Mihu Voice · Novo

Vozes que soam humanas. Transcrições enquanto as pessoas falam.

O Mihu Voice é o nosso próprio stack de voz, feito para chamadas ao vivo: o Umay transforma fala em texto enquanto quem liga ainda está falando, e o Ses transforma texto em fala natural em sete idiomas. Uma API, hospedada na Europa ou na Turquia, ou nos seus próprios servidores.

~80 ms
Texto final depois que quem liga para de falar
7
Idiomas, fala para texto e texto para fala
10–30 s
de fala para clonar uma voz
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.
Dois modelos, uma API

Os ouvidos e a voz de cada agente Mihu, agora abertos para o seu produto.

O mihu-umay-v1 para fala para texto e o mihu-ses-v1 para texto para fala ficam atrás de uma única chave de API, via REST e WebSocket. Os dois respondem da mesma forma em todas as regiões e funcionam com os SDKs oficiais da OpenAI, bastando trocar a base URL.

Umay
Fala para texto, ao vivo e arquivos
Ses
Texto para fala, em streaming
Idiomas
TR, EN, DE, FR, IT, RU, ES
Onde roda
Europa, Turquia ou on-premise
Umay · fala para texto

O texto aparece enquanto quem liga ainda está falando.

O texto parcial chega em streaming enquanto a pessoa fala. A frase final fica pronta cerca de 80 ms depois que ela para, mais rápido que um piscar de olhos, então seu agente responde sem pausa.

Em fala lida em turco, o Umay tem taxa de erro de palavras de 3.42%, a menor entre os nove sistemas que testamos. No modo só turco, um servidor atende até 256 chamadas ao vivo.

  • Chamadas ao vivo via WebSocket: PCM de 16 kHz em frames de 100 ms, um só socket
  • Arquivos em qualquer formato comum via REST, 19.5× mais rápido que o tempo real no modo rápido
  • Suporte a áudio telefônico de 8 kHz
Texto parcial e final em uma chamada ao vivo, com os falantes identificados enquanto falam.

Tudo o que o Umay faz

As opções de falante são ativadas por requisição; desativadas, não adicionam latência.

Formatação inteligente e nomes de lugares

Valores, datas e endereços saem do jeito que o CRM espera.

Valores, datas e placas são escritos como números, com cerca de 6 ms a mais. Listas integradas de distritos e bairros, mais suas próprias hotwords, aumentam a precisão de nomes de lugares ao vivo em 3 a 8 pontos.

1.68%taxa de erro de palavras em 500 endereços falados, 8 kHz, com dicas de lugar
97.2%das frases de endereço totalmente corretas com dicas de lugar
Ses · texto para fala

Uma voz que soa local.

O Ses lê endereços, nomes de lugares, valores, datas, placas e telefones do jeito que as pessoas falam, nos sete idiomas. O áudio volta em streaming antes de a frase inteira ser sintetizada e começa em cerca de 0.1 s.

  • 22 vozes prontas em 7 idiomas, mais as suas
  • Áudio de 24 kHz em pcm, wav, mp3, opus, aac ou flac
  • Barge-in: fechar a conexão interrompe a fala no instante em que quem liga fala
  • Gerar e verificar opcional para turco, e acentuação tônica para 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.
Uma requisição, lida corretamente em cada idioma, em streaming enquanto é gerada.
Clonagem de voz

Sua própria voz a partir de 10–30 segundos de fala.

Grave uma amostra curta e o Ses cria uma voz personalizada que você pode usar ao lado das 22 vozes prontas. Cada clone passa por uma checagem de leitura e exige o consentimento de quem fala. A gravação é usada para criar a voz e depois descartada; só a voz é mantida.

Clonar uma voz no console
Benchmarks · novembro de 2026

Precisão nos 7 idiomas.

Cada sistema é avaliado da mesma forma em conjuntos de teste públicos, com números e formatos normalizados. Taxa de erro de palavras menor é melhor.

