DomůCeníkSpeech-to-text pro hlasové agenty
Kugel Ear 1
Váš bot přestane hádat.
Ukázkový hovor: volající řekne Viktor Brandt, Kugel Ear 1 sdělí botovi, že váhá mezi Viktor, Victor a Wiktor, a bot se jednou zeptá.
Konec nekonečného hláskování.
Nejistá slova dorazí do vašeho LLM označená, spolu s dalšími podobami, které Kugel Ear 1 slyšel. Váš bot se zeptá jednou, místo aby nechal volajícího hláskovat.
Co dostane váš LLMPříklad
Hi, this is Viktor Brandt.
Viktor55 %Victor31 %Wiktor14 %
- 86 %chybně přepsaných slov bylo označeno jako nejistá
- 51 %přišlo se správným pravopisem mezi alternativami
Slyší, kdy volající domluvil.
Pauza uprostřed věty není konec repliky. Kugel Ear 1 ji vyčká, takže váš bot neskočí do řeči volajícímu, který zrovna diktuje číslo.
Ilustrace: volající diktuje zákaznické číslo a uprostřed udělá pauzu. Běžný hlasový bot považuje pauzu za konec repliky a skočí volajícímu do řeči. Kugel Ear 1 čeká a ukončí repliku po poslední číslici.
Nejpřesnější v zákaznické podpoře.
Nejvíc správných slov ve veřejné call-centrové datové sadě AppTek: 280 anglických replik zákaznické podpory se 14 přízvuky, při čistém zvuku i přes telefonní linku.
Správná slova: 100 % minus míra chybovosti slov, medián ze 14 přízvuků. Více je lépe.
Finální přepis za 72 ms.
Jakmile replika skončí, hotový přepis je na cestě k vašemu LLM. Měřeno na stejných 280 replikách, streamovaných v reálném čase.
- Kugel Ear 172 ms
- Deepgram Nova-394 ms
- Speechmatics Enhanced273 ms
- OpenAI gpt-transcribe587 ms
Zobrazeno sedmkrát pomaleji. ElevenLabs Scribe v2 měřen nebyl.
Postaveno pro váš LLM.
Jeden WebSocket: dovnitř zvuk, ven finální přepis, jakmile replika skončí, a pak podoby slov, kterými si nebyl jistý. Devět evropských jazyků; zadejte jeden, nebo ho nechte rozpoznat v každé replice.
Vaše aplikace posílá
Otevřete stream. Kugel Ear 1 rozhoduje, kdy každá replika končí.
{ "type": "config", "sample_rate": 16000, "turn_detection": "kugelturn" }Posílejte zvuk hovoru tak, jak je, i s pauzami.
{"type": "audio_chunk", "audio_b64": "…"}
Kugel Ear 1 odpovídá
Finální přepis, jakmile replika skončí.
{ "type": "partial", "is_final": true, "partial_text": "Hi, this is Viktor Brandt.", "turn_end_reason": "model_end_of_turn" }Pak slova, kterými si nebyl jistý, se slyšenými podobami.
{ "type": "alternatives", "partial_text": "Hi, this is Viktor Brandt.", "word_alternatives": [{ "raw_word_index": 3, "word": "Viktor", "alternatives": [ {"spelling": "Viktor", "probability": 0.55}, {"spelling": "Victor", "probability": 0.31}, {"spelling": "Wiktor", "probability": 0.14} ] }] }
0,48 € za hodinu.
bez DPH · 0,5712 € s 19 % DPH
Detekce konce repliky a alternativy slov v ceně.
Nejméně přerušení při jakékoli latenci.
Angličtina v otevřeném benchmarku konce repliky od LiveKit, každý zveřejněný model. Při 300 ms tři z nich vůbec nestihnou odpovědět; při 700 ms ano, a Kugel Ear 1 přesto přerušuje nejméně. V každém jazyce benchmarku přerušuje Kugel Ear 1 při obou čekacích dobách nejméně.
Chybná přerušení: podíl pauz považovaných za konec repliky. Méně je lépe.
Každý model, jakékoli čekání.
Posuňte čekání po řeči a podívejte se na chybná přerušení každého modelu, souhrnně za všech 14 jazyků nebo jazyk po jazyku.
Všechna čísla podrobně.
