Hume เปิดตัวโมเดลการตัดสินใจจากเสียง: ฟังออกถึงการถอนหายใจ การพูดแทรก และน้ำเสียงหงุดหงิด พร้อมให้คะแนนได้โดยตรง

动察 Beating ข่าวด่วน AI: Hume เปิดตัว Audio Decision API ที่สามารถถามคำถามกับไฟล์เสียงอัดได้โดยตรง เช่น "มีคนพูดกี่คน?" "ฝ่ายบริการลูกค้าขัดจังหวะลูกค้าหรือไม่?" "ลูกค้าฟังดูหงุดหงิดหรือไม่?" และยังระบุเวลาที่เกิดเสียงหัวเราะหรือถอนหายใจได้อีกด้วย สามารถถามได้สูงสุด 25 คำถามต่อครั้ง โดยไม่ต้องถอดเสียงเป็นข้อความก่อน โมเดลก็สามารถให้ผลการตัดสินและความน่าจะเป็นได้

ในอดีต การจะตัดสินจำนวนผู้พูด การเปลี่ยนแปลงอารมณ์ พฤติกรรมการพูดแทรก และเสียงรบกวนพื้นหลังในบทสนทนา มักต้องใช้โมเดลเฉพาะทางหลายตัวรวมกัน ทุกครั้งที่เพิ่มงานวิเคราะห์หนึ่งอย่าง อาจต้องปรับกระบวนการทั้งหมด Hume จึงมอบการตัดสินเหล่านี้ให้โมเดลเดียวฟังไฟล์เสียงและตอบคำถามโดยตรง นักพัฒนเพียงแค่เปลี่ยนคำถาม ก็สามารถวิเคราะห์ลักษณะเสียงและพฤติกรรมบทสนทนาใหม่ๆ ได้ โดยไม่ต้องฝึกโมเดลใหม่หรือออกแบบตัวจำแนกประเภทเฉพาะ อินเทอร์เฟซชุดเดียวสามารถครอบคลุมงานวิเคราะห์เสียงที่หลากหลายได้เป็นจำนวนมาก

โมเดลได้รับการฝึกด้วยข้อมูลการตัดสินของมนุษย์มากกว่า 10 ล้านรายการ โดยพยายามคาดการณ์ปฏิกิริยาของคนทั่วไปหลังจากฟังเสียงเดียวกัน ตัวอย่างเช่น การแสดงผล "หงุดหงิด" ที่ 70% หมายความว่าคาดว่าประมาณเจ็ดในสิบของผู้ฟังจะรู้สึกว่าคู่สนทนามีน้ำเสียงหงุดหงิด ในการทดสอบเบื้องต้นอย่างเป็นทางการ โมเดลมีความสอดคล้องกับฉันทามติของผู้ประเมินหลายคนถึง 70.7% ซึ่งสูงกว่าคะแนนของผู้ประเมินมนุษย์คนเดียวที่ 56.5%

คะแนนเฉลี่ยจากการทดสอบมาตรฐานเสียง 10 รายการที่ Hume เปิดเผยอยู่ที่ 82% สูงกว่า Gemini 3.8 Flash ที่ 78% และ Qwen3.8-Omni-Flash ที่ 76%

ปัจจุบัน API ยังต้องขอสิทธิ์การเข้าถึง โดยคิดค่าบริการ 0.47 ดอลลาร์ต่อ Token อินพุตหนึ่งล้าน Token ตามตัวอย่างอย่างเป็นทางการ การวิเคราะห์บทสนทนาความยาว 5 นาทีมีค่าใช้จ่ายประมาณ 1.2 เซนต์ รองรับเสียงความยาว 5 วินาทีถึง 5 นาทีต่อครั้ง การวิเคราะห์แบบเรียลไทม์ต้องส่งไฟล์เสียงสั้นต่อเนื่องกัน