DITERBITKAN November 11, 2026 • TIM REDAKSI EYTVERSE (DIKURASI KREATOR)
Bayangkan sebuah tim layanan pelanggan yang memiliki ribuan rekaman panggilan dan ingin menemukan panggilan di mana pelanggan terdengar frustrasi tetapi masalahnya belum terselesaikan. Cara lama untuk melakukannya adalah mentranskripsi semua panggilan, lalu meminta model bahasa membaca transkripnya dan menebak emosi dari kata-kata. Cara itu melewatkan banyak hal: nada suara, jeda, tawa, interupsi, dan semua informasi yang hanya ada di dalam audio itu sendiri. Pada 2 November 2026, Hume AI memperkenalkan pendekatan yang berbeda: Audio Decisions API, sebuah model keputusan yang mendengarkan audio mentah dan menjawab pertanyaan yang ditulis dalam bahasa alami — bukan dengan teks penjelasan, melainkan dengan probabilitas.
Artikel ini merangkum apa yang diketahui publik tentang Hume Audio Decisions dari dokumentasi resmi Hume, pengumuman peluncuran, dan liputan sekunder pada awal November 2026. Semua informasi di sini berasal dari sumber sekunder yang bisa dilacak; tidak ada klaim pengujian langsung, karena penulis tidak memiliki akses ke API ini dan tidak menjalankannya sendiri.
Apa Itu Hume Audio Decisions?
Hume Audio Decisions adalah sebuah API yang menerima sebuah file audio beserta pertanyaan-pertanyaan yang ditulis dalam bahasa sehari-hari, lalu menjawab setiap pertanyaan dengan probabilitas, bukan dengan kalimat. Contoh yang diberikan dalam dokumentasi Hume: ajukan pertanyaan "Seberapa natural suara agen ini?" pada skala lima tingkat, dan jawabannya memberikan probabilitas untuk setiap tingkat. Ajukan pertanyaan "Apakah agen berbicara menimpa ucapan penelepon?" dan jawabannya berupa probabilitas ya — dalam contoh dokumentasi, model memperkirakan bahwa 13 persen penilai manusia akan menjawab ya.
Hume menyebut produk ini sebagai model keputusan audio pertama yang menjawab pertanyaan tentang ucapan dan suara, dan sebagai "model keputusan untuk audio". Gagasan intinya adalah memisahkan penilaian dari penjelasan. Model tidak mengembalikan transkrip, balasan, atau alasan; ia hanya mengembalikan angka. Kode milik pengembang kemudian yang melakukan penalaran dengan angka-angka itu: menetapkan ambang batas, mengurutkan hasil, atau menggabungkannya dengan aturan bisnis.
Pendekatan ini berbeda dari kebanyakan alat audio AI yang dikenal publik. Speech-to-text mengubah suara menjadi kata-kata. Model bahasa besar multimodal dapat mendengarkan audio lalu menjawab dengan teks. Audio Decisions tidak melakukan keduanya. Ia mendengarkan audio, lalu untuk setiap pertanyaan yang diajukan, ia memperkirakan bagaimana sekelompok penilai manusia akan menjawab pertanyaan itu. Probabilitas yang dikembalikan adalah perkiraan tentang bagian penilai manusia yang akan memberikan jawaban tersebut. Nilai yang mendekati 0,5 berarti para penilai kemungkinan besar akan terbelah dalam menjawab audio itu — bukan berarti modelnya tidak yakin dalam pengertian biasa.
Empat Jenis Pertanyaan
Dokumentasi Hume menjelaskan empat jenis pertanyaan yang dapat diajukan, masing-masing dengan bentuk jawaban yang berbeda. Pertama adalah noul, singkatan dari pertanyaan ya-atau-tidak, yang mengembalikan probabilitas bahwa jawabannya adalah ya. Contohnya: "Apakah penelepon terdengar frustrasi?" atau "Apakah suara ini dihasilkan AI?" Kedua adalah choice, yaitu memilih di antara beberapa opsi yang tidak berurutan, masing-masing dengan probabilitasnya. Contohnya: "Bahasa apa yang dipakai pembicara ini?" dengan opsi-opsi yang ditentukan pengembang.
Ketiga adalah score, yaitu posisi audio pada skala berurutan yang ditentukan pengembang, beserta probabilitas untuk setiap tingkat dan rata-rata tertimbang. Inilah jenis yang dipakai dalam contoh dokumentasi tentang naturalness agen suara: model memberikan probabilitas untuk setiap tingkat dari satu sampai lima, dan skor 2,72 sebagai rata-rata tertimbang — berada di antara tingkat 3 dan 4. Keempat adalah pertanyaan tentang lokasi dalam waktu, yang mengembalikan rentang-rentang waktu di mana sesuatu terjadi, misalnya tawa atau desahan.
