Vai ai risultati
HomePrezzi

Speech-to-text per agenti vocali

Kugel Ear 1

Niente più bot che indovinano.

Prova Kugel EarVedi i benchmark

Una chiamata di esempio: chi chiama dice Viktor Brandt, Kugel Ear 1 segnala al bot che è incerto tra Viktor, Victor e Wiktor, e il bot chiede una volta.

Basta compitare all’infinito.

Le parole incerte arrivano segnalate al tuo LLM, con le altre grafie che Kugel Ear 1 ha sentito. Il tuo bot chiede una volta sola invece di far compitare chi chiama.

Cosa riceve il tuo LLMEsempio

Hi, this is Viktor Brandt.

  1. Viktor55%
  2. Victor31%
  3. Wiktor14%
  • 86%delle parole sbagliate erano segnalate come incerte
  • 51%arrivavano con la grafia giusta tra le alternative
Misurato su 800 chiamate sintetiche in tedesco con nomi, indirizzi e numeri cliente, metà via linea telefonica.

Sente quando chi chiama finisce.

Una pausa a metà frase non è la fine di un turno. Kugel Ear 1 la aspetta, così il tuo bot non parla sopra chi sta dettando un numero.

Un’illustrazione: chi chiama detta un numero cliente e fa una pausa a metà. Un bot vocale tipico prende la pausa per la fine del turno e parla sopra chi chiama. Kugel Ear 1 aspetta e chiude il turno dopo l’ultima cifra.

Il più preciso in assistenza.

Più parole giuste sul dataset pubblico di call center di AppTek: 280 turni di assistenza in inglese con 14 accenti, con audio pulito e via linea telefonica.

Chiamate di assistenza
  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 linea telefonica
  1. Kugel Ear 188,5%
  2. ElevenLabs Scribe v286,7%
  3. OpenAI gpt-transcribe86,2%
  4. Speechmatics Enhanced85,0%
  5. Deepgram Nova-381,2%

Parole giuste: 100% meno il tasso di errore sulle parole, mediana di 14 accenti. Più è meglio.

Trascrizione finale in 72 ms.

Appena un turno finisce, la trascrizione finale è in viaggio verso il tuo LLM. Misurato sugli stessi 280 turni, in streaming in tempo reale.

Dalla fine del parlato alla trascrizione finale, mediana
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Mostrato sette volte più lento. ElevenLabs Scribe v2 non è stato misurato.

Fatto per il tuo LLM.

Un solo WebSocket: entra l’audio, esce la trascrizione finale quando il turno finisce, poi le grafie su cui aveva dubbi. Nove lingue europee; indicane una o lascia che la riconosca a ogni turno.

La tua app invia

  1. Apri lo stream. Kugel Ear 1 decide quando finisce ogni turno.

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

  2. Invia l’audio della chiamata così com’è, pause comprese.

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

Kugel Ear 1 risponde

  1. La trascrizione finale, appena il turno finisce.

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

  2. Poi le parole su cui aveva dubbi, con le grafie sentite.

    {
  "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 € all’ora.

IVA esclusa · 0,5712 € con IVA al 19%

Rilevamento di fine turno e alternative di parole inclusi.

Prova Kugel Ear

Meno interruzioni a ogni latenza.

L’inglese nel benchmark aperto di fine turno di LiveKit, tutti i modelli pubblicati. A 300 ms tre di loro non riescono a rispondere; a 700 ms sì, e Kugel Ear 1 interrompe comunque meno di tutti. In ogni lingua del benchmark, Kugel Ear 1 interrompe meno di tutti con entrambi i tempi di attesa.

Risposta entro 300 ms
  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 rilevamento pause (VAD)55,6%
  9. Sonioxtroppo lento
  10. OpenAI GPT Realtime 2troppo lento
  11. Cartesia Ink 2troppo lento
Risposta entro 700 ms
  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 rilevamento pause (VAD)16,3%
  11. Cartesia Ink 2troppo lento

Tagli errati: la quota di pause scambiate per la fine di un turno. Meno è meglio.

Ogni modello, ogni attesa.

Trascina l’attesa dopo il parlato e guarda i tagli errati di ogni modello, su tutte le 14 lingue insieme o una lingua alla volta.

Tutti i numeri, nel dettaglio.

Kugel Ear 1 a confronto con i principali modelli di speech-to-text. Ogni modello ha ricevuto lo stesso audio e gli stessi giudici; il miglior risultato di ogni riga è in grassetto.

