Ir para os resultados
InícioPreços

Speech-to-text para agentes de voz

Kugel Ear 1

O bot deixa de adivinhar.

Experimentar o Kugel EarVer os benchmarks

Uma chamada de exemplo: quem liga diz Viktor Brandt, o Kugel Ear 1 avisa o bot de que hesita entre Viktor, Victor e Wiktor, e o bot pergunta uma vez.

Acabou soletrar sem fim.

As palavras incertas chegam marcadas ao seu LLM, com as outras grafias que o Kugel Ear 1 ouviu. O seu bot pergunta uma vez em vez de pôr quem liga a soletrar.

O que o seu LLM recebeExemplo

Hi, this is Viktor Brandt.

  1. Viktor55%
  2. Victor31%
  3. Wiktor14%
  • 86%das palavras que errou vinham marcadas como incertas
  • 51%chegaram com a grafia certa entre as alternativas
Medido em 800 chamadas sintéticas em alemão com nomes, moradas e números de cliente, metade por linha telefónica.

Ouve quando quem liga termina.

Uma pausa a meio de uma frase não é o fim de um turno. O Kugel Ear 1 espera por ela, para que o seu bot não interrompa quem está a ditar um número.

Uma ilustração: quem liga dita um número de cliente e faz uma pausa a meio. Um bot de voz típico toma a pausa pelo fim do turno e interrompe quem liga. O Kugel Ear 1 espera e termina o turno depois do último dígito.

O mais preciso no apoio.

Mais palavras certas no conjunto de dados público de call center da AppTek: 280 turnos de apoio ao cliente em inglês, com 14 sotaques, em áudio limpo e por linha telefónica.

Chamadas de apoio
  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 linha 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%

Palavras certas: 100% menos a taxa de erro de palavras, mediana de 14 sotaques. Mais é melhor.

Transcrição final em 72 ms.

Assim que um turno termina, a transcrição final está a caminho do seu LLM. Medido nos mesmos 280 turnos, em streaming em tempo real.

Do fim da fala à transcrição final, mediana
  1. Kugel Ear 172 ms
  2. Deepgram Nova-394 ms
  3. Speechmatics Enhanced273 ms
  4. OpenAI gpt-transcribe587 ms

Mostrado sete vezes mais devagar. O ElevenLabs Scribe v2 não foi medido.

Feito para o seu LLM.

Um WebSocket: entra o áudio, sai a transcrição final quando o turno termina e depois as grafias de que tinha dúvidas. Nove idiomas europeus; indique um ou deixe-o ser detetado em cada turno.

A sua app envia

  1. Abra o stream. O Kugel Ear 1 decide quando termina cada turno.

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

  2. Envie o áudio da chamada tal como está, com as pausas.

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

O Kugel Ear 1 responde

  1. A transcrição final, assim que o turno termina.

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

  2. Depois, as palavras de que tinha dúvidas, com as grafias que ouviu.

    {
  "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.

sem IVA · € 0,5712 com 19% de IVA

Deteção de fim de turno e alternativas de palavras incluídas.

Experimentar o Kugel Ear

Menos interrupções em qualquer latência.

Inglês no benchmark aberto de fim de turno da LiveKit, todos os modelos publicados. A 300 ms, três deles nem conseguem responder; a 700 ms conseguem, e o Kugel Ear 1 continua a interromper menos. Em todos os idiomas do benchmark, o Kugel Ear 1 interrompe menos com os dois tempos de espera.

Resposta em até 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. Só deteção de pausas (VAD)55,6%
  9. Sonioxdemasiado lento
  10. OpenAI GPT Realtime 2demasiado lento
  11. Cartesia Ink 2demasiado lento
Resposta em até 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. Só deteção de pausas (VAD)16,3%
  11. Cartesia Ink 2demasiado lento

Cortes indevidos: a parte das pausas tomadas pelo fim de um turno. Menos é melhor.

Cada modelo, qualquer espera.

Arraste a espera após a fala e veja os cortes indevidos de cada modelo, com os 14 idiomas agregados ou idioma a idioma.

Todos os números, em detalhe.

O Kugel Ear 1 face aos principais modelos de speech-to-text. Todos receberam o mesmo áudio e os mesmos avaliadores; o melhor resultado de cada linha está a negrito.

