ProjectsNewsTranslation pending
Hume推出Audio Decision API，可直接分析录音中的情绪与对话行为
BIBIBI AT A GLANCEHume发布Audio Decision API，可直接分析录音并回答最多25个有关声音特征和对话行为的问题。
Article
Hume发布音频决策模型：听出叹气、插话和烦躁语气，还能直接打分
动察 Beating AI 快讯，Hume 发布 Audio Decision API，可以直接向录音提问。比如「有几个人在说话？」「客服有没有打断客户？」「客户听起来是否烦躁？」还能找出笑声、叹气出现的具体时间。一次最多提 25 个问题，无需先转录文字，模型就能给出判断结果和概率。
过去，要判断一段通话的说话人数、情绪变化、插话行为和背景噪声，通常需要组合多个专用模型。每增加一项分析任务，都可能要调整整套流程。Hume 把这些判断交给同一个模型，直接听录音、回答问题。开发者只需修改提问，就能分析新的声音特征和对话行为，无需重新训练模型或设计专用分类器。一套接口就能覆盖大量不同的音频分析任务。
模型经过超过 1000 万条人类判断数据训练，试图预测普通人听到同一段声音后的反应。例如输出 70% 的「烦躁」，表示预计约七成听众会觉得对方语气烦躁。官方初步测试中，模型与多人评审共识的一致率达到 70.7%，高于单个人类评分员的 56.5%。
Hume 公布的 10 项音频基准平均得分为 82%，高于 Gemini 3.8 Flash 的 78% 和 Qwen3.8-Omni-Flash 的 76%。
API 目前仍需申请权限，每百万输入 Token 收费 0.47 美元。按官方示例，分析一段 5 分钟通话约花 1.2 美分。单次支持 5 秒至 5 分钟音频，实时分析需要连续提交短音频片段。
Source: https://m.theblockbeats.info/flash/375235
AI-assisted interpretation
The following is analysis, separate from reported facts. Verify important claims independently.
这个API相当于让模型直接“听”录音，再按开发者的问题判断其中发生了什么。开发者可以更换问题来分析不同声音特征，不必为每项任务分别训练分类器。概率表示模型预计有多大比例的听众会形成相同感受，例如70%的“烦躁”表示预计约七成听众会认为语气烦躁。
Why it matters to readers
如果实际表现符合披露，该API可能用同一套接口覆盖说话人数、情绪、插话、笑声、叹气和背景噪声等多类分析任务，减少组合多个专用模型的需要。
适合关注客服通话分析、音频内容理解或语音应用开发的新手；需要注意它输出的是判断和概率，不等同于确定事实。
Risks and unknowns
- 性能一致率和基准得分来自Hume官方披露，文中未提供独立验证结果。
- API仍需申请权限，实际开放范围和申请条件不明确。
- 文中未说明不同语言、口音、录音质量和使用场景下的表现。
- 实时分析需要连续提交短音频片段，其延迟和稳定性未说明。
