Hume AI 推出 Audio Decision API：直接聽音訊判情緒，幾分鐘搜 4 萬條錄音

電話客服裡最讓人崩潰的瞬間，往往不是對方說了什麼難聽的話，而是一聲長長的嘆氣，或者半秒鐘冷冰冰的停頓。

可惜以往所有的語音質檢和 AI 系統都只盯著文字轉錄看。只要客戶嘴上說的是「沒事那我先掛了」，哪怕語氣已經快要爆炸，轉寫成白紙黑字也只是一句客套話。聲音裡真正的情緒，全在文字轉換的瞬間被扔掉了。

主打情緒科學研究的 Hume AI 釋出了 Audio Decision API。他們換了一條完全不同的路子：不先把語音轉成文本，而是直接拿原始音訊來回答問題。

一行 JSON，直接問音訊「客戶煩了嗎」

傳統的呼叫中心想要改一個評分指標，通常是一場大工程：重新定標準、搭資料流、標註測試，折騰幾天甚至幾週才能拿到結果。如果想讓模型做點新任務，往往還要針對新標籤重新微調。

Audio Decision API 的做法要簡單得多。開發者把原始音訊塞進去，再附帶一個問題和幾個可選答案，介面就會直接返回各個選項的置信度機率。增加一個監控維度，只需要在請求里加一行 JSON 配置，不需要重新標註資料，也不用重新訓練模型。

它目前支援四種提問格式。第一種是判斷題，比如問「客戶聽起來沮喪嗎」；第二種是單選題，用來判定客服人員的具體語氣；第三種是打分題，可以給客服的耐心程度直接打一個連續分值；第四種是時間跨度定位，能精準標出某段音訊裡嘆氣、笑聲或倒吸冷氣發生的起始和結束時間點。

除了情緒，它還能同時檢測很多客觀聲學事實。比如背景裡有沒有警笛聲、有沒有刺耳雜音、通話裡一共有幾個人在說話，甚至當前說話的聲音是不是 AI 合成的。

幾分鐘掃完 4 萬條錄音

真正讓這個 API 顯得強悍的，是它的處理速度。

官方資料顯示，它快到可以在一通即時通話裡每隔幾秒丟擲幾十個判斷，還能在幾分鐘內檢索包含 4 萬條錄音的整個音訊庫。以前呼叫中心想要找出「所有客戶聽起來極其憤怒的通話」，必須先把錄音全部轉寫並做複雜檢索，現在可以直接像搜關鍵詞一樣去搜聲音本身特質。

在底層支撐這種泛化能力的，是 Hume AI 多年積累的感知資料庫。官方表示，他們收集了數千萬條人類對語音情緒、自然度和表達方式的評分資料。在一項評測中，Audio Decision 模型與人類評審團平均判斷的一致率達到了 70.7%，而單個人類評分員的基線只有 56.5%。

這意味著它做出的情緒判斷，已經比單個聽音訊的普通質檢員還要穩定。官方同時宣稱，在與現有的音訊處理方案對比時，該模型在準確率、響應速度和成本三個維度上都佔據優勢。

目前 Hume AI 已經在官網開放了申請候補名單，並在 Playground 提供了檔案上傳和即時語音測試環境。

為什麼重要

我們認為，Hume AI 這一次走了一步非常聰明的棋：把「大模型生成文本」的重負擔，卸成了極輕量的「結構化決策」。

在此前很長一段時間裡，語音 AI 的發展陷入了兩難。要麼是用通用多模態大模型聽音訊，成本極高且容易產生幻覺；要麼是用一堆死板的分類器小模型，只能做預先設定好的幾個動作。Hume 給出的介面只輸出機率數字，計算開銷極低，開發者可以直接拿這些數字去觸發業務程式碼，比如發現客戶極度煩躁就立即轉接人工，或者將情緒得分和文字轉寫一起餵給後臺的大模型。

對於正在搭建語音 Agent 的團隊來說，這個工具值得立刻關注。文字轉錄抹平了人類溝通中超過一半的資訊量。如果一個 AI 智慧體不知道使用者是在諷刺、猶豫還是快要發火，它的回覆永遠會帶著一種令人煩躁的機械感。引入低延遲的聲音判斷層，正是把語音助手從「復讀機」推向「真懂人話」的關鍵一步。

不過它的隱患也很現實。人類的語氣受文化背景、方言習慣甚至個人說話風格影響極大。儘管 Hume 聲稱訓練資料來自龐大的評審團，但跨文化、跨小語種的情緒判定到底能不能保持 70.7% 的準確率，依然需要實際業務場景的嚴格檢驗。如果在客服場景中因為誤判情緒而錯誤升級工單，反而會帶來新的運營成本。