رونمایی Hume AI از مدل Audio Decision؛ تحلیل مستقیم لحن و احساسات گوینده از روی فایل صوتی
استارتاپ Hume AI از مدل تصمیم‌گیری صوتی جدیدی با نام Audio Decision API رونمایی کرد که بدون نیاز به تبدیل گفتار به متن، به پرسش‌های مختلف درباره لحن و احساسات صدای ورودی پاسخ می‌دهد. این مدل با تحلیل مستقیم سیگنال‌های صوتی، شاخص‌هایی مانند میزان نارضایتی، صداهای محیطی و تولید هوش مصنوعی بودن صوت را به‌صورت درصدهای آماری مشخص می‌کند. چنین امکانی فرایند ارزیابی مراکز تماس و نظارت لحظه‌ای بر عملکرد ایجنت‌های هوشمند صوتی را متحول خواهد کرد.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل جدید Audio Decision API بدون نیاز به پیاده‌سازی متنی و صرفاً بر اساس تحلیل سیگنال‌های خام صوتی به پرسش‌های مربوط به احساسات و لحن صدا پاسخ احتمالاتی می‌دهد.
- این سرویس صوتی بر پایه بیش از ۱۰ میلیون ارزیابی انسانی آموزش دیده و دقت تطابق آن با قضاوت انسان‌ها به بیش از ۷۰ درصد می‌رسد.
- توسعه‌دهندگان می‌توانند از این ابزار با هزینه پردازشی مناسب در پایش ایجنت‌های صوتی و ارزیابی کیفیت مراکز تماس و شناسایی صداهای جعلی بهره ببرند.
معرفی مدل Audio Decision
رابط برنامه‌نویسی Audio Decision API که در مستندات رسمی با نام Audio Decisions API نیز شناخته می‌شود، یک مدل تصمیم‌گیری بومی صدا است که توسط استارتاپ Hume AI در تاریخ ۲ نوامبر ۲۰۲۶ معرفی شد؛ شرکتی پیشرو که تخصص اصلی آن توسعه فناوری‌های صوتی آگاه از احساسات است. توسعه‌دهندگان با ارسال فایل صوتی خام به‌همراه پرسش‌هایی به زبان طبیعی (مانند «آیا تماسگیرنده کلافه و ناامید بهنظر می‌رسد؟»، «آیا این صدا توسط هوش مصنوعی تولید شده است؟» یا «آیا صدای آژیر در پسزمینه شنیده می‌شود؟»)، به‌جای دریافت پیاده‌سازی متنی یا پاسخ متنی چت‌بات، احتمال آماری پاسخ‌ها را از مدل تحویل می‌گیرند.
استارتاپ Hume AI این ابزار را «نخستین مدل بومی صدا برای پاسخگویی به پرسش‌های مربوط به گفتار و صوت» مینامد؛ سیستمی که برای پر کردن خلأ بزرگ ایجنت‌های صوتی طراحی شده است، چراکه این ایجنتها تنها متون پیادهشده را می‌خوانند و متوجه لحن، مکث‌ها و آه کشیدن کاربر نمی‌شوند.
مکانیزم پردازش و نحوه کارکرد
- یک درخواست برای یک فایل صوتی و چندین پرسش: تمام پرسش‌ها تنها در قالب یک مرحله استنتاج واحد پاسخ داده می‌شوند.
- چهار ساختار پایه برای پرسش‌ها:
noul: پرسش‌های بله یا خیر که درصد موافقت ارزیاب‌های انسانی را بازمیگرداندchoice: انتخاب از میان گزینه‌های نامرتب همراه با ضریب احتمال هر گزینهscore: تعیین جایگاه در یک مقیاس رتبه‌بندی مرتب همراه با امتیاز، ضریب اطمینان و توزیع آماریspan(آزمایشی): تعیین بازه‌های زمانی دقیق وقوع یک رویداد که برای شناسایی هیجانات صوتی لحظه‌ای و اصوات محیطی کاربرد دارد.
- خروجی کاملاً عددی: مدل هیچ پیاده‌سازی متنی، توضیح اضافی یا پاسخی برنمیگرداند. کدهای برنامه‌نویسی شما می‌توانند با تعیین آستانه، رتبه‌بندی یا ترکیب این داده‌های عددی، نتایج را به‌سادگی به منطق تجاری یا ایجنتها متصل کنند.
