Przejdź do wyników
StartCennik

Speech-to-text dla agentów głosowych

Kugel Ear 1

Twój bot przestaje zgadywać.

Wypróbuj Kugel EarZobacz benchmarki

Przykładowa rozmowa: rozmówca mówi Viktor Brandt, Kugel Ear 1 informuje bota, że waha się między Viktor, Victor i Wiktor, a bot pyta jeden raz.

Koniec z literowaniem w kółko.

Niepewne słowa trafiają do Twojego LLM oznaczone, razem z innymi pisowniami, które Kugel Ear 1 usłyszał. Twój bot pyta raz, zamiast kazać rozmówcy literować.

Co dostaje Twój LLMPrzykład

Hi, this is Viktor Brandt.

  1. Viktor55%
  2. Victor31%
  3. Wiktor14%
  • 86%błędnie zapisanych słów było oznaczonych jako niepewne
  • 51%przyszło z poprawną pisownią wśród alternatyw
Zmierzone na 800 syntetycznych rozmowach po niemiecku z nazwiskami, adresami i numerami klientów, połowa przez linię telefoniczną.

Słyszy, kiedy rozmówca skończył.

Pauza w środku zdania to nie koniec wypowiedzi. Kugel Ear 1 ją przeczekuje, więc Twój bot nie wchodzi w słowo komuś, kto dyktuje numer.

Ilustracja: rozmówca dyktuje numer klienta i robi pauzę w połowie. Typowy bot głosowy bierze pauzę za koniec wypowiedzi i wchodzi rozmówcy w słowo. Kugel Ear 1 czeka i kończy wypowiedź po ostatniej cyfrze.

Najdokładniejszy w obsłudze klienta.

Najwięcej poprawnych słów w publicznym zbiorze call center AppTek: 280 angielskich wypowiedzi z obsługi klienta w 14 akcentach, przy czystym audio i przez linię telefoniczną.

Rozmowy z obsługi klienta
  1. Kugel Ear 193,4%
  2. ElevenLabs Scribe v292,1%
  3. Speechmatics Enhanced90,6%
  4. OpenAI gpt-transcribe90,3%
  5. Deepgram Nova-389,9%
Przez linię telefoniczną
  1. Kugel Ear 188,5%
  2. ElevenLabs Scribe v286,7%
  3. OpenAI gpt-transcribe86,2%
  4. Speechmatics Enhanced85,0%
  5. Deepgram Nova-381,2%

Poprawne słowa: 100% minus współczynnik błędów słów, mediana z 14 akcentów. Więcej znaczy lepiej.

Końcowa transkrypcja w 72 ms.

Gdy tylko wypowiedź się kończy, gotowa transkrypcja jest w drodze do Twojego LLM. Zmierzone na tych samych 280 wypowiedziach, strumieniowanych w czasie rzeczywistym.

Od końca mowy do końcowej transkrypcji, mediana
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Pokazane siedem razy wolniej. ElevenLabs Scribe v2 nie był mierzony.

Stworzony dla Twojego LLM.

Jeden WebSocket: audio na wejściu, końcowa transkrypcja na wyjściu, gdy wypowiedź się kończy, a potem pisownie, których nie był pewien. Dziewięć języków europejskich; wskaż jeden albo pozwól go rozpoznawać w każdej wypowiedzi.

Twoja aplikacja wysyła

  1. Otwórz strumień. Kugel Ear 1 decyduje, kiedy kończy się każda wypowiedź.

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

  2. Wysyłaj audio rozmowy takie, jakie jest, razem z pauzami.

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

Kugel Ear 1 odpowiada

  1. Końcowa transkrypcja, gdy tylko wypowiedź się kończy.

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

  2. Potem słowa, których nie był pewien, z usłyszanymi pisowniami.

    {
  "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 godzinę.

netto · 0,5712 € z 19% VAT

Wykrywanie końca wypowiedzi i alternatywy słów w cenie.

Wypróbuj Kugel Ear

Najmniej przerwań przy każdej latencji.

Angielski w otwartym benchmarku końca wypowiedzi LiveKit, każdy opublikowany model. Przy 300 ms trzy z nich w ogóle nie mogą odpowiedzieć; przy 700 ms mogą, a Kugel Ear 1 i tak przerywa najrzadziej. W każdym języku benchmarku Kugel Ear 1 przerywa najrzadziej przy obu czasach oczekiwania.

Odpowiedź w ciągu 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. Tylko wykrywanie pauz (VAD)55,6%
  9. Sonioxza wolno
  10. OpenAI GPT Realtime 2za wolno
  11. Cartesia Ink 2za wolno
Odpowiedź w ciągu 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. Tylko wykrywanie pauz (VAD)16,3%
  11. Cartesia Ink 2za wolno

Fałszywe przerwania: odsetek pauz wziętych za koniec wypowiedzi. Mniej znaczy lepiej.

Każdy model, każde oczekiwanie.

Przesuń czas oczekiwania po mowie i zobacz fałszywe przerwania każdego modelu, łącznie dla 14 języków albo język po języku.

Wszystkie liczby, szczegółowo.

Kugel Ear 1 na tle czołowych modeli speech-to-text. Każdy model dostał to samo audio i tych samych oceniających; najlepszy wynik w każdym wierszu jest pogrubiony.

