Ir a los resultados
InicioPrecios

Speech-to-text para agentes de voz

Kugel Ear 1

Tu bot deja de adivinar.

Probar Kugel EarVer los benchmarks

Una llamada de ejemplo: quien llama dice Viktor Brandt, Kugel Ear 1 avisa al bot de que duda entre Viktor, Victor y Wiktor, y el bot pregunta una vez.

Se acabó deletrear en bucle.

Las palabras dudosas llegan marcadas a tu LLM, con las otras grafías que Kugel Ear 1 oyó. Tu bot pregunta una vez en lugar de hacer deletrear a quien llama.

Lo que recibe tu LLMEjemplo

Hi, this is Viktor Brandt.

  1. Viktor55 %
  2. Victor31 %
  3. Wiktor14 %
  • 86 %de las palabras que escribió mal estaban marcadas como dudosas
  • 51 %llegaron con la grafía correcta entre las alternativas
Medido en 800 llamadas sintéticas en alemán con nombres, direcciones y números de cliente, la mitad por línea telefónica.

Oye cuándo acaba quien llama.

Una pausa en mitad de una frase no es el final de un turno. Kugel Ear 1 la espera, para que tu bot no interrumpa a quien está dictando un número.

Una ilustración: quien llama dicta un número de cliente y hace una pausa a mitad. Un bot de voz típico toma la pausa por el final del turno e interrumpe. Kugel Ear 1 espera y cierra el turno tras el último dígito.

El más preciso en soporte.

Más palabras correctas en el conjunto de datos público de call center de AppTek: 280 turnos de soporte en inglés con 14 acentos, con audio limpio y por línea telefónica.

Llamadas de soporte
  1. Kugel Ear 193,4 %
  2. ElevenLabs Scribe v292,1 %
  3. Speechmatics Enhanced90,6 %
  4. OpenAI gpt-transcribe90,3 %
  5. Deepgram Nova-389,9 %
Por línea telefónica
  1. Kugel Ear 188,5 %
  2. ElevenLabs Scribe v286,7 %
  3. OpenAI gpt-transcribe86,2 %
  4. Speechmatics Enhanced85,0 %
  5. Deepgram Nova-381,2 %

Palabras correctas: 100 % menos la tasa de error por palabra, mediana de 14 acentos. Más es mejor.

Transcripción final en 72 ms.

En cuanto termina un turno, la transcripción final va de camino a tu LLM. Medido en los mismos 280 turnos, en streaming en tiempo real.

Del final del habla a la transcripción final, mediana
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Mostrado siete veces más lento. ElevenLabs Scribe v2 no se midió.

Hecho para tu LLM.

Un WebSocket: entra el audio, sale la transcripción final cuando termina el turno y después las grafías que le dejaron dudas. Nueve idiomas europeos; indica uno o deja que lo detecte en cada turno.

Tu app envía

  1. Abre el stream. Kugel Ear 1 decide cuándo termina cada turno.

    {
  "type": "config",
  "sample_rate": 16000,
  "turn_detection": "kugelturn"
}

  2. Envía el audio de la llamada tal cual, con sus pausas.

    {"type": "audio_chunk", "audio_b64": "…"}

Kugel Ear 1 responde

  1. La transcripción final, en cuanto termina el turno.

    {
  "type": "partial",
  "is_final": true,
  "partial_text": "Hi, this is Viktor Brandt.",
  "turn_end_reason": "model_end_of_turn"
}

  2. Después, las palabras que le dejaron dudas, con las grafías que oyó.

    {
  "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 € por hora.

IVA no incluido · 0,5712 € con 19 % de IVA

Detección de fin de turno y alternativas de palabras incluidas.

Probar Kugel Ear

Menos interrupciones con cualquier latencia.

Inglés en el benchmark abierto de fin de turno de LiveKit, todos los modelos publicados. A 300 ms, tres de ellos no pueden responder; a 700 ms sí pueden, y Kugel Ear 1 sigue interrumpiendo menos. En todos los idiomas del benchmark, Kugel Ear 1 interrumpe menos con ambos tiempos de espera.

Respuesta en 300 ms como máximo
  1. Kugel Ear 17,4 %
  2. LiveKit Turn Detector v19,9 %
  3. Deepgram Flux12,9 %
  4. ultraVAD27,7 %
  5. LiveKit Turn Detector v1-mini27,8 %
  6. SmartTurn v3.235,2 %
  7. Gradium55,6 %
  8. Solo detección de pausas (VAD)55,6 %
  9. Sonioxdemasiado lento
  10. OpenAI GPT Realtime 2demasiado lento
  11. Cartesia Ink 2demasiado lento
Respuesta en 700 ms como máximo
  1. Kugel Ear 12,7 %
  2. LiveKit Turn Detector v13,8 %
  3. Soniox4,3 %
  4. Deepgram Flux8,7 %
  5. Gradium8,8 %
  6. ultraVAD8,9 %
  7. LiveKit Turn Detector v1-mini9,8 %
  8. SmartTurn v3.211,2 %
  9. OpenAI GPT Realtime 213,5 %
  10. Solo detección de pausas (VAD)16,3 %
  11. Cartesia Ink 2demasiado lento

Cortes en falso: la proporción de pausas tomadas por el final de un turno. Menos es mejor.

