Hume AI abre una API que responde preguntas sobre grabaciones de voz y coincide con las personas en el 70,7% de los casos

Es un problema conocido para cualquiera que haya creado agentes de voz o sistemas de análisis de llamadas: una transcripción pierde la mitad del significado. El texto no muestra que el cliente suspiró, alzó la voz con irritación o que había un niño llorando de fondo. La solución habitual consiste en clasificadores independientes de emociones, ruido y diarización, cada uno con su propio etiquetado y ajuste fino. Hume AI propone sustituir todo ese zoológico por un único modelo.

Qué se ha lanzado exactamente

El producto se llama Audio Decisions. Recibe una grabación, una pregunta sobre ella y una lista de respuestas permitidas. Devuelve las probabilidades de esas respuestas y una puntuación de confianza. Admite cuatro formatos de respuesta: sí o no, selección entre varias opciones, escala de valoración y un intervalo temporal dentro de la grabación; por ejemplo, el momento en que una persona se ríe o suspira.

Se puede preguntar por el idioma y el habla, el número de hablantes y sus cambios, las emociones, el entorno acústico, los eventos no verbales, la dinámica de la conversación, la intención del cliente y el resultado de la llamada, además de las señales sociales. El conjunto de preguntas puede modificarse bajo demanda, sin etiquetado ni ajuste fino adicionales. El umbral de confianza puede vincularse a las reglas del cliente: por ejemplo, transferir una llamada a una persona solo cuando el modelo tenga al menos un 80% de confianza en que el interlocutor está irritado.

Cómo funciona en un caso real

Hume presenta un escenario del sector minorista. Un agente de voz conversa con un comprador y, al mismo tiempo, formula preguntas al modelo de audio: si se percibe inseguridad, si se oye irritación, cuántas personas hablan, si hay ruido de fondo y qué quiere el comprador. Estas respuestas, junto con la transcripción, se envían a un modelo de lenguaje, que decide si debe esperar, pedir una aclaración o transferir la conversación a un agente humano.

La arquitectura tiene sentido. El modelo de audio funciona como los “oídos” y produce una salida estructurada; el LLM actúa como el cerebro que toma la decisión. No hace falta enseñar al modelo de lenguaje a escuchar: basta con suministrarle señales claras.

Según la empresa, durante una llamada en directo el modelo responde decenas de preguntas cada pocos segundos, mientras que un archivo de 40.000 grabaciones queda disponible para búsquedas en cuestión de minutos. Para el control de calidad de un centro de contacto, esto permite pasar de revisar una pequeña muestra de llamadas a revisarlas todas.

Qué nivel de calidad ofrece

Hume compara el modelo con Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite y Nemotron 3 Nano Omni, y sitúa su propuesta por delante de todas ellas. En la comparación con personas, el modelo coincidió con la opinión media de un grupo de oyentes en el 70,7% de los casos, mientras que un evaluador individual lo hizo en el 56,5%. En otras palabras, el modelo se acerca más al consenso que una persona elegida al azar.

Es un argumento sólido, pero con matices. La propia empresa publicó los benchmarks, y el anuncio no aclara la composición de las preguntas ni de los datos. Además, un 70,7% está muy lejos del 99%. Las emociones y las intenciones son subjetivas, e incluso las personas discrepan al interpretarlas. Para tareas como una evaluación de empleados con consecuencias legales, esta precisión justifica mantener a una persona dentro del proceso.

Qué deben hacer los desarrolladores y los equipos de producto

Por ahora, el acceso solo se concede previa solicitud mediante una lista de espera, y el precio es de 47 centavos por millón de tokens de entrada. El audio se tokeniza de forma densa y el volumen de llamadas puede ser elevado, por lo que conviene calcular de antemano el coste con los volúmenes propios.

Un plan práctico:

• si se dispone de un centro de contacto o un agente de voz, reunir entre 100 y 200 llamadas propias con evaluaciones de expertos y probar el modelo con ellas, no con la demostración;
• comparar el resultado con Gemini o gpt-audio usando las mismas preguntas: los modelos multimodales también pueden responderlas mediante prompting, aunque sin la calibración de confianza anunciada;
• definir los umbrales de antemano: qué casos se transfieren a una persona y cuáles se procesan automáticamente.

Si las cifras anunciadas se confirman con sus datos, Audio Decisions resolverá la parte más desagradable del proyecto: etiquetar y mantener un conjunto disperso de clasificadores especializados. Si no se confirman, habrá invertido un par de noches en las pruebas, pero conservará una visión realista del verdadero techo del análisis de voz.