- ارسال یک رشته متنی اختیاری در قالب
contextبرای توصیف شرایط ضبط صدا می‌تواند دقت خروجی را افزایش دهد.
مشخصات فنی و قیمت‌گذاری
ویژگی | جزئیات |
|---|---|
اندپوینت (Endpoint) | POST https://api.cloud.hume.ai/v0/decisions/file (به‌صورت چندبخشی یا multipart) |
فرمت و طول صدا | فرمت MP3 یا WAV، بین ۵ ثانیه تا ۵ دقیقه، با پردازش به‌صورت مونو و فرکانس ۱۶ کیلوهرتز |
کتابخانه‌های توسعه (SDK) | پایتون hume-audio-decisions و تایپاسکریپت @humeai/audio-decisions |
تعرفه و قیمت‌گذاری | ۰٫۴۷ دلار به ازای هر ۱ میلیون توکن ورودی؛ بدون هزینه برای دریافت پاسخ‌ها؛ ۱ میلیون توکن اعتبار آزمایشی برای هر سازمان |
طبق آمارهای رسمی منتشرشده، این مدل بر پایه بیش از ۱۰ میلیون ارزیابی انسانی آموزش داده شده و نرخ توافق آن با نظر ارزیاب‌ها حدود ۷۰٫۷ درصد است؛ درحالی‌که میزان توافق متقابل میان شنوندگان انسانی ۵۶٫۵ درصد برآورد می‌شود.
کاربردهای اصلی
- کنترل کیفیت در مراکز تماس: شناسایی مشتریان عصبانی، درخواست‌های مکرر برای صحبت با اپراتور انسانی یا همپوشانی صدای کارشناس با مشتری در آرشیوهای بزرگ صوتی.
- ارزیابی و پایش لحظه‌ای ایجنت‌های صوتی: بررسی مقاطع صوتی در فواصل چند ثانی‌های و فعال‌سازی سناریوهای ارجاع به اپراتور یا تغییر لحن گفتگو.
- اعتماد و امنیت محتوا: تشخیص صداهای ساختهشده با هوش مصنوعی یا صداهای مشکوک در پسزمینه.
- جستجو در آرشیوهای صوتی: برچسبگذاری دهها هزار فایل ضبطشده بر اساس لحن و رویدادها برای فراهم کردن امکان جستجوی دقیق.
مراحل شروع بهکار
- در پلتفرم Hume ثبتنام کرده و کلید دسترسی به API را به‌همراه اعتبار اولیه ۱ میلیون توکنی دریافت کنید.
- مستندات Audio Decisions را در آدرس dev.hume.ai مطالعه نموده و هزینه‌ها را با اندپوینت
input_tokensبرآورد کنید. - یک فایل MP3 یا WAV را به‌همراه چند پرسش از نوع
noulیاscoreبا استفاده از cURL یا کتابخانه‌های رسمی ارسال کرده و احتمالات دریافتی را ارزیابی نمایید. - بر اساس نیاز کاری خود آستانه‌های عددی تعیین کنید و خروجی‌ها را مستقیماً به سیستم‌های پشتیبانی، هشدارهای امنیتی یا منطق ایجنت‌های خود هدایت نمایید.
مطالب مرتبط و پیشنهادی
گارتنر: مدل‌های وزن‌باز ۹۰ درصد وظایف عامل‌های هوشمند را با یک‌بیستم هزینه انجام می‌دهند
گزارش جدید موسسه گارتنر نشان می‌دهد مدل‌های وزن‌باز قادرند بخش عمده وظایف روزمره در عامل‌های هوش مصنوعی را با کسری از هزینه مدل‌های تجاری پیشرو اجرا کنند. تحلیلگران پیش‌بینی می‌کنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمان‌ها به این مدل‌ها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگ‌سازی عامل‌ها منتقل گردد.
بنچمارک MER-Bench ضعف مدل‌های هوش مصنوعی را در ویرایش دقیق میم‌ها آشکار کرد
میم‌های اینترنتی به‌دلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شده‌اند. بنچمارک جدید MER-Bench نشان می‌دهد که مدل‌های تصویری هنوز نمی‌توانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.
OpenAI پاداش کشف باگ را برای شناسایی آسیب‌پذیری‌های امنیتی به ۱۷۲ هزار دلار رساند
شرکت OpenAI با راه‌اندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیب‌پذیری‌های حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهره‌گیری از مدل‌های پیشرفته هوش مصنوعی تلاش می‌کند رخنه‌های امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.