Wyniki speech-to-text, 16 października 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Rozmowy z obsługi klienta , więcej znaczy lepiejpoprawne słowa93,4%92,1%90,3%90,6%89,9%
Przez linię telefoniczną , więcej znaczy lepiejpoprawne słowa88,5%86,7%86,2%85,0%81,2%
Nazwiska i adresy , więcej znaczy lepiejzapisane dokładnie69,0%49,5%57,3%64,7%59,7%
Kody i numery , więcej znaczy lepiejzapisane dokładnie81,9%77,7%83,1%67,3%56,6%
Konferencje wynikowe , więcej znaczy lepiejpoprawne słowa95,6%96,0%94,4%93,6%90,6%
Czas do końcowej transkrypcji , mniej znaczy lepiejmediana72 msnie mierzono587 ms273 ms94 ms
Zbiory danych stojące za tymi liczbami
Zbiór danychUżyty doAudioRozmiarŹródło
AppTek Call-Center DialoguesRozmowy z obsługi klienta, Przez linię telefoniczną i Czas do końcowej transkrypcjiPrawdziwe rozmowy odegrane przez ludzi z 14 akcentami angielskimi; dla wiersza linia telefoniczna dodatkowo przez symulowaną linię telefoniczną (8 kHz G.711, szum tła, krótkie zaniki)280 wypowiedzi klientów od 1 do 25 sekund, 20 na akcentPubliczny zbiór danych
de-names-telephony-v1Pisownia i Nazwiska i adresySyntetyczna mowa niemiecka z własnej syntezy mowy KugelAudio (Kugel 3), teksty generowane z szablonów; połowa przez tę samą symulowaną linię telefoniczną800 rozmów: 400 zdań, każde czyste i przez linię telefonicznąStworzony przez KugelAudio, nieopublikowany
VoiceCodeBenchKody i numeryAngielska mowa z życia zawodowego, nagrana przez 85 osób300 nagrań z 1482 wartościami, takimi jak kody, numery telefonów i adresy e-mailPubliczny zbiór danych
Earnings22 (Artificial Analysis)Konferencje wynikowePrawdziwe nagrania konferencji wynikowych firm, po angielsku6 konferencji po około 19 minutPubliczny zbiór danych
LiveKit eot-benchPrzerywanieRozmowy w 14 językach5454 końców wypowiedzi i 7979 pauzPubliczny zbiór danych

Jak mierzyliśmy

  1. Poprawne słowa: 100% minus współczynnik błędów słów. Współczynnik liczy każde błędne, brakujące lub dodatkowe słowo i każdą błędną cyfrę, ale pomija wielkość liter, interpunkcję, wtrącenia i to, czy liczba jest zapisana cyframi, czy słowami.
  2. Pisownia: 800 syntetycznych rozmów po niemiecku z nazwiskami, adresami e-mail i pocztowymi oraz numerami klientów, połowa przez symulowaną linię telefoniczną. Spośród słów, które Kugel Ear 1 zapisał błędnie, oznaczył 86% jako niepewne, a dla 51% wysłał poprawną pisownię wśród alternatyw.
  3. Przerwania: publiczny benchmark końca wypowiedzi LiveKit, 5454 końców wypowiedzi i 7979 pauz w 14 językach. Fałszywe przerwanie to wypowiedź zakończona w pauzie, po której rozmówca mówił dalej. Każdy model działa z najlepszym zmierzonym ustawieniem, którego średni czas oczekiwania po mowie mieści się w latencji. Kugel Ear 1 przerywał najrzadziej w każdym języku, przy 300 ms i przy 700 ms, w porównaniu z Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Tylko wykrywanie pauz (VAD), Deepgram Flux i Cartesia Ink 2. Kugel Ear 1 odtwarza swój model końca wypowiedzi z reakcjami rozmówcy, przy transkrypcji spóźnionej o 500 ms; pozostałe wyniki to przebiegi opublikowane przez LiveKit. Języki benchmarku były używane podczas rozwoju modelu.
  4. Rozmowy z obsługi klienta: poprawne słowa (100% minus współczynnik błędów słów) w 280 angielskich wypowiedziach z obsługi klienta z publicznych dialogów call center AppTek, 20 na akcent, mediana z 14 akcentów, z naszego rankingu benchmarków z 16 października 2026.
  5. Linia telefoniczna: te same wypowiedzi przez symulowaną linię telefoniczną G.711, poprawne słowa (100% minus współczynnik błędów słów), mediana z 14 akcentów.
  6. Nazwiska i adresy: niemieckie nazwiska, adresy e-mail i pocztowe oraz numery klientów zapisane dokładnie, 800 syntetycznych rozmów wygenerowanych przez nas (nie jest to publiczny zbiór danych), połowa przez symulowaną linię telefoniczną.
  7. Kody i numery: VoiceCodeBench, kody, numery telefonów i adresy e-mail zapisane dokładnie, oceniane przez dokładne dopasowanie.
  8. Konferencje wynikowe: Earnings22 w wersji oczyszczonej przez Artificial Analysis, sześć długich konferencji wynikowych, poprawne słowa (100% minus współczynnik błędów słów).
  9. Szybkość: 280 wypowiedzi z obsługi klienta strumieniowanych w czasie rzeczywistym z jawnym końcem wejścia; mediana czasu od końca wejścia do końcowej transkrypcji, zmierzona przez jednego klienta 4 i 5 października 2026. ElevenLabs Scribe v2 nie był mierzony.