Hume lança sua Audio Decision API, que responde com probabilidades a perguntas sobre uma gravação
A Hume AI apresentou em 2 de novembro uma API que analisa o áudio diretamente, sem transcrição, e estima a proporção de ouvintes humanos que responderiam sim a uma pergunta (“o interlocutor parece irritado?”). Acesso via lista de espera, 0,47 dólar por milhão de tokens de entrada.
Hume AI, especialista em análise de voz, apresentou em 2 de novembro de 2026 a Audio Decision API. O conceito: enviar uma gravação com perguntas em linguagem natural (“Quantas pessoas estão falando?”, “Alguém está rindo?”, “O interlocutor parece irritado?”) e receber, para cada uma, uma probabilidade. O modelo escuta o áudio diretamente, sem depender de uma transcrição que perderia entonação, pausas ou sobreposições de falas.
Números, não frases
A documentação insiste neste ponto: a API não gera respostas em texto nem explicações. Para uma pergunta de sim/não, ela retorna a proporção estimada de ouvintes humanos que responderiam sim. Um valor próximo de 0,5 significa que as pessoas ficariam divididas, e não que o modelo está hesitante. Para uma escolha entre opções ou uma escala, ela fornece uma probabilidade por opção; para um evento (uma risada, um ruído), intervalos de tempo, um recurso ainda experimental. Cabe ao código da aplicação definir seus limites de corte e tomar as decisões.
| Elemento | Segundo a documentação da Hume |
|---|---|
| Entrada | um arquivo MP3 ou WAV por requisição, de 5 s a 5 min |
| Perguntas | várias por requisição, processadas em uma única inferência |
| Tipos de perguntas | sim/não, múltipla escolha, escala, intervalos (experimental) |
| Preço | 0,47 $ por milhão de tokens de entrada, respostas não faturadas |
| Acesso | mediante solicitação, crédito de teste de um milhão de tokens |
O anúncio resume o argumento comercial: o que antes exigia “mais de dez modelos” agora cabe em uma única chamada. Os casos de uso visados incluem agentes de voz (detectar se o agente interrompe a fala, se soa natural), centrais de atendimento e análise de longas horas de gravações.
Desempenho a ser confirmado
A Hume afirma que seu modelo, treinado com mais de 10 milhões de avaliações humanas, concorda com um painel de avaliadores em 70,7% dos casos, contra 56,5% de um avaliador humano isolado, e que supera o Gemini 3.8 Flash ou o Qwen3.8-Omni-Flash na média de dez testes, com uma latência mediana de 0,23 segundo. Esses resultados foram publicados pela desenvolvedora e não passaram por verificação independente.
Nossa leitura
A abordagem de responder com uma estimativa do que ouvintes humanos pensariam, em vez de cravar um rótulo de “irritado” como verdade absoluta, é acertada: ela evidencia a margem de discordância e deixa a decisão com o desenvolvedor. Ainda assim, isso não resolve tudo. Deduzir emoções a partir da voz continua sendo um terreno frágil, e essas pontuações podem ser utilizadas para avaliar funcionários ou clientes sem o conhecimento deles. Na Europa, o AI Act já proíbe o reconhecimento de emoções no ambiente de trabalho e nas escolas, ressalvados motivos médicos ou de segurança: as empresas que planejam analisar seus próprios atendentes precisarão agir com cautela. Por outro lado, para avaliar agentes de voz, a ferramenta pode se tornar útil rapidamente, desde que os números da Hume se confirmem em cenários reais.
Fontes
- Hume AI no X — Introducing the Hume Audio Decision API (2 de novembro de 2026) Fonte primária
- Hume AI — Decision Model API (página do produto) Fonte primária
- Hume — Audio Decisions, documentação para agentes de código Fonte primária
- Hume — Audio Decisions, faturamento Fonte primária
- Regulamento (UE) 2024/1689 sobre inteligência artificial (AI Act), artigo 5 Fonte primária — Proibição do reconhecimento de emoções no local de trabalho e em instituições de ensino
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
