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

contact@theblockbeats.org (律动BlockBeats)

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。