Aller aux résultats
AccueilTarifs

Speech-to-text pour agents vocaux

Kugel Ear 1

Votre bot ne devine plus.

Essayer Kugel EarVoir les benchmarks

Un exemple d’appel : l’appelant dit Viktor Brandt, Kugel Ear 1 signale au bot qu’il hésite entre Viktor, Victor et Wiktor, et le bot pose une seule question.

Fini les boucles d’épellation.

Les mots incertains arrivent signalés à votre LLM, avec les autres orthographes que Kugel Ear 1 a entendues. Votre bot pose une seule question au lieu de faire épeler l’appelant.

Ce que reçoit votre LLMExemple

Hi, this is Viktor Brandt.

  1. Viktor55 %
  2. Victor31 %
  3. Wiktor14 %
  • 86 %des mots mal transcrits étaient signalés comme incertains
  • 51 %arrivaient avec la bonne orthographe parmi les alternatives
Mesuré sur 800 appels allemands synthétiques avec noms, adresses et numéros client, dont la moitié via une ligne téléphonique.

Entend quand l’appelant a fini.

Une pause au milieu d’une phrase n’est pas la fin d’un tour. Kugel Ear 1 l’attend, pour que votre bot ne coupe pas la parole à un appelant qui dicte un numéro.

Une illustration : un appelant dicte un numéro client et marque une pause au milieu. Un bot vocal classique prend la pause pour la fin du tour et coupe la parole à l’appelant. Kugel Ear 1 attend et termine le tour après le dernier chiffre.

Le plus précis au support.

Le plus de mots justes sur le jeu de données public de centre d’appels d’AppTek : 280 tours de support client en anglais, sur 14 accents, en audio propre et via une ligne téléphonique.

Appels de support
  1. Kugel Ear 193,4 %
  2. ElevenLabs Scribe v292,1 %
  3. Speechmatics Enhanced90,6 %
  4. OpenAI gpt-transcribe90,3 %
  5. Deepgram Nova-389,9 %
Via une ligne téléphonique
  1. Kugel Ear 188,5 %
  2. ElevenLabs Scribe v286,7 %
  3. OpenAI gpt-transcribe86,2 %
  4. Speechmatics Enhanced85,0 %
  5. Deepgram Nova-381,2 %

Mots justes : 100 % moins le taux d’erreur sur les mots, médiane de 14 accents. Plus, c’est mieux.

Transcription finale en 72 ms.

Dès qu’un tour se termine, la transcription finale part vers votre LLM. Mesuré sur les mêmes 280 tours, diffusés en temps réel.

De la fin de la parole à la transcription finale, médiane
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Affiché sept fois plus lentement. ElevenLabs Scribe v2 n’a pas été mesuré.

Conçu pour votre LLM.

Un seul WebSocket : l’audio entre, la transcription finale sort dès que le tour se termine, puis les orthographes dont il doutait. Neuf langues européennes ; choisissez-en une ou laissez-la détecter à chaque tour.

Votre app envoie

  1. Ouvrez le flux. Kugel Ear 1 décide quand chaque tour se termine.

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

  2. Envoyez l’audio de l’appel tel quel, pauses comprises.

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

Kugel Ear 1 répond

  1. La transcription finale, dès que le tour se termine.

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

  2. Puis les mots dont il doutait, avec les orthographes entendues.

    {
  "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 € de l’heure.

HT · 0,5712 € TTC avec 19 % de TVA

Détection de fin de tour et alternatives de mots incluses.

Essayer Kugel Ear

Le moins d’interruptions, toute latence.

L’anglais dans le benchmark ouvert de fin de tour de LiveKit, tous les modèles publiés. À 300 ms, trois d’entre eux ne peuvent pas répondre du tout ; à 700 ms, ils le peuvent, et Kugel Ear 1 coupe toujours le moins la parole. Dans chaque langue du benchmark, Kugel Ear 1 coupe le moins la parole aux deux temps d’attente.

Réponse en 300 ms maximum
  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. Détection de pause seule (VAD)55,6 %
  9. Sonioxtrop lent
  10. OpenAI GPT Realtime 2trop lent
  11. Cartesia Ink 2trop lent
Réponse en 700 ms maximum
  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. Détection de pause seule (VAD)16,3 %
  11. Cartesia Ink 2trop lent

Coupures à tort : la part des pauses prises pour la fin d’un tour. Moins, c’est mieux.

Chaque modèle, chaque attente.

Faites glisser l’attente après la parole et voyez les coupures à tort de chaque modèle, sur les 14 langues réunies ou langue par langue.

Tous les chiffres, en détail.

Kugel Ear 1 face aux principaux modèles de speech-to-text. Chaque modèle a reçu le même audio et les mêmes juges ; le meilleur résultat de chaque ligne est en gras.

