Hume 发布 Audio Decision API：直接对原始音频提问，一次调用判断情绪、说话人数和背景声，官方称与人类评审一致率 70.7%

核心背景与行业痛点

语音智能体和呼叫中心质检，大多先把通话转成文字，再让模型读文字打分。问题是转写只留下了「说了什么」，停顿、叹气、抢话、语气这些决定通话走向的信号都丢了。想新增一个质检维度，往往要重新定规则、搭管线、做评测，几天到几周才能出第一个结果。Hume 11 月 2 日发布的 Audio Decision API 想解决的就是这一点：让开发者像问大模型一样直接问音频。

架构亮点与底层机制

它是音频原生模型，原始音频直接输入，不经过转写。开发者用一句话写问题，并列出候选答案，接口返回每个答案的概率，代码可以按阈值、排序或组合使用。问题分四类：是/否、多选、打分和时间片段（例如「哪里有人笑、叹气或倒吸一口气」）。同一段录音可以一次问多个问题，覆盖说话人、语言口音、情绪表达、背景声、对话节奏等。模型建立在 Hume 多年的情绪科学研究和大量人类听感评审数据之上。

权威 Benchmark 与实测跑分对比

官方口径：初步评测中，模型与人类评审平均判断的一致率为 70.7%，单个人类评审的基线是 56.5%。官方还称在准确率、速度和成本上都优于现有音频处理方法，但没有给出对比对象和具体数字。评测样本量、语种和第三方复现：官方未公布。

开发者实战落地与开箱指南

接口是 POST /v0/decisions/file，另有估算输入 token 的接口和历史运行记录接口，SDK 为 Python 的 hume-audio-decisions 和 TypeScript 的 @humeai/audio-decisions。目前需在官网申请访问或加入候补名单，也可以先在 playground 上传文件试问题。适合的场景包括：给语音合成模型做自然度评测、让级联式语音智能体在回复前参考语气信号、批量检索「客户听起来不耐烦」的通话。情绪类判断属于感知问题，上线前最好用自己的人工标注样本校准阈值。价格官方未公布。