Hume AI 推出 Audio Decision API：直接听音频判情绪，几分钟搜 4 万条录音

电话客服里最让人崩溃的瞬间，往往不是对方说了什么难听的话，而是一声长长的叹气，或者半秒钟冷冰冰的停顿。

可惜以往所有的语音质检和 AI 系统都只盯着文字转录看。只要客户嘴上说的是「没事那我先挂了」，哪怕语气已经快要爆炸，转写成白纸黑字也只是一句客套话。声音里真正的情绪，全在文字转换的瞬间被扔掉了。

主打情绪科学研究的 Hume AI 发布了 Audio Decision API。他们换了一条完全不同的路子：不先把语音转成文本，而是直接拿原始音频来回答问题。

一行 JSON，直接问音频「客户烦了吗」

传统的呼叫中心想要改一个评分指标，通常是一场大工程：重新定标准、搭数据流、标注测试，折腾几天甚至几周才能拿到结果。如果想让模型做点新任务，往往还要针对新标签重新微调。

Audio Decision API 的做法要简单得多。开发者把原始音频塞进去，再附带一个问题和几个可选答案，接口就会直接返回各个选项的置信度概率。增加一个监控维度，只需要在请求里加一行 JSON 配置，不需要重新标注数据，也不用重新训练模型。

它目前支持四种提问格式。第一种是判断题，比如问「客户听起来沮丧吗」；第二种是单选题，用来判定客服人员的具体语气；第三种是打分题，可以给客服的耐心程度直接打一个连续分值；第四种是时间跨度定位，能精准标出某段音频里叹气、笑声或倒吸冷气发生的起始和结束时间点。

除了情绪，它还能同时检测很多客观声学事实。比如背景里有没有警笛声、有没有刺耳杂音、通话里一共有几个人在说话，甚至当前说话的声音是不是 AI 合成的。

几分钟扫完 4 万条录音

真正让这个 API 显得强悍的，是它的处理速度。

官方数据显示，它快到可以在一通实时通话里每隔几秒抛出几十个判断，还能在几分钟内检索包含 4 万条录音的整个音频库。以前呼叫中心想要找出「所有客户听起来极其愤怒的通话」，必须先把录音全部转写并做复杂检索，现在可以直接像搜关键词一样去搜声音本身特质。

在底层支撑这种泛化能力的，是 Hume AI 多年积累的感知数据库。官方表示，他们收集了数千万条人类对语音情绪、自然度和表达方式的评分数据。在一项评测中，Audio Decision 模型与人类评审团平均判断的一致率达到了 70.7%，而单个人类评分员的基线只有 56.5%。

这意味着它做出的情绪判断，已经比单个听音频的普通质检员还要稳定。官方同时宣称，在与现有的音频处理方案对比时，该模型在准确率、响应速度和成本三个维度上都占据优势。

目前 Hume AI 已经在官网开放了申请候补名单，并在 Playground 提供了文件上传和实时语音测试环境。

为什么重要

我们认为，Hume AI 这一次走了一步非常聪明的棋：把「大模型生成文本」的重负担，卸成了极轻量的「结构化决策」。

在此前很长一段时间里，语音 AI 的发展陷入了两难。要么是用通用多模态大模型听音频，成本极高且容易产生幻觉；要么是用一堆死板的分类器小模型，只能做预先设定好的几个动作。Hume 给出的接口只输出概率数字，计算开销极低，开发者可以直接拿这些数字去触发业务代码，比如发现客户极度烦躁就立即转接人工，或者将情绪得分和文字转写一起喂给后台的大模型。

对于正在搭建语音 Agent 的团队来说，这个工具值得立刻关注。文字转录抹平了人类沟通中超过一半的信息量。如果一个 AI 智能体不知道用户是在讽刺、犹豫还是快要发火，它的回复永远会带着一种令人烦躁的机械感。引入低延迟的声音判断层，正是把语音助手从「复读机」推向「真懂人话」的关键一步。

不过它的隐患也很现实。人类的语气受文化背景、方言习惯甚至个人说话风格影响极大。尽管 Hume 声称训练数据来自庞大的评审团，但跨文化、跨小语种的情绪判定到底能不能保持 70.7% 的准确率，依然需要实际业务场景的严格检验。如果在客服场景中因为误判情绪而错误升级工单，反而会带来新的运营成本。