Cada modelo, cualquier espera.

Arrastra la espera tras el habla y mira los cortes en falso de cada modelo, con los 14 idiomas agrupados o idioma por idioma.

Todas las cifras, en detalle.

Kugel Ear 1 frente a los principales modelos de speech-to-text. Todos recibieron el mismo audio y los mismos jueces; el mejor resultado de cada fila va en negrita.

Resultados de speech-to-text, 16 de octubre de 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Llamadas de soporte , más es mejorpalabras correctas93,4 %92,1 %90,3 %90,6 %89,9 %
Por línea telefónica , más es mejorpalabras correctas88,5 %86,7 %86,2 %85,0 %81,2 %
Nombres y direcciones , más es mejorescritos exactamente69,0 %49,5 %57,3 %64,7 %59,7 %
Códigos y números , más es mejorescritos exactamente81,9 %77,7 %83,1 %67,3 %56,6 %
Conferencias de resultados , más es mejorpalabras correctas95,6 %96,0 %94,4 %93,6 %90,6 %
Tiempo hasta la transcripción final , menos es mejormediana72 msno medido587 ms273 ms94 ms
Los conjuntos de datos detrás de estas cifras
Conjunto de datosSe usa paraAudioTamañoFuente
AppTek Call-Center DialoguesLlamadas de soporte, Por línea telefónica y Tiempo hasta la transcripción finalLlamadas reales, interpretadas por personas con 14 acentos del inglés; para la fila de línea telefónica, además a través de una línea telefónica simulada (8 kHz G.711, ruido de fondo, cortes breves)280 turnos de clientes de 1 a 25 segundos, 20 por acentoConjunto de datos público
de-names-telephony-v1Ortografía y Nombres y direccionesHabla alemana sintética de la síntesis de voz propia de KugelAudio (Kugel 3), textos generados con plantillas; la mitad por la misma línea telefónica simulada800 llamadas: 400 frases, cada una limpia y por la línea telefónicaCreado por KugelAudio, no publicado
VoiceCodeBenchCódigos y númerosHabla inglesa del entorno laboral, grabada por 85 personas300 grabaciones con 1482 valores como códigos, números de teléfono y direcciones de e-mailConjunto de datos público
Earnings22 (Artificial Analysis)Conferencias de resultadosGrabaciones reales de conferencias de resultados de empresas, en inglés6 conferencias de unos 19 minutos cada unaConjunto de datos público
LiveKit eot-benchInterrupcionesConversaciones en 14 idiomas5454 finales de turno y 7979 pausasConjunto de datos público

Cómo lo medimos

  1. Palabras correctas: 100 % menos la tasa de error por palabra. La tasa de error cuenta cada palabra incorrecta, omitida o sobrante y cada dígito incorrecto, pero ignora mayúsculas, puntuación, muletillas y si un número se escribe con cifras o con letras.
  2. Grafías: 800 llamadas sintéticas en alemán con nombres, direcciones de correo y postales y números de cliente, la mitad por una línea telefónica simulada. De las palabras que Kugel Ear 1 escribió mal, marcó 86 % como dudosas y envió la grafía correcta entre sus alternativas para 51 %.
  3. Interrupciones: el benchmark público de fin de turno de LiveKit, 5454 finales de turno y 7979 pausas en 14 idiomas. Un corte en falso es un turno cerrado en una pausa tras la cual quien llama siguió hablando. Cada modelo funciona con su mejor ajuste medido cuya espera media tras el habla cabe en la latencia. Kugel Ear 1 interrumpió menos en todos los idiomas, a 300 ms y a 700 ms, frente a Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Solo detección de pausas (VAD), Deepgram Flux y Cartesia Ink 2. Kugel Ear 1 reproduce su modelo de turno con el feedback de quien llama, con la transcripción llegando 500 ms tarde; los demás resultados son las ejecuciones que publicó LiveKit. Los idiomas del benchmark se usaron durante el desarrollo del modelo de turno.
  4. Llamadas de soporte: palabras correctas (100 % menos la tasa de error por palabra) en 280 turnos de soporte en inglés de los diálogos de call center públicos de AppTek, 20 por acento, mediana de 14 acentos, de nuestra tabla de benchmarks del 16 de octubre de 2026.
  5. Línea telefónica: los mismos turnos por una línea telefónica G.711 simulada, palabras correctas (100 % menos la tasa de error por palabra), mediana de 14 acentos.
  6. Nombres y direcciones: nombres alemanes, direcciones de correo y postales y números de cliente escritos exactamente, 800 llamadas sintéticas generadas por nosotros (no es un conjunto de datos público), la mitad por una línea telefónica simulada.
  7. Códigos y números: VoiceCodeBench, códigos, números de teléfono y direcciones de correo escritos exactamente, evaluados por coincidencia exacta.
  8. Conferencias de resultados: Earnings22, en la versión depurada de Artificial Analysis, seis largas conferencias de resultados, palabras correctas (100 % menos la tasa de error por palabra).
  9. Velocidad: los 280 turnos de soporte en streaming en tiempo real con un final de entrada explícito; tiempo mediano desde el final de la entrada hasta la transcripción final, medido por un cliente el 4 y 5 de octubre de 2026. ElevenLabs Scribe v2 no se midió.