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.

~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
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.

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
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
МоваЧастка помилок у словахТочність за словами
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%
Синтез мовлення · Ses · зворотно розпізнано Whisper large-v3 на 8 kHz
МоваЧастка помилок у словахТочність за словами
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 · час до першого звуку, на CPU
  • TR0.10 s
  • EN0.11 s
  • DE0.11 s
  • FR0.15 s
  • ES0.12 s
  • IT0.13 s
  • RU0.31 s

Турецьку також виміряно на телефонних дзвінках і ефірних записах. Методи, усі протестовані системи та повні графіки — на сторінці бенчмарків. Усі бенчмарки →

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
НавантаженняОбсягВартість
Транскрибувати 10,000 дзвінків по 3 хвилини500 годин аудіо€45.00
Озвучити 10,000 відповідей по 200 символів2 мільйони символів€20.00
Транскрибувати 1,000 годин записів1,000 годин аудіо€90.00
10,000 дзвінків по 3 хвилини з діаризацією мовців500 годин + 10,000 розмов€145.00

Працюєте on-prem або з більшими обсягами? Зв'язатися з відділом продажів →

Дайте вашому продукту голос і слух.

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