Hume AI、音声AIクエリ向け音声意思決定APIを発表

Hume AIはHume Audio Decision APIを発表した。これは音声から直接質問に回答する単一モデルで、従来10以上のモデルを必要としていた処理を置き換える。1,000万件以上の人間の判断で学習され、リアルタイムまたは長時間録音の分析に対応し、10のベンチマークで平均0.82の精度、中央値0.23秒のレイテンシを実現する。
イベントのバージョン 1.
Key insights
単一呼び出しでの音声質問
Hume Audio Decision APIは、話者数、笑い声の検出、発信者の苛立ちといった質問に音声から直接回答する。Humeによれば、従来10以上のモデルを必要としていたタスクが1回の呼び出しで完了する。
人間の判断で学習
このモデルは1,000万件以上の人間の判断で学習されている。人間の評価者パネルとの一致率は70.7%で、個々の評価者の56.5%と比較して高い。
ベンチマーク精度とレイテンシ
Humeは、MMAU、ParaPair、EmphAssessを含む10の主要ベンチマークで平均スコア0.82を報告している。画面あたりの中央値レイテンシは0.23秒で、HumeによればGemini 3.8 Flash、Qwen3.8-Omni-Flash、Inkling-Small、gpt-audio-1.5、Gemini 3.5 Flash Lite、Nemotron 3 Nano Omniよりも高速かつ高精度である。
リアルタイムおよびバッチ利用
このAPIはリアルタイム分析と数時間にわたる録音の処理をサポートする。質問はいつでも追加・変更でき、5秒ごとの音声チャンクが独立して回答される。