# Mihu Voice — розпізнавання та синтез мовлення для дзвінків | Mihu AI

Mihu Voice · Новинка

# Голоси, що звучать по-людськи. Текст — поки люди говорять.

Mihu Voice — наш власний мовленнєвий стек, створений для живих дзвінків: Umay перетворює мовлення на текст, поки абонент ще говорить, а Ses перетворює текст на природне мовлення сімома мовами. Один API з розміщенням у Європі чи Туреччині або на ваших власних серверах.

Послухати голоси (https://voice.mihu.ai/uk#voices) Отримати API-ключ (https://voice.mihu.ai/console/keys)

~80 ms

Фінальний текст після того, як абонент замовк

7

Мов, розпізнавання та синтез мовлення

10–30 s

мовлення для клонування голосу

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.

Дві моделі, один API

## Слух і голос кожного агента Mihu — тепер і для вашого продукту.

mihu-umay-v1 для розпізнавання мовлення та mihu-ses-v1 для синтезу мовлення доступні за одним API-ключем через REST і WebSocket. Обидві моделі однаково відповідають у кожному регіоні й працюють з офіційними OpenAI SDK — достатньо змінити базовий URL.

Umay

Розпізнавання мовлення, наживо та з файлів

Ses

Синтез мовлення, потоковий

Мови

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

Де працює

Європа, Туреччина або on-prem

Umay · розпізнавання мовлення

## Текст з'являється, поки абонент ще говорить.

Проміжний текст надходить, поки людина говорить. Фінальне речення готове приблизно через 80 ms після того, як вона замовкла, — швидше, ніж кліпнути оком, тож ваш агент може відповісти без паузи.

На турецькому читаному мовленні частка помилкових слів у Umay становить 3.42% — найнижчий показник серед дев'яти протестованих нами систем. У режимі лише для турецької один сервер обслуговує до 256 дзвінків наживо.

Живі дзвінки через WebSocket: 16 kHz PCM кадрами по 100 ms, один сокет

Файли будь-якого поширеного формату через REST, 19.5× швидше за реальний час у швидкому режимі

Підтримка телефонного аудіо 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

Проміжний і фінальний текст у живому дзвінку, з позначенням мовців просто під час розмови.

### Усе, що вміє Umay

Опції для мовців вмикаються в кожному запиті окремо; вимкнені, вони не додають затримки.

Транскрипція файлів Аудіофайл у текст. Найточніший варіант для записів. model=umay

Транскрипція наживо Текст, поки людина говорить. Для голосових агентів і дзвінків. model=umay-stream

Асинхронні завдання Результат надходить на ваш webhook. Для довгих записів. webhook_url

Форматування чисел і тексту Усні слова в письмову форму. Увімкнено за замовчуванням. normalize

Підказки Надає перевагу іменам клієнтів і місцевим назвам, які ви вкажете. hints, hint_context

Мовна модель Додаткові мовні знання для файлів із чистим читаним мовленням. mode=normal

Визначення статі Стать кожного мовця з рівнем упевненості. Для маршрутизації, аналітики та звертання. gender_detection

Діаризація Хто що сказав, коли говорять двоє чи більше людей. diarize

Фіксація мовця На текст перетворюється мовлення лише однієї людини, навіть коли поруч говорить хтось інший. speaker_lock

Ізоляція голосу Прибирає інші голоси перед розпізнаванням. voice_isolation

Еталонні голосові відбитки Відстежує відому людину з першої секунди, навіть якщо першим говорить хтось інший. reference_voiceprint

Верифікація мовця Це збережена людина? Допоміжна перевірка під час дзвінка. POST /v1/voiceprints/verify

Ізоляція аудіо Повертає запис без сторонніх голосів і шуму. Для архівів і поширення. 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

Розумне форматування та назви місць

## Суми, дати й адреси виводяться так, як їх очікує CRM.

Суми, дати й номерні знаки записуються цифрами, що додає близько 6 ms. Вбудовані списки районів і кварталів плюс ваші власні ключові слова підвищують точність розпізнавання назв місць наживо на 3–8 пунктів.

1.68% частка помилкових слів на 500 вимовлених адресах, 8 kHz, з підказками місць

97.2% адресних речень повністю правильні з підказками місць

Ses · синтез мовлення

## Мовлення, що звучить по-місцевому.

Ses читає адреси, назви місць, суми, дати, номерні знаки й номери телефонів так, як їх вимовляють люди, усіма сімома мовами. Аудіо починає надходити ще до того, як синтезовано все речення, і стартує приблизно за 0.1 s.

22 вбудовані голоси 7 мовами плюс ваші власні

Аудіо 24 kHz у форматах pcm, wav, mp3, opus, aac або flac

Barge-in: закриття з'єднання зупиняє мовлення в ту мить, коли абонент починає говорити

Опційно: генерація з перевіркою для турецької та наголоси для російської

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 запит, правильно прочитаний кожною мовою й переданий потоком під час генерації.