Risultati di speech-to-text, 16 ottobre 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Chiamate di assistenza , più è meglioparole giuste93,4%92,1%90,3%90,6%89,9%
Via linea telefonica , più è meglioparole giuste88,5%86,7%86,2%85,0%81,2%
Nomi e indirizzi , più è meglioscritti esattamente69,0%49,5%57,3%64,7%59,7%
Codici e numeri , più è meglioscritti esattamente81,9%77,7%83,1%67,3%56,6%
Conference call sui risultati , più è meglioparole giuste95,6%96,0%94,4%93,6%90,6%
Tempo alla trascrizione finale , meno è megliomediana72 msnon misurato587 ms273 ms94 ms
I dataset dietro questi numeri
DatasetUsato perAudioDimensioneFonte
AppTek Call-Center DialoguesChiamate di assistenza, Via linea telefonica e Tempo alla trascrizione finaleChiamate reali, recitate da persone con 14 accenti inglesi; per la riga linea telefonica anche passate su una linea telefonica simulata (8 kHz G.711, rumore di fondo, brevi interruzioni)280 turni di clienti da 1 a 25 secondi, 20 per accentoDataset pubblico
de-names-telephony-v1Ortografia e Nomi e indirizziParlato tedesco sintetico dalla sintesi vocale di KugelAudio (Kugel 3), testi generati da modelli; metà sulla stessa linea telefonica simulata800 chiamate: 400 frasi, ognuna pulita e sulla linea telefonicaCreato da KugelAudio, non pubblicato
VoiceCodeBenchCodici e numeriParlato inglese di lavoro, registrato da 85 persone300 registrazioni con 1.482 valori come codici, numeri di telefono e indirizzi e-mailDataset pubblico
Earnings22 (Artificial Analysis)Conference call sui risultatiRegistrazioni reali di conference call sui risultati di aziende, in inglese6 conference call di circa 19 minuti ciascunaDataset pubblico
LiveKit eot-benchInterruzioniConversazioni in 14 lingue5454 fine turno e 7979 pauseDataset pubblico

Come abbiamo misurato

  1. Parole giuste: 100% meno il tasso di errore sulle parole. Il tasso di errore conta ogni parola sbagliata, mancante o in più e ogni cifra sbagliata, ma ignora maiuscole, punteggiatura, intercalari e se un numero è scritto in cifre o in lettere.
  2. Grafie: 800 chiamate sintetiche in tedesco con nomi, indirizzi e-mail e postali e numeri cliente, metà via una linea telefonica simulata. Delle parole che Kugel Ear 1 ha sbagliato, ne ha segnalato 86% come incerte e ha inviato la grafia giusta tra le sue alternative per 51%.
  3. Interruzioni: il benchmark pubblico di fine turno di LiveKit, 5454 fine turno e 7979 pause in 14 lingue. Un taglio errato è un turno chiuso in una pausa dopo la quale chi chiama ha continuato. Ogni modello gira con la sua migliore impostazione misurata la cui attesa media dopo il parlato rientra nella latenza. Kugel Ear 1 ha interrotto meno in ogni lingua, a 300 ms e a 700 ms, rispetto a Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Solo rilevamento pause (VAD), Deepgram Flux e Cartesia Ink 2. Kugel Ear 1 riproduce il suo modello di turno con il feedback di chi chiama, con la trascrizione in arrivo 500 ms dopo; gli altri risultati sono le esecuzioni pubblicate da LiveKit. Le lingue del benchmark sono state usate durante lo sviluppo del modello di turno.
  4. Chiamate di assistenza: parole giuste (100% meno il tasso di errore sulle parole) su 280 turni di assistenza in inglese dai dialoghi di call center pubblici di AppTek, 20 per accento, mediana di 14 accenti, dalla nostra classifica di benchmark del 16 ottobre 2026.
  5. Linea telefonica: gli stessi turni via una linea telefonica G.711 simulata, parole giuste (100% meno il tasso di errore sulle parole), mediana di 14 accenti.
  6. Nomi e indirizzi: nomi tedeschi, indirizzi e-mail e postali e numeri cliente scritti esattamente, 800 chiamate sintetiche generate da noi (non un dataset pubblico), metà via una linea telefonica simulata.
  7. Codici e numeri: VoiceCodeBench, codici, numeri di telefono e indirizzi e-mail scritti esattamente, valutati per corrispondenza esatta.
  8. Conference call sui risultati: Earnings22, nella versione ripulita da Artificial Analysis, sei lunghe conference call sui risultati, parole giuste (100% meno il tasso di errore sulle parole).
  9. Velocità: i 280 turni di assistenza in streaming in tempo reale con una fine dell’input esplicita; tempo mediano dalla fine dell’input alla trascrizione finale, misurato da un client il 4 e 5 ottobre 2026. ElevenLabs Scribe v2 non è stato misurato.