ (https://voice.mihu.ai/console/keys) Читать документацию (https://developers.mihu.ai/stt/introduction)
