Humeが音声意思決定モデルを発表：ため息や相槌、イライラした口調を聞き分け、直接スコアリングも可能

動察 Beating AI 速報、Hume が Audio Decision API を発表、録音に直接質問できる。例えば「何人話しているか？」「カスタマーサービスが顧客の話を遮っていないか？」「顧客はイライラしているように聞こえるか？」さらに笑い声やため息が現れる具体的なタイミングも特定できる。一度に最大25個の質問が可能で、事前に文字起こしをしなくても、モデルが判断結果と確率を提示する。

これまで、一通話の話者数、感情の変化、割り込み行為、背景ノイズを判断するには、通常複数の専用モデルを組み合わせる必要があった。分析タスクが一つ増えるたびに、プロセス全体を調整する必要があった。Hume はこれらの判断を同一のモデルに任せ、録音を直接聴いて質問に答える。開発者は質問を変更するだけで、新しい音声特徴や対話行動を分析でき、モデルの再トレーニングや専用分類器の設計は不要だ。一つのインターフェースで多種多様な音声分析タスクをカバーできる。

モデルは1000万件以上の人間の判断データで訓練され、一般の人が同じ音声を聴いた後の反応を予測しようとしている。例えば「イライラ」を70%と出力した場合、約7割の聴取者が相手の口調をイライラしていると感じると予想されることを示す。公式の初期テストでは、モデルと複数人レビューの合意率は70.7%に達し、単独の人間評価者の56.5%を上回った。

Hume が公表した10項目の音声ベンチマークの平均スコアは82%で、Gemini 3.8 Flash の78%と Qwen3.8-Omni-Flash の76%を上回った。

API は現在も権限申請が必要で、100万入力トークンあたり0.47ドルの課金。公式例によると、5分間の通話を分析するのに約1.2セントかかる。1回あたり5秒から5分の音声に対応し、リアルタイム分析には短い音声クリップを連続して送信する必要がある。