Hume AI 2 ноября представила Audio Decision API — модель, которой можно задать вопросы к аудиозаписи: сколько людей говорят, перебивает ли собеседник, слышна ли сирена или насколько естественно звучит синтезированный голос. Вопросы и варианты ответов задаёт разработчик. Компания предлагает демонстрацию, а доступ к API пока выдаёт через список ожидания.

Обычная расшифровка сохраняет слова, но теряет часть интонации, пауз и фоновых звуков. Hume принимает саму запись и возвращает числа: вероятности выбранных ответов, оценку по шкале или временные отрезки. Новые критерии можно задавать текстом без отдельного дообучения классификатора. Это позволяет проверять голосовых помощников или размечать аудиокорпус, меняя вопросы к одним и тем же записям.

Смысл этих чисел важен. По документации, модель оценивает, как ответили бы слушатели. Значение 0,5 означает предполагаемое разделение их мнений, а не просто неуверенность модели. Ответ на вопрос о раздражении описывает впечатление от голоса — он не устанавливает внутреннее состояние человека. В предварительном тесте Hume сообщает о 70,7% согласия со средней оценкой группы против 56,5% у отдельного оценщика. Это сравнение разработчика, не независимое доказательство превосходства над людьми.

Текущий интерфейс работает с файлами MP3 и WAV длительностью от пяти секунд до пяти минут. В одном запросе разрешены до 20 вопросов с вариантами ответа или шкалой и ещё пять — о времени событий. Длинные разговоры требуется делить на фрагменты; описание возможностей для живого диалога не означает, что API уже предоставляет непрерывный потоковый анализ.

Чтобы превратить оценки в действия — например, направлять спорные разговоры на ручную проверку, — разработчику нужно подобрать пороги на собственных размеченных записях. Hume предупреждает: изменение вопросов, их порядка или модели может изменить ответы. Практический результат здесь — гибкая проверка звука по заданным критериям; надёжность конкретного решения всё ещё приходится проверять на его материале.