Kugel Ear 1 proti předním modelům speech-to-text. Každý model dostal stejné audio a stejné hodnotitele; nejlepší výsledek v každém řádku je tučně.
| Benchmark | Kugel Ear 1 | ElevenLabs Scribe v2 | OpenAI gpt-transcribe | Speechmatics Enhanced | Deepgram Nova-3 |
|---|---|---|---|---|---|
| Hovory zákaznické podpory , více je lépesprávná slova | 93,4 % | 92,1 % | 90,3 % | 90,6 % | 89,9 % |
| Přes telefonní linku , více je lépesprávná slova | 88,5 % | 86,7 % | 86,2 % | 85,0 % | 81,2 % |
| Jména a adresy , více je lépezapsané přesně | 69,0 % | 49,5 % | 57,3 % | 64,7 % | 59,7 % |
| Kódy a čísla , více je lépezapsané přesně | 81,9 % | 77,7 % | 83,1 % | 67,3 % | 56,6 % |
| Konference k výsledkům , více je lépesprávná slova | 95,6 % | 96,0 % | 94,4 % | 93,6 % | 90,6 % |
| Čas do finálního přepisu , méně je lépemedián | 72 ms | neměřeno | 587 ms | 273 ms | 94 ms |
| Datová sada | Použito pro | Audio | Rozsah | Zdroj |
|---|---|---|---|---|
| AppTek Call-Center Dialogues | Hovory zákaznické podpory, Přes telefonní linku a Čas do finálního přepisu | Skutečné hovory, které lidé sehráli se 14 anglickými přízvuky; pro řádek telefonní linka navíc přes simulovanou telefonní linku (8 kHz G.711, šum v pozadí, krátké výpadky) | 280 replik zákazníků o délce 1 až 25 sekund, 20 na přízvuk | Veřejná datová sada |
| de-names-telephony-v1 | Pravopis a Jména a adresy | Syntetická německá řeč z vlastního převodu textu na řeč KugelAudio (Kugel 3), texty generované ze šablon; polovina přes stejnou simulovanou telefonní linku | 800 hovorů: 400 vět, každá čistě a přes telefonní linku | Vytvořeno v KugelAudio, nezveřejněno |
| VoiceCodeBench | Kódy a čísla | Anglická pracovní řeč, kterou nahrálo 85 lidí | 300 nahrávek s 1 482 hodnotami, jako jsou kódy, telefonní čísla a e-mailové adresy | Veřejná datová sada |
| Earnings22 (Artificial Analysis) | Konference k výsledkům | Skutečné nahrávky konferencí firem k hospodářským výsledkům, v angličtině | 6 konferencí, každá zhruba 19 minut | Veřejná datová sada |
| LiveKit eot-bench | Přerušování | Rozhovory ve 14 jazycích | 5 454 konců replik a 7 979 pauz | Veřejná datová sada |
Jak jsme měřili
- Správná slova: 100 % minus míra chybovosti slov. Míra chybovosti počítá každé chybné, chybějící nebo přebývající slovo a každou chybnou číslici, ale ignoruje velká a malá písmena, interpunkci, výplňková slova a to, zda je číslo zapsáno číslicemi, nebo slovy.
- Pravopis: 800 syntetických německých hovorů se jmény, e-mailovými a poštovními adresami a zákaznickými čísly, polovina přes simulovanou telefonní linku. Ze slov, která Kugel Ear 1 přepsal chybně, jich 86 % označil jako nejistá a pro 51 % poslal správný pravopis mezi alternativami.
- Přerušení: veřejný benchmark konce repliky od LiveKit, 5 454 konců replik a 7 979 pauz ve 14 jazycích. Chybné přerušení je replika ukončená v pauze, po které volající pokračoval. Každý model běží se svým nejlepším naměřeným nastavením, jehož průměrné čekání po řeči se vejde do latence. Kugel Ear 1 přerušoval nejméně v každém jazyce, při 300 ms i při 700 ms, ve srovnání s Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Jen detekce pauz (VAD), Deepgram Flux a Cartesia Ink 2. Kugel Ear 1 přehrává svůj model konce repliky se zpětnou vazbou volajícího, s přepisem zpožděným o 500 ms; ostatní výsledky jsou běhy, které zveřejnil LiveKit. Jazyky benchmarku byly použity při vývoji modelu.
- Hovory zákaznické podpory: správná slova (100 % minus míra chybovosti slov) ve 280 anglických replikách zákaznické podpory z veřejných call-centrových dialogů AppTek, 20 na přízvuk, medián ze 14 přízvuků, z našeho žebříčku benchmarků ze 16. října 2026.
- Telefonní linka: stejné repliky přes simulovanou telefonní linku G.711, správná slova (100 % minus míra chybovosti slov), medián ze 14 přízvuků.
- Jména a adresy: německá jména, e-mailové a poštovní adresy a zákaznická čísla zapsané přesně, 800 syntetických hovorů, které jsme sami vytvořili (nejde o veřejnou datovou sadu), polovina přes simulovanou telefonní linku.
- Kódy a čísla: VoiceCodeBench, kódy, telefonní čísla a e-mailové adresy zapsané přesně, hodnoceno přesnou shodou.
- Konference k výsledkům: Earnings22 v úpravě Artificial Analysis, šest dlouhých konferencí k hospodářským výsledkům, správná slova (100 % minus míra chybovosti slov).
- Rychlost: 280 replik zákaznické podpory streamovaných v reálném čase s explicitním koncem vstupu; medián času od konce vstupu po finální přepis, změřeno jedním klientem 4. a 5. října 2026. ElevenLabs Scribe v2 měřen nebyl.