Клонування голосу

## Ваш власний голос із 10–30 секунд мовлення.

Запишіть короткий зразок, і Ses створить власний голос, який можна використовувати поряд із 22 вбудованими. Кожен клон проходить перевірку читанням і потребує згоди мовця. Запис використовується для створення голосу, а потім видаляється; зберігається лише сам голос.

Клонувати голос у консолі (https://voice.mihu.ai/console)

Бенчмарки · листопад 2026

## Точність усіма 7 мовами.

Кожну систему оцінюють однаково на відкритих тестових наборах, з нормалізацією чисел і форматів. Що нижча частка помилок у словах, то краще.

Розпізнавання мовлення · Umay · FLEURS, чистий звук

Мова

Частка помилок у словах

Точність за словами

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 мовлення · Ses · зворотно розпізнано Whisper large-v3 на 8 kHz

Мова

Частка помилок у словах

Точність за словами

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 · час до першого звуку, 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

Турецьку також виміряно на телефонних дзвінках і ефірних записах. Методи, усі протестовані системи та повні графіки — на сторінці бенчмарків. Усі бенчмарки → (https://voice.mihu.ai/uk/benchmarks)

Консоль

## Усе, що вміє API, — у браузері.

Пробуйте голоси, транскрибуйте, клонуйте та керуйте ключами без коду. А скільки що зберігається, вирішуєте ви.

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. Голоси: 22 вбудовані голоси й ваші власні, зі швидким доступом до клонування, озвучення, транскрипції та ключів.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 мовлення: введіть текст, виберіть голос і швидкість, перевірте вимову та завантажте.

### Голоси

Вбудовані голоси та ваші власні. Прослухайте будь-який перед використанням.

### Синтез мовлення

Введіть текст, виберіть голос і почуйте початок приблизно за 0.1 s. Завантаження в mp3, wav, flac та інших форматах.

### Розпізнавання мовлення

Завантажте файл або посилання, запишіть чи увімкніть режим наживо й дивіться, як слова з'являються, поки ви говорите.

### Ізолятор голосу

Приберіть фонові голоси та шум із запису; порівняйте до і після.

### Клонування голосу

Голос із 10–30 секунд мовлення, з перевіркою читанням і згодою мовця.

### API-ключі та використання

Ключі для ваших серверів, код швидкого старту для кожного регіону та ваші витрати.

Інтеграція

## Підключається до контакт-центру, який у вас уже працює.

Mihu SDK не потрібен, і на вашому боці нічого не запускається. Живі дзвінки передають аудіо через WebSocket; файли та синтез працюють через звичайний HTTPS. Вибір регіону змінює лише хост.

Європа: stt.eu.mihu.ai і tts.eu.mihu.ai

Туреччина: stt.tr.mihu.ai і tts.tr.mihu.ai, дані залишаються в країні (KVKK)

На ваших власних серверах: Docker на CPU, офлайн, без GPU та без інтернету

Офіційні OpenAI SDK працюють після зміни 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

### Захист даних: KVKK і GDPR

### Аудіо не зберігається

Живі потоки обробляються в пам'яті й ніколи не записуються на диск. Файл зберігається лише на час транскрипції.

### Транскрипції не логуються

Результати API повертаються вам і не зберігаються. У консолі ви самі обираєте, скільки зберігати транскрипції: від нуля до 3 років.

### Голосові відбитки — лише за згодою

Голосові записи ніколи не зберігаються. Зберігається лише числовий підпис, і лише на ваш запит; його можна видалити назавжди.

Ціни

## Платіть за надіслане аудіо та озвучені символи.

Прейскурантні ціни в євро. Опції оплачуються окремо й лише тоді, коли ви їх використовуєте. Файли та живі потоки коштують однаково.

Розпізнавання мовлення · mihu-umay-v1

€0.09 за годину аудіо

€0.0015 за хвилину аудіо

Синтез мовлення · mihu-ses-v1

€10 за мільйон символів

€0.01 за тисячу символів

Опції розпізнавання мовлення

€0.01 за кожну

За розмову: ізоляція голосу, діаризація, фіксація мовця, визначення статі. За запит: голосові відбитки, верифікація мовця.

Скільки коштують типові навантаження за прейскурантом

Навантаження

Обсяг

Вартість

Транскрибувати 10,000 дзвінків по 3 хвилини

500 годин аудіо

€45.00

Озвучити 10,000 відповідей по 200 символів

2 мільйони символів

€20.00

Транскрибувати 1,000 годин записів

1,000 годин аудіо

€90.00

10,000 дзвінків по 3 хвилини з діаризацією мовців

500 годин + 10,000 розмов

€145.00

Працюєте on-prem або з більшими обсягами? Зв'язатися з відділом продажів → (https://mihu.ai/uk/contact)

## Дайте вашому продукту голос і слух.

Послухайте голоси, транскрибуйте дзвінок у консолі або отримайте API-ключ і надішліть перше аудіо за лічені хвилини.

Отримати API-ключ (https://voice.mihu.ai/console/keys) Читати документацію (https://developers.mihu.ai/stt/introduction)
