Hume AI abre API que responde a perguntas sobre gravacoes de voz e coincide com humanos em 70,7% dos casos

E uma dor conhecida por qualquer pessoa que ja tenha criado agentes de voz ou sistemas de analise de chamadas: a transcricao perde metade do significado. O texto nao mostra que o cliente suspirou, elevou o tom de voz com irritacao ou que havia uma crianca chorando ao fundo. Em geral, isso e tratado com classificadores separados de emocoes, ruido e diarizacao, cada um com sua propria rotulagem e seu proprio ajuste fino. A Hume AI propoe substituir todo esse zoologico por um unico modelo.

O que exatamente foi lancado

O produto se chama Audio Decisions. Ele recebe uma gravacao, uma pergunta sobre ela e uma lista de respostas permitidas. Na saida, fornece as probabilidades dessas respostas e uma pontuacao de confianca. Ha quatro formatos de resposta: sim ou nao, selecao entre opcoes, escala de avaliacao e um intervalo de tempo dentro da gravacao—por exemplo, o momento em que uma pessoa ri ou suspira.

E possivel perguntar sobre idioma e fala, quantidade e alternancia de falantes, emocoes, ambiente acustico, eventos nao verbais, dinamica da conversa, intencao do cliente e resultado da chamada, alem de sinais sociais. O conjunto de perguntas pode ser alterado sob demanda, sem rotulagem ou ajuste fino adicionais. O limite de confianca pode ser vinculado as regras do cliente: por exemplo, transferir uma chamada para uma pessoa somente se o modelo tiver pelo menos 80% de confianca de que o interlocutor esta irritado.

Como isso funciona na pratica

A Hume apresenta um cenario do varejo. Um agente de voz conversa com um comprador e, em paralelo, faz perguntas ao modelo de audio: se ha inseguranca na voz, se e possivel ouvir irritacao, quantas pessoas estao falando, se existe ruido de fundo e o que o comprador deseja. Essas respostas, junto com a transcricao, sao enviadas a um modelo de linguagem, que entao decide se deve esperar, pedir esclarecimentos ou transferir a conversa para um atendente humano.

A arquitetura faz sentido. O modelo de audio funciona como os “ouvidos”, com uma saida estruturada, enquanto o LLM atua como o cerebro que toma a decisao. Nao e necessario ensinar o modelo de linguagem a ouvir; basta alimenta-lo com sinais claros.

Segundo a empresa, durante uma chamada ao vivo o modelo responde a dezenas de perguntas a cada poucos segundos, enquanto um arquivo com 40 mil gravacoes torna-se pesquisavel em questao de minutos. Para o controle de qualidade em um contact center, isso cria a oportunidade de passar da verificacao de uma pequena amostra de chamadas para a verificacao de todas elas.

E quanto a qualidade?

A Hume compara o modelo com Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite e Nemotron 3 Nano Omni, e coloca sua solucao a frente de todas elas. Na comparacao com pessoas, o modelo coincidiu com a opiniao media de um grupo de ouvintes em 70,7% dos casos, enquanto um avaliador individual conseguiu 56,5%. Em outras palavras, o modelo fica mais proximo do consenso do que uma pessoa escolhida ao acaso.

E um argumento forte, mas com ressalvas. Os benchmarks foram publicados pela propria empresa, e o anuncio nao deixa clara a composicao das perguntas nem dos dados. Alem disso, 70,7% esta longe de 99%. Emocoes e intencoes sao subjetivas, e ate as pessoas discordam sobre elas. Para tarefas como uma avaliacao de funcionarios com implicacoes juridicas, esse nivel de precisao e motivo para manter uma pessoa no processo.

O que desenvolvedores e equipes de produto devem fazer

Por enquanto, o acesso esta disponivel apenas mediante solicitacao em uma lista de espera, e o preco e de 47 centavos por milhao de tokens de entrada. O audio e tokenizado de forma densa e o volume de chamadas pode ser alto, portanto estime antecipadamente o custo com base em seus proprios volumes.

Um plano pratico:

• se voce opera um contact center ou um agente de voz, reuna de 100 a 200 chamadas proprias com avaliacoes de especialistas e teste o modelo nelas, em vez de usar a demonstracao;
• compare o resultado com Gemini ou gpt-audio usando as mesmas perguntas: modelos multimodais tambem conseguem responder a esse tipo de pergunta por meio de prompting, mas sem a calibracao de confianca anunciada;
• defina os limites antecipadamente: quais casos vao para uma pessoa e quais sao processados automaticamente.

Se os numeros anunciados forem confirmados em seus dados, o Audio Decisions resolve a parte mais desagradavel do projeto: a rotulagem e a manutencao de uma colecao dispersa de classificadores especializados. Caso contrario, voce perdera algumas noites com os testes, mas mantera uma compreensao realista do verdadeiro limite da analise de voz.