Karena pertanyaan-pertanyaan itu ditulis sebagai teks biasa, satu panggilan API dapat mencakup tugas-tugas yang biasanya membutuhkan model terpisah: menghitung jumlah pembicara, mengidentifikasi bahasa, mendeteksi tawa, mengklasifikasi emosi, mendeteksi interupsi, hingga menilai apakah ada sirene di latar belakang. Semua pertanyaan tentang satu file yang sama dijawab dalam satu inferensi, sehingga mengajukan sepuluh pertanyaan biayanya tidak jauh berbeda dengan mengajukan satu pertanyaan. Pengembang juga dapat menambahkan konteks pada setiap permintaan, dan menambahkan pertanyaan baru berarti menambahkan satu baris JSON — tanpa perlu memberi label pada contoh-contoh baru atau melatih ulang model.
Cara Kerja dan Spesifikasi Teknis
Secara teknis, endpoint file API ini adalah POST https://api.cloud.hume.ai/v0/decisions/file, yang menerima permintaan multipart berisi file audio dan objek JSON berisi pertanyaan-pertanyaan bernama. File yang diterima adalah MP3 atau WAV, dengan durasi antara 5 detik dan 5 menit, dan model mendengarkannya sebagai audio mono 16 kHz. Untuk panggilan langsung, pengembang mengirimkan klip-klip berdurasi minimal 5 detik selagi panggilan berlangsung.
Hume menyediakan SDK resmi untuk Python dengan paket bernama hume-audio-decisions dan untuk TypeScript dengan paket @humeai/audio-decisions. Tersedia pula endpoint terpisah untuk memperkirakan jumlah token input dari sebuah file, sehingga pengembang dapat menghitung biaya sebelum mengirim permintaan yang sebenarnya. Sebuah playground juga disediakan, dengan pengalaman real-time dan unggah file, tempat pengembang dapat mencoba pertanyaan-pertanyaan kustom sebelum menulis kode.
Soal harga, beberapa sumber sekunder yang memeriksa dokumentasi dan pengumuman Hume melaporkan tarif 0,47 dolar AS per satu juta token input, dan jawaban tidak ditagih. Hume memberikan kredit uji coba sebesar satu juta token input per organisasi setelah akses diberikan. Karena panjang audio merupakan sebagian besar penyusun token, biaya sebuah permintaan sangat bergantung pada durasi file yang dikirim. Perlu dicatat bahwa halaman produk Hume sendiri, menurut salah satu liputan, tidak mempublikasikan harga, sehingga angka tarif ini berasal dari sumber sekunder yang memeriksa dokumentasi dan materi peluncuran — dan sebaiknya dikonfirmasi langsung ke Hume sebelum dipakai sebagai dasar anggaran.
Angka Kinerja yang Dilaporkan Hume
Hume melaporkan bahwa model ini dilatih dengan lebih dari 10 juta penilaian manusia, yang dikumpulkan dari panel-panel yang menilai ekspresi emosional, penyampaian vokal, naturalness, dan kesesuaian percakapan. Evaluasi awal yang dilaporkan perusahaan adalah tingkat kesepakatan 70,7 persen dengan penilaian rata-rata sebuah panel manusia, dibandingkan dengan 56,5 persen untuk satu penilai manusia individual. Dengan kata lain, menurut angka Hume sendiri, model ini lebih sepakat dengan panel manusia dibandingkan seorang manusia individual.
Hume juga melaporkan skor rata-rata 0,82 pada sepuluh tolok ukur yang dipilih perusahaan, serta latensi median 0,23 detik per layar pemindaian. Dalam sebuah demonstrasi batch, perusahaan melaporkan memindai 25.642 file dengan kecepatan sekitar 180 milidetik per file, lalu menyaring rekaman-rekaman di mana pelanggan terdengar frustrasi dan masalahnya belum terselesaikan. Sebuah bagan kecepatan dan akurasi dari Hume menempatkan Decision Model di depan beberapa model lain, termasuk Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small dari Thinking Machines, gpt-audio-1.5, Gemini 3.5 Flash Lite, dan Nemotron 3 Nano Omni.
Semua angka ini memerlukan catatan kehati-hatian yang penting. Sepuluh dataset tolok ukur yang dipakai Hume belum diungkapkan, sehingga skor agregat 0,82 tidak dapat direproduksi secara independen. Angka kesepakatan 70,7 persen mengukur kesepakatan dengan penilaian rata-rