Hume音声判断APIとは？機能・公開状況・想定用途を解説

一度の呼び出しで聞く問い

かつては10以上のモデルが必要だった作業を、1回の呼び出しにまとめる。

Audio Decision APIは、音声を渡して質問すると判断結果が返るインターフェースとして紹介されています。発表で示された問いは、話者が何人いるか、誰かが笑っているか、発信者が苛立っているか、という聞き取りの判断です。

ポイントは、話者分離や笑い声検出、感情推定を別々のモデルで積み上げる代わりに、同じ呼び出しでまとめて聞く設計です。アーキテクチャの詳細や対応フォーマットは、この予告の範囲では公開されていません。

人間の聞き方と処理の幅

人間のリスナーが答えるように答える。

学習には1000万件を超える人間の判断が使われたとされ、モデルは計測器の数値というより、人が耳で聞いて下す判断に寄せて答えることを目指しています。

処理の幅は二通りです。進行中の音声をリアルタイムで見る使い方と、数時間に及ぶ録音をまとめて見る使い方が、同じAPIの想定範囲として挙げられています。

公開前に分かることと残る問い

2026年11月2日の発表は短いプレビューで、ダウンロードできるビルドも公式ページもまだ出ていません。案内文にはアクセス申請への誘導がありますが、申請先となる公開ページは確認できません。料金、利用上限、APIの具体的な呼び出し方、ウェイトの公開有無は不明です。

想定される現場は、通話中の苛立ちを拾う窓口対応、会議録音の話者数把握、収録の中から笑い声を見つける確認作業です。精度の数値、対応言語、長時間音声での待ち時間は予告に含まれておらず、一般提供が始まるまでは実運用の評価材料がありません。

• 通話の状態把握

  発信者が苛立っているかを、進行中の音声から聞く想定です。

• 録音の見取り

  数時間の録音について、話者数や笑い声の有無をまとめて確認する想定です。

• モデルの集約

  別々に用意していた10以上のモデルを、1回の呼び出しへ置き換えることが訴求点です。