Résultats speech-to-text, 16 octobre 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Appels de support , plus, c’est mieuxmots justes93,4 %92,1 %90,3 %90,6 %89,9 %
Via une ligne téléphonique , plus, c’est mieuxmots justes88,5 %86,7 %86,2 %85,0 %81,2 %
Noms et adresses , plus, c’est mieuxécrits exactement69,0 %49,5 %57,3 %64,7 %59,7 %
Codes et numéros , plus, c’est mieuxécrits exactement81,9 %77,7 %83,1 %67,3 %56,6 %
Conférences financières , plus, c’est mieuxmots justes95,6 %96,0 %94,4 %93,6 %90,6 %
Délai de la transcription finale , moins, c’est mieuxmédiane72 msnon mesuré587 ms273 ms94 ms
Les jeux de données derrière ces chiffres
Jeu de donnéesUtilisé pourAudioTailleSource
AppTek Call-Center DialoguesAppels de support, Via une ligne téléphonique et Délai de la transcription finaleAppels réels, joués par des personnes avec 14 accents anglais ; pour la ligne téléphonique, aussi passés par une ligne téléphonique simulée (8 kHz G.711, bruit de fond, courtes coupures)280 tours de clients de 1 à 25 secondes, 20 par accentJeu de données public
de-names-telephony-v1Orthographe et Noms et adressesParole allemande synthétique produite par la synthèse vocale de KugelAudio (Kugel 3), textes générés à partir de modèles ; la moitié via la même ligne téléphonique simulée800 appels : 400 phrases, chacune en version propre et via la ligne téléphoniqueCréé par KugelAudio, non publié
VoiceCodeBenchCodes et numérosParole anglaise du monde du travail, enregistrée par 85 personnes300 enregistrements avec 1 482 valeurs comme des codes, numéros de téléphone et adresses e-mailJeu de données public
Earnings22 (Artificial Analysis)Conférences financièresEnregistrements réels de conférences de résultats d’entreprises, en anglais6 conférences d’environ 19 minutes chacuneJeu de données public
LiveKit eot-benchInterruptionsConversations en 14 langues5 454 fins de tour et 7 979 pausesJeu de données public

Comment nous avons mesuré

  1. Mots justes : 100 % moins le taux d’erreur sur les mots. Le taux d’erreur compte chaque mot faux, manquant ou en trop et chaque chiffre faux, mais ignore la casse, la ponctuation, les mots de remplissage et l’écriture d’un nombre en chiffres ou en lettres.
  2. Orthographe : 800 appels allemands synthétiques avec noms, adresses e-mail et postales et numéros client, la moitié via une ligne téléphonique simulée. Parmi les mots que Kugel Ear 1 a mal transcrits, il en a signalé 86 % comme incertains et a envoyé la bonne orthographe parmi ses alternatives pour 51 %.
  3. Interruptions : le benchmark public de fin de tour de LiveKit, 5 454 fins de tour et 7 979 pauses dans 14 langues. Une coupure à tort est un tour clos pendant une pause après laquelle l’appelant a continué. Chaque modèle tourne avec son meilleur réglage mesuré dont l’attente moyenne après la parole tient dans la latence. Kugel Ear 1 a le moins coupé la parole dans chaque langue, à 300 ms et à 700 ms, face à Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Détection de pause seule (VAD), Deepgram Flux et Cartesia Ink 2. Kugel Ear 1 rejoue son modèle de tour avec le retour de l’appelant, la transcription arrivant avec 500 ms de retard ; les autres résultats sont les exécutions publiées par LiveKit. Les langues du benchmark ont servi pendant le développement du modèle de tour.
  4. Appels de support : mots justes (100 % moins le taux d’erreur sur les mots) sur 280 tours de support client en anglais tirés des dialogues de centre d’appels publics d’AppTek, 20 par accent, médiane de 14 accents, d’après notre classement de benchmarks du 16 octobre 2026.
  5. Ligne téléphonique : les mêmes tours via une ligne téléphonique G.711 simulée, mots justes (100 % moins le taux d’erreur sur les mots), médiane de 14 accents.
  6. Noms et adresses : noms allemands, adresses e-mail et postales et numéros client écrits exactement, 800 appels synthétiques générés par nous (pas un jeu de données public), la moitié via une ligne téléphonique simulée.
  7. Codes et numéros : VoiceCodeBench, codes, numéros de téléphone et adresses e-mail écrits exactement, évalués par correspondance exacte.
  8. Conférences financières : Earnings22, dans la version nettoyée par Artificial Analysis, six longues conférences de résultats, mots justes (100 % moins le taux d’erreur sur les mots).
  9. Vitesse : les 280 tours de support diffusés en temps réel avec une fin d’entrée explicite ; délai médian entre la fin de l’entrée et la transcription finale, mesuré par un client les 4 et 5 octobre 2026. ElevenLabs Scribe v2 n’a pas été mesuré.