Hume發布音頻決策模型：聽出嘆氣、插話和煩躁語氣，還能直接打分

動察 Beating AI 快訊，Hume 發布 Audio Decision API，可以直接向錄音提問。比如「有幾個人在說話？」「客服有沒有打斷客戶？」「客戶聽起來是否煩躁？」還能找出笑聲、嘆氣出現的具體時間。一次最多提 25 個問題，無需先轉錄文字，模型就能給出判斷結果和概率。

過去，要判斷一段通話的說話人數、情緒變化、插話行為和背景噪聲，通常需要組合多個專用模型。每增加一項分析任務，都可能要調整整套流程。Hume 把這些判斷交給同一個模型，直接聽錄音、回答問題。開發者只需修改提問，就能分析新的聲音特徵和對話行為，無需重新訓練模型或設計專用分類器。一套接口就能覆蓋大量不同的音頻分析任務。

模型經過超過 1000 萬條人類判斷數據訓練，試圖預測普通人聽到同一段聲音後的反應。例如輸出 70% 的「煩躁」，表示預計約七成聽眾會覺得對方語氣煩躁。官方初步測試中，模型與多人評審共識的一致率達到 70.7%，高於單個人類評分員的 56.5%。

Hume 公布的 10 項音頻基準平均得分為 82%，高於 Gemini 3.8 Flash 的 78% 和 Qwen3.8-Omni-Flash 的 76%。

API 目前仍需申請權限，每百萬輸入 Token 收費 0.47 美元。按官方示例，分析一段 5 分鐘通話約花 1.2 美分。單次支持 5 秒至 5 分鐘音頻，實時分析需要連續提交短音頻片段。