Resultados de speech-to-text, 16 de outubro de 2026
BenchmarkKugel Ear 1ElevenLabs Scribe v2OpenAI gpt-transcribeSpeechmatics EnhancedDeepgram Nova-3
Chamadas de apoio , mais é melhorpalavras certas93,4%92,1%90,3%90,6%89,9%
Por linha telefónica , mais é melhorpalavras certas88,5%86,7%86,2%85,0%81,2%
Nomes e moradas , mais é melhorescritos exatamente69,0%49,5%57,3%64,7%59,7%
Códigos e números , mais é melhorescritos exatamente81,9%77,7%83,1%67,3%56,6%
Conferências de resultados , mais é melhorpalavras certas95,6%96,0%94,4%93,6%90,6%
Tempo até à transcrição final , menos é melhormediana72 msnão medido587 ms273 ms94 ms
Os conjuntos de dados por trás destes números
Conjunto de dadosUsado paraÁudioTamanhoFonte
AppTek Call-Center DialoguesChamadas de apoio, Por linha telefónica e Tempo até à transcrição finalChamadas reais, interpretadas por pessoas com 14 sotaques do inglês; para a linha telefónica, também passadas por uma linha telefónica simulada (8 kHz G.711, ruído de fundo, cortes curtos)280 turnos de clientes de 1 a 25 segundos, 20 por sotaqueConjunto de dados público
de-names-telephony-v1Ortografia e Nomes e moradasFala alemã sintética da síntese de voz da própria KugelAudio (Kugel 3), textos gerados a partir de modelos; metade pela mesma linha telefónica simulada800 chamadas: 400 frases, cada uma limpa e pela linha telefónicaCriado pela KugelAudio, não publicado
VoiceCodeBenchCódigos e númerosFala inglesa do contexto de trabalho, gravada por 85 pessoas300 gravações com 1482 valores como códigos, números de telefone e endereços de e-mailConjunto de dados público
Earnings22 (Artificial Analysis)Conferências de resultadosGravações reais de conferências de resultados de empresas, em inglês6 conferências de cerca de 19 minutos cadaConjunto de dados público
LiveKit eot-benchInterrupçõesConversas em 14 idiomas5.454 fins de turno e 7.979 pausasConjunto de dados público

Como medimos

  1. Palavras certas: 100% menos a taxa de erro de palavras. A taxa de erro conta cada palavra errada, em falta ou a mais e cada dígito errado, mas ignora maiúsculas, pontuação, palavras de enchimento e se um número é escrito em algarismos ou por extenso.
  2. Grafias: 800 chamadas sintéticas em alemão com nomes, endereços de e-mail e postais e números de cliente, metade por uma linha telefónica simulada. Das palavras que o Kugel Ear 1 errou, marcou 86% como incertas e enviou a grafia certa entre as alternativas para 51%.
  3. Interrupções: o benchmark público de fim de turno da LiveKit, 5.454 fins de turno e 7.979 pausas em 14 idiomas. Um corte indevido é um turno terminado numa pausa após a qual quem liga continuou. Cada modelo corre com a sua melhor configuração medida cuja espera média após a fala cabe na latência. O Kugel Ear 1 interrompeu menos em todos os idiomas, a 300 ms e a 700 ms, face a Gradium, LiveKit Turn Detector v1, LiveKit Turn Detector v1-mini, OpenAI GPT Realtime 2, SmartTurn v3.2, Soniox, ultraVAD, Só deteção de pausas (VAD), Deepgram Flux e Cartesia Ink 2. O Kugel Ear 1 reproduz o seu modelo de turno com o feedback de quem liga, com a transcrição a chegar 500 ms atrasada; os restantes resultados são as execuções publicadas pela LiveKit. Os idiomas do benchmark foram usados durante o desenvolvimento do modelo de turno.
  4. Chamadas de apoio: palavras certas (100% menos a taxa de erro de palavras) em 280 turnos de apoio ao cliente em inglês dos diálogos de call center públicos da AppTek, 20 por sotaque, mediana de 14 sotaques, da nossa tabela de benchmarks de 16 de outubro de 2026.
  5. Linha telefónica: os mesmos turnos por uma linha telefónica G.711 simulada, palavras certas (100% menos a taxa de erro de palavras), mediana de 14 sotaques.
  6. Nomes e moradas: nomes alemães, endereços de e-mail e postais e números de cliente escritos exatamente, 800 chamadas sintéticas geradas por nós (não é um conjunto de dados público), metade por uma linha telefónica simulada.
  7. Códigos e números: VoiceCodeBench, códigos, números de telefone e endereços de e-mail escritos exatamente, avaliados por correspondência exata.
  8. Conferências de resultados: Earnings22, na versão limpa da Artificial Analysis, seis longas conferências de resultados, palavras certas (100% menos a taxa de erro de palavras).
  9. Velocidade: os 280 turnos de apoio em streaming em tempo real com um fim de entrada explícito; tempo mediano desde o fim da entrada até à transcrição final, medido por um cliente a 4 e 5 de outubro de 2026. O ElevenLabs Scribe v2 não foi medido.