The Pulse
Hume lancia Audio Decision API per l’analisi diretta della voce
Audio Decision API di Hume consente agli sviluppatori di porre domande sulla voce e sui suoni e ricevere le probabilità delle risposte da loro definite. La società riporta i risultati di valutazioni e benchmark, mentre l’accesso è disponibi
AI.info Team · Scritto con l’IA · verificato ·
«È un’architettura diversa. Entra audio grezzo, esce una risposta con un punteggio di affidabilità, strutturata e pronta perché il vostro codice o il vostro agente agiscano sulla base di essa.»
Team di Hume AI
Hume ha presentato Audio Decision API il 2 novembre, proponendola come un modo per consentire ai software di valutare direttamente la voce e i suoni, anziché affidarsi soltanto alle trascrizioni. Gli sviluppatori definiscono le domande e le possibili risposte; l’API restituisce le probabilità che un’applicazione può usare nelle proprie regole o nei propri flussi di lavoro. Hume afferma che il modello può valutare segnali come la frustrazione, la sovrapposizione delle voci, le risate e le sirene in sottofondo.
Le domande vanno direttamente alla registrazione
L’API accetta domande in linguaggio naturale e supporta quattro formati di risposta: sì o no, una scelta tra più opzioni, una scala di valutazione oppure un intervallo temporale che individua un evento in una clip. Uno sviluppatore potrebbe chiedere se chi chiama sembra frustrato, quale tono descrive meglio un operatore oppure in quale punto qualcuno ride o sospira. Hume afferma che è possibile porre più domande sulla stessa registrazione, impostando soglie di affidabilità per collegare i risultati alle regole aziendali.
Questa impostazione mira a colmare una lacuna nell’analisi delle chiamate basata sulle trascrizioni. Una trascrizione registra le parole, ma non una pausa, un sospiro o il momento in cui due persone parlano contemporaneamente; Hume sostiene che questi segnali possono aiutare a capire come sta andando una conversazione. Nel suo esempio relativo al servizio clienti, la società suggerisce di combinare le valutazioni audio con una trascrizione e un LLM, che potrebbe utilizzare entrambi gli input per decidere se un agente vocale debba aspettare, chiedere chiarimenti o inoltrare la questione a un livello superiore.
Hume riporta una concordanza del 70,7% con i giudizi di un gruppo di valutatori
Hume afferma che decine di milioni di giudizi di ascoltatori su espressione emotiva, modalità vocali, naturalezza e adeguatezza al contesto della conversazione hanno contribuito allo sviluppo del modello. In una valutazione iniziale, Audio Decision Model ha concordato con il giudizio medio di un gruppo di valutatori umani nel 70,7% dei casi, rispetto al 56,5% di un parametro di riferimento basato su un singolo valutatore. Il post di lancio non descrive l’insieme di dati usato per la valutazione né fornisce dettagli metodologici sufficienti a stabilire quanto siano generalizzabili questi risultati.
La società riporta anche un punteggio medio di 0,82 su 10 benchmark audio e una latenza mediana di circa 0,23 secondi. L’immagine comparativa elenca Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite e Nemotron 3 Nano Omni. Questi dati sono risultati riportati dalla società, non una valutazione indipendente.
L’accesso tramite lista d’attesa limita il lancio
L’annuncio di Hume invita gli sviluppatori a richiedere l’accesso all’API tramite una lista d’attesa, mentre un ambiente di prova offre test in tempo reale e tramite caricamento di file. La società descrive casi d’uso che vanno dalla valutazione delle voci generate alla ricerca di suoni o schemi conversazionali specifici negli archivi delle chiamate. Afferma che un archivio di 40.000 registrazioni potrebbe diventare consultabile in pochi minuti, anche se il post non precisa le condizioni su cui si basa questa stima.
La società afferma che le domande possono riguardare, tra le altre cose, il parlato e le lingue, i parlanti e le voci, l’espressione emotiva, gli ambienti acustici, gli eventi sonori diversi dal parlato e le dinamiche della conversazione. Gli sviluppatori possono porre più domande sulla stessa registrazione, aggiornare le domande in tempo reale e applicarle in blocco a raccolte audio. Hume consiglia ai team che valutano modelli vocali di convalidare le proprie valutazioni confrontandole con giudizi umani rappresentativi.