Hume presentó el 2 de noviembre Audio Decision API, un servicio para enviar una grabación y preguntas con respuestas definidas por el desarrollador. El anuncio original invita a solicitar acceso mediante una lista de espera: conviene confirmar la habilitación de la cuenta antes de planificar una integración.
La diferencia práctica es obtener respuestas estructuradas para analizarlas en código. No hemos probado el servicio ni medido su calidad.
Qué significa una respuesta
La documentación de Audio Decisions distingue cuatro tipos: noul para sí/no, choice para elegir entre opciones, score para una escala ordenada y span para localizar intervalos. La API no devuelve una transcripción, una explicación ni una respuesta conversacional.
Hay un matiz decisivo: las probabilidades estiman qué proporción de evaluadores humanos daría una respuesta. Un valor cercano a 0,5 representa una división estimada entre oyentes; no debe interpretarse automáticamente como incertidumbre técnica del modelo. Tampoco demuestra el estado emocional interno de una persona.
El servicio permite combinar varias preguntas sobre la misma grabación. La documentación advierte que una respuesta puede cambiar cuando cambian las otras preguntas: para comparar grabaciones, recomienda conservar las preguntas y su orden. Además, el modelo puede actualizarse sin cambiar la versión de la API. Conviene guardar las respuestas junto al identificador run_id: consultar posteriormente una ejecución recupera su estado y petición, pero no sus respuestas.
Archivos, límites y coste
Los límites publicados aceptan un archivo MP3 o WAV por petición, entre cinco segundos y cinco minutos. El tamaño máximo de la petición completa es de 25.000.000 bytes. Un WAV puede alcanzar ese límite antes de llegar a cinco minutos.
Se admiten hasta veinte preguntas entre noul, choice y score, más cinco de tipo span. Las sesenta peticiones por minuto se comparten entre las claves de una organización y abarcan todos los endpoints de Audio Decisions.
La facturación documentada es de 0,47 dólares por millón de tokens de entrada: audio, preguntas y contexto. Las respuestas no se cobran. Es un precio por tokens, no por minuto de grabación; el silencio también cuenta y los fragmentos solapados vuelven a enviar audio.
Existe un estimador previo de tokens. La documentación contempla un crédito inicial de un millón cuando se concede acceso, con vencimiento consultable en el panel. Eso no permite prometer uso gratuito indefinido ni acceso inmediato.
Un uso razonable antes de automatizar decisiones
Ejemplo hipotético, no ejecutado: un equipo podría revisar llamadas sintéticas de su agente de voz para localizar interrupciones y preguntar cómo suena su intervención en una escala de naturalidad. Las grabaciones marcadas pasarían a revisión humana.
Nuestra propuesta sería empezar con un lote representativo valorado por personas y comprobar los errores antes de fijar umbrales. No usaríamos una impresión vocal como diagnóstico ni como fundamento único de una decisión sensible. Con grabaciones reales, también habría que comprobar autorización, tratamiento y conservación de esos datos.
El resultado interesante es una señal adicional para evaluar voz. Su utilidad concreta sigue dependiendo de las preguntas, de los oyentes representados y de cómo se comprueben los fallos.