Hume音频决策接口是什么？一次调用读懂人数、笑声与情绪

一次调用在听什么

过去要十多个模型才能做完的事，现在一次调用就够。

音频决策接口面向的是可以直接发问的听感判断，而不是先把音频拆成一串专用检测器。预告里点名的问题包括：有多少人在说话、有没有人在笑、来电的人是不是已经沮丧。

Hume AI的说法是，这类问题以往常常要十多个模型接力，现在收进同一次调用，回答口径对齐人类听者会怎么判断。

• 说话人数

  直接问这段音频里有几个人在说话。

• 笑声

  判断有没有人在笑。

• 来电情绪

  判断来电者是否处于沮丧状态。

训练口径与时间跨度

按超过1000万条人类判断训练，所以回答方式接近人类听者。

已知的训练说明只有一条：模型吃的是超过1000万条人类判断，目标是让输出更像人在听，而不是只吐出一个脱离听感的标签。架构细节、参数量和评测分数都还没有随预告公布。

处理跨度写得很明确：既可以实时跑，也可以铺到长达数小时的录音上。这意味着同一套提问既能贴着进行中的音频，也能回头扫一整段已录内容。

能派上用场的地方，以及还没说清的部分

从预告举的例子看，比较贴的场景是客服或热线里快速看来电者是否沮丧、会议或访谈里数说话的人、以及在长录音里找有没有笑声。这些都还是接口声称能直接回答的问题，不是已经公开的落地案例。

2026年11月2日的材料只停留在短预告，并写明可以申请访问。公开构建、下载和官方页面都还没有放出，价格、额度、延迟、支持的音频格式，以及和具体竞品的对照数字，目前都无从核对。