Hume stellt Audio Decision API vor: Wahrscheinlichkeitsbasierte Antworten auf Audiofragen
Hume AI hat am 2. November eine API vorgestellt, die Audiodaten ohne Transkription direkt analysiert und schätzt, welcher Anteil menschlicher Zuhörer eine Frage („Wirkt der Anrufer verärgert?“) mit Ja beantworten würde. Zugang über Warteliste, 0,47 Dollar pro Million Eingabetoken.
Hume AI, Spezialist für Sprachanalyse, hat am 2. November 2026 die Audio Decision API vorgestellt. Das Prinzip: Man sendet eine Aufnahme und Fragen in Alltagssprache („Wie viele Personen sprechen?“, „Lacht jemand?“, „Wirkt der Anrufer verärgert?“) und erhält für jede davon eine Wahrscheinlichkeit. Das Modell hört die Audiodaten direkt ab, ohne den Umweg über eine Transkription, bei der Tonfall, Pausen oder überlappende Sprache verloren gingen.
Zahlen statt Sätze
Die Dokumentation betont diesen Punkt: Die API verfasst weder Antworten noch Erklärungen. Bei einer Ja/Nein-Frage gibt sie den geschätzten Anteil menschlicher Zuhörer zurück, die mit Ja antworten würden. Ein Wert nahe 0,5 bedeutet, dass Menschen geteilter Meinung wären, nicht, dass das Modell zögert. Bei einer Auswahl zwischen Optionen oder einer Skala liefert sie eine Wahrscheinlichkeit pro Option; bei Ereignissen (ein Lachen, ein Geräusch) Zeitintervalle – eine Funktion, die derzeit noch experimentell ist. Es obliegt dem Anwendungscode, Schwellenwerte festzulegen und Entscheidungen zu treffen.
| Element | Laut Hume-Dokumentation |
|---|---|
| Eingabe | eine MP3- oder WAV-Datei pro Anfrage, von 5 s bis 5 min |
| Fragen | mehrere pro Anfrage, in einer einzigen Inferenz verarbeitet |
| Fragetypen | Ja/Nein, Auswahl, Skala, Intervalle (experimentell) |
| Preis | 0,47 $ pro Million Eingabetoken, Antworten werden nicht berechnet |
| Zugang | auf Anfrage, Testguthaben von einer Million Token |
Die Ankündigung fasst das Verkaufsargument zusammen: Was bisher „mehr als zehn Modelle“ erforderte, passe nun in einen einzigen Aufruf. Als Anwendungsbereiche werden Sprachassistenten (um zu erkennen, ob der Agent ins Wort fällt oder natürlich klingt), Callcenter und die Auswertung stundenlanger Aufnahmen genannt.
Noch zu bestätigende Leistungen
Hume gibt an, dass sein Modell, das mit mehr als 10 Millionen menschlichen Urteilen trainiert wurde, in 70,7 Prozent der Fälle mit einem Bewerterpanel übereinstimmt – verglichen mit 56,5 Prozent bei einem einzelnen menschlichen Beurteiler. Zudem übertreffe es im Schnitt aus zehn Tests Gemini 3.8 Flash oder Qwen3.8-Omni-Flash bei einer medianen Latenz von 0,23 Sekunden. Diese Ergebnisse stammen vom Anbieter selbst und wurden nicht unabhängig überprüft.
Unsere Einschätzung
Der Ansatz, mit einer Schätzung dessen zu antworten, was menschliche Zuhörer urteilen würden, statt ein Label wie „wütend“ als Fakt hinzustellen, ist richtig: Er macht potenzielle Uneinigkeit sichtbar und überlässt die Entscheidung den Entwicklern. Damit sind jedoch längst nicht alle Probleme gelöst. Emotionen aus der Stimme abzuleiten, bleibt fehleranfällig, und solche Scores könnten dazu missbraucht werden, Beschäftigte oder Kunden ohne deren Wissen zu bewerten. In Europa untersagt der AI Act Emotionserkennung am Arbeitsplatz sowie an Schulen und Universitäten bereits, sofern keine medizinischen oder Sicherheitsgründe vorliegen: Unternehmen, die ihre eigenen Supportmitarbeiter analysieren wollen, müssen hier genau hinsehen. Für die Evaluation von Sprachagenten hingegen könnte das Werkzeug schnell sehr nützlich werden – vorausgesetzt, Humes Werte halten auch unter realen Einsatzbedingungen stand.
Quellen
- Hume AI auf X — Introducing the Hume Audio Decision API (2. November 2026) Primärquelle
- Hume AI — Decision Model API (Produktseite) Primärquelle
- Hume — Audio Decisions, Dokumentation für Programmier-Agenten Primärquelle
- Hume — Audio Decisions, Abrechnung Primärquelle
- Verordnung (EU) 2024/1689 über künstliche Intelligenz (AI Act), Artikel 5 Primärquelle — Verbot der Emotionserkennung am Arbeitsplatz und in Bildungseinrichtungen
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
