Hume ra mắt mô hình quyết định bằng âm thanh: nghe ra tiếng thở dài, chen ngang và giọng điệu bực bội, còn có thể chấm điểm trực tiếp

Động Sát Beating AI tin nhanh, Hume ra mắt Audio Decision API, có thể đặt câu hỏi trực tiếp với bản ghi âm. Ví dụ "Có mấy người đang nói?", "Nhân viên chăm sóc khách hàng có ngắt lời khách không?", "Khách nghe có vẻ bực bội không?" Còn có thể tìm ra thời điểm cụ thể xuất hiện tiếng cười, tiếng thở dài. Một lần đặt tối đa 25 câu hỏi, không cần chuyển giọng nói thành văn bản trước, mô hình đã có thể đưa ra kết quả phán đoán và xác suất.

Trước đây, để đánh giá số người nói, thay đổi cảm xúc, hành vi ngắt lời và tiếng ồn nền trong một cuộc gọi, thường cần kết hợp nhiều mô hình chuyên dụng. Mỗi khi thêm một nhiệm vụ phân tích, đều có thể phải điều chỉnh toàn bộ quy trình. Hume giao các phán đoán này cho cùng một mô hình, trực tiếp nghe bản ghi âm và trả lời câu hỏi. Nhà phát triển chỉ cần sửa câu hỏi là có thể phân tích các đặc điểm âm thanh và hành vi hội thoại mới, không cần huấn luyện lại mô hình hoặc thiết kế bộ phân loại chuyên dụng. Một bộ giao diện là có thể bao phủ lượng lớn các nhiệm vụ phân tích âm thanh khác nhau.

Mô hình được huấn luyện trên hơn 10 triệu dữ liệu phán đoán của con người, cố gắng dự đoán phản ứng của người bình thường sau khi nghe cùng một đoạn âm thanh. Ví dụ đầu ra 70% "bực bội", nghĩa là dự kiến khoảng bảy mươi phần trăm người nghe sẽ cảm thấy giọng điệu đối phương bực bội. Trong thử nghiệm sơ bộ chính thức, tỷ lệ đồng thuận giữa mô hình và sự đồng thuận của nhiều người đánh giá đạt 70,7%, cao hơn 56,5% của một người chấm điểm đơn lẻ.

Điểm trung bình của 10 bài kiểm tra chuẩn âm thanh do Hume công bố là 82%, cao hơn 78% của Gemini 3.8 Flash và 76% của Qwen3.8-Omni-Flash.

API hiện vẫn cần xin quyền truy cập, giá 0,47 USD mỗi triệu Token đầu vào. Theo ví dụ chính thức, phân tích một cuộc gọi 5 phút tốn khoảng 1,2 xu Mỹ. Mỗi lần hỗ trợ âm thanh từ 5 giây đến 5 phút, phân tích thời gian thực cần liên tục gửi các đoạn âm thanh ngắn.