Hume AI открыла доступ к Audio Decision API (Decision Model API) — audio-native модели, которая отвечает на вопросы о речи и звуке напрямую по сырой записи, минуя транскрипцию. Пользователь передаёт модели аудио, список вопросов и допустимых ответов, а получает по каждому варианту вероятность с оценкой уверенности. Компания называет такой интерфейс слоем решений (decision layer) над аудио: заявленные метрики выше, чем у ряда omni-моделей, но проверить модель на своих данных пока нельзя, потому что доступ открывается только по заявке в лист ожидания.

image
image

Что произошло

Запуск подтверждён в changelog Hume API от 2 ноября 2026 года. На вход подаётся аудиозапись, список вопросов и набор допустимых ответов; на выходе модель возвращает вероятности по каждому варианту вместе с оценкой уверенности, без промежуточной расшифровки речи. Поддерживаются четыре формата ответа: да или нет, выбор из заранее заданных вариантов, оценка по шкале и указание отрезка времени (span) внутри записи, например момента, когда собеседники смеются или вздыхают. По данным компании, модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика, набрала в среднем 0,82 по 10 бенчмаркам и показала медианную задержку 0,23 секунды. Вендор также заявляет, что модель обходит Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. Доступ открывается по заявке в лист ожидания, цена на старте — 47 центов за миллион входных токенов.

Контекст

До появления таких интерфейсов задачи по анализу разговора решались конвейером: сначала ASR-система делала расшифровку, затем отдельные классификаторы определяли говорящих, язык, эмоции и неречевые события вроде смеха или фонового шума, а поверх стояли правила, постобработка и ручная разметка. Свободные вопросы по аудио уже умеют задавать мультимодальные omni-модели, поэтому заявление Hume о «первой audio-native модели» корректнее читать как категоризацию вендора: новой здесь скорее является комбинация — узкий список вопросов, вероятностный выход, оценка уверенности и span вместо свободного текста. Такой интерфейс переводит понимание аудио из генерации текста в калиброванную классификацию, выход которой пригоден для автоматических порогов и бизнес-правил без постобработки. В публикациях Hume запуск подан как появление слоя решений между записью и логикой приложения.

Почему это важно для индустрии

Для команд, которые строят контакт-центры и голосовых агентов, ценность в том, что один вызов API заменяет стек из ASR, диаризации, аналитики эмоций, детекции событий и ручной разметки. Контроль качества звонков превращается из отдельного проекта в конфиг: рубрики описываются списками вопросов и допустимых ответов, порог уверенности привязывается к бизнес-правилам заказчика, а набор вопросов меняется без дообучения модели. Низкая заявленная задержка открывает live-сценарии: автоскоринг каждой записи, live-коучинг оператора и автоэскалацию для голосовых агентов. Пока доступ ограничен, реалистичная подготовка для команд выглядит так: описать, какой именно стек заменяется одним вызовом, собрать оценочный набор из размеченных собственных звонков с шумом и жаргоном и зафиксировать гипотезы для пилота. Если метрики подтвердятся в независимой проверке, паттерн «решающий слой над аудио» может закрепиться как стандартный блок между записью и бизнес-логикой, а часть специализированных сервисов — диаризация, аудиоаналитика, детекция событий — способна уйти в него.

Почему это важно для пользователей

Читателям это обещает инструменты, которые понимают в записи не только слова, но и интонацию, паузы, смех, фоновый шум и число говорящих, и отвечают на произвольные вопросы по содержанию и «тону» разговора. Продукт на этом API прямо сейчас построить нельзя, поскольку доступ выдаётся по заявке в лист ожидания, поэтому разумные шаги на сегодня такие: подать заявку, изучить документацию по адресу dev.hume.ai/audio-decisions и Python/TypeScript SDK, а заодно спроектировать под свои задачи списки вопросов и форматы ответов — да или нет, варианты, шкала, span. Тем, кто ведёт подкасты, записывает звонки или собирает голосовую обратную связь, интерфейс в перспективе сулит автотегирование архива и поиск событий по таймкодам, хотя это пока скорее направление развития, чем готовый сценарий.

Что пока неизвестно / ограничения

Все ключевые цифры — 70,7%, 56,5%, 0,82 и 0,23 секунды — пока являются заявлениями вендора: независимо проверенных доказательств нет, а модель недоступна для теста на собственных данных. Методологически непрозрачно и сравнение 70,7% совпадения со средним мнением группы слушателей против 56,5% у одиночного оценщика: из открытых материалов не ясно, как формировалась группа, какой была выборка вопросов и можно ли считать среднее группы истинной разметкой; формально это метрика согласованности, а не подтверждение точности. Качество span-формата не раскрыто: в источниках нет ни метрики, ни допуска в секундах для границ временных отрезков, поэтому строить на span готовый интерфейс или индексацию «смыслом» преждевременно. Наконец, не описаны детали экономики за пределами цены входных токенов во всей цепочке перевода аудио в токены и сроки расширения доступа.

Источники

Автор

Look at AI, редакция