Fala para texto · Umay · FLEURS, áudio limpo
IdiomaTaxa de erro de palavrasPrecisão de palavras
Türkçe3.42%96.58%
English6.44%93.56%
Deutsch6.46%93.54%
Français6.70%93.30%
Español3.68%96.32%
Italiano3.34%96.66%
Русский5.61%94.39%
Texto para fala · Ses · relido pelo Whisper large-v3 a 8 kHz
IdiomaTaxa de erro de palavrasPrecisão de palavras
Türkçe3.38%96.62%
English1.29%98.71%
Deutsch3.62%96.38%
Français4.41%95.59%
Español2.53%97.47%
Italiano3.36%96.64%
Русский5.04%94.96%
Ses · tempo até o primeiro áudio, em CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

O turco também é medido em chamadas telefônicas e mídia de transmissão. Métodos, todos os sistemas testados e os gráficos completos estão na página de benchmarks. Todos os benchmarks →

O console

Tudo o que a API faz, no navegador.

Teste vozes, transcreva, clone e gerencie chaves sem escrever código. E você decide por quanto tempo cada coisa fica guardada.

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.
Vozes: as 22 vozes prontas e as suas, com atalhos para clonar, falar, transcrever e obter chaves.
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.
Texto para fala: digite, escolha uma voz e a velocidade, confira a pronúncia e baixe.

Vozes

As vozes prontas e as suas. Ouça qualquer uma antes de usar.

Texto para fala

Digite, escolha uma voz e ouça começar em cerca de 0.1 s. Baixe em mp3, wav, flac e mais.

Fala para texto

Envie um arquivo ou um link, grave, ou entre ao vivo e veja as palavras aparecerem enquanto você fala.

Isolador de voz

Remova vozes de fundo e ruído de uma gravação; compare antes e depois.

Clonar voz

Uma voz a partir de 10–30 segundos de fala, com checagem de leitura e consentimento de quem fala.

Chaves de API e uso

Chaves para os seus servidores, código de início rápido por região e quanto você gastou.

Integração

Conecta-se ao contact center que você já opera.

Nenhum SDK da Mihu é necessário e nada roda do seu lado. Chamadas ao vivo transmitem áudio via WebSocket; arquivos e síntese usam HTTPS simples. Escolher uma região muda apenas o host.

  • Europa: stt.eu.mihu.ai e tts.eu.mihu.ai
  • Turquia: stt.tr.mihu.ai e tts.tr.mihu.ai, os dados ficam no país (KVKK)
  • Nos seus próprios servidores: Docker em CPU, offline, sem GPU e sem internet
  • Os SDKs oficiais da OpenAI funcionam trocando a 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

Proteção de dados: KVKK e GDPR

O áudio não é armazenado

Streams ao vivo são processados em memória e nunca gravados em disco. Um arquivo só é mantido enquanto é transcrito.

As transcrições não ficam em log

Os resultados da API são devolvidos a você, não guardados. No console, você escolhe por quanto tempo as transcrições ficam, de nada até 3 anos.

Impressões de voz com consentimento

Gravações de voz nunca são armazenadas. Só uma assinatura numérica é mantida, e apenas se você pedir; ela pode ser apagada de vez.

Preços

Pague pelo áudio que você envia e pelos caracteres que converte em fala.

Preços de tabela em euros. As opções são cobradas à parte, só quando você as usa. Arquivos e streams ao vivo custam o mesmo.

Fala para texto · mihu-umay-v1
€0.09 por hora de áudio
€0.0015 por minuto de áudio
Texto para fala · mihu-ses-v1
€10 por milhão de caracteres
€0.01 por mil caracteres
Opções de fala para texto
€0.01 cada
Por conversa: isolamento de voz, diarização, bloqueio de falante, detecção de gênero. Por requisição: impressões de voz, verificação de falante.
Quanto custam cargas de trabalho típicas a preço de tabela
Carga de trabalhoVolumeCusto
Transcrever 10,000 chamadas de 3 minutos500 horas de áudio€45.00
Falar 10,000 respostas de 200 caracteres2 milhões de caracteres€20.00
Transcrever 1,000 horas de gravações1,000 horas de áudio€90.00
10,000 chamadas de 3 minutos com diarização de falantes500 horas + 10,000 conversas€145.00

Vai rodar on-premise ou em volume maior? Falar com vendas →

Dê voz e ouvidos ao seu produto.

Ouça as vozes, transcreva uma chamada no console ou obtenha uma chave de API e transmita seu primeiro áudio em minutos.