Hume AI ouvre une API capable de répondre à des questions sur un enregistrement vocal : 70,7 % d’accord avec les humains

C’est un problème bien connu de quiconque a développé des agents vocaux ou des outils d’analyse d’appels : une transcription fait perdre la moitié du sens. Le texte ne montre pas qu’un client a soupiré, haussé le ton avec irritation ou qu’un enfant pleure en arrière-plan. Ces lacunes sont généralement traitées par des classificateurs distincts pour les émotions, le bruit et la diarisation, chacun nécessitant ses propres annotations et son propre entraînement supplémentaire. Hume AI propose de remplacer cette ménagerie par un seul modèle.

Ce qui a exactement été lancé

Le produit s’appelle Audio Decisions. Il reçoit en entrée un enregistrement, la question que vous souhaitez poser à son sujet et une liste de réponses possibles. En sortie, il fournit la probabilité de chaque réponse et un score de confiance. Quatre formats de réponse sont proposés : oui ou non, choix multiple, échelle de notation et segment temporel dans l’enregistrement — par exemple, le moment où une personne rit ou soupire.

Les questions peuvent porter sur la langue et la parole, le nombre de locuteurs et leur alternance, les émotions, l’environnement acoustique, les événements non verbaux, la dynamique de la conversation, l’intention du client et l’issue de l’appel, ainsi que sur les signaux sociaux. L’ensemble des questions peut être modifié à la demande, sans annotation ni entraînement supplémentaire. Le seuil de confiance s’aligne sur les règles du client : par exemple, transférer l’appel à un humain uniquement si le modèle est certain à au moins 80 % que le client est irrité.

À quoi cela ressemble en pratique

Hume présente un scénario dans le commerce de détail. Un agent vocal discute avec un acheteur et interroge simultanément le modèle audio : entend-on de l’incertitude ou de l’irritation, combien de personnes parlent, y a-t-il du bruit de fond et que souhaite l’acheteur ? Ces réponses, accompagnées de la transcription, sont transmises à un modèle de langage, qui décide alors s’il faut attendre, demander une précision ou transférer la conversation à un opérateur.

L’architecture est judicieuse. Le modèle audio sert d’« oreilles » avec une sortie structurée, tandis que le LLM joue le rôle de cerveau décisionnel. Il n’est pas nécessaire d’apprendre au modèle de langage à écouter : il suffit de lui fournir des signaux compréhensibles.

Selon l’entreprise, lors d’un appel en direct, le modèle répond à des dizaines de questions toutes les quelques secondes, tandis qu’une archive de 40 000 enregistrements devient interrogeable en quelques minutes. Pour le contrôle qualité dans un centre de contact, cela permet potentiellement de passer de la vérification ponctuelle d’une petite fraction des appels à leur contrôle intégral.

Qu’en est-il de la qualité ?

Hume compare son modèle à Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite et Nemotron 3 Nano Omni, et le place devant tous ses concurrents. Face aux humains, le modèle a concordé avec l’avis moyen d’un groupe d’auditeurs dans 70,7 % des cas, contre 56,5 % pour un évaluateur individuel. Autrement dit, le modèle est plus proche du consensus qu’une personne choisie au hasard.

L’argument est solide, mais appelle des réserves. Les benchmarks ont été publiés par l’entreprise elle-même, et l’annonce ne précise ni la composition des questions ni celle des données. En outre, 70,7 % est encore très loin de 99 %. Les émotions et les intentions sont subjectives, et même les humains ne sont pas toujours d’accord à leur sujet. Pour des tâches telles qu’une évaluation d’employé ayant une portée juridique, ce niveau de précision justifie de maintenir un humain dans la boucle.

Ce que doivent faire les développeurs et les équipes produit

Pour l’instant, l’accès est uniquement disponible sur demande via une liste d’attente. Le prix est de 47 cents par million de jetons en entrée. L’audio est fortement tokenisé et les volumes d’appels peuvent être importants : estimez donc à l’avance le coût correspondant à vos propres volumes.

Plan pratique :

• si vous disposez d’un centre de contact ou d’un agent vocal, réunissez 100 à 200 de vos propres appels évalués par des experts et testez le modèle sur ceux-ci plutôt que sur une démonstration ;
• comparez les résultats à ceux de Gemini ou de gpt-audio sur les mêmes questions : les modèles multimodaux savent eux aussi répondre à ce type de questions au moyen d’un prompt, mais sans la calibration de confiance annoncée ;
• définissez à l’avance les seuils : quels cas doivent être transmis à un humain et lesquels peuvent être traités automatiquement.

Si les chiffres annoncés se confirment sur vos données, Audio Decisions élimine la partie la plus pénible du projet : l’annotation et la maintenance d’un ensemble disparate de classificateurs spécialisés. Dans le cas contraire, vous aurez perdu deux soirées à effectuer le test, tout en obtenant une vision lucide des véritables limites de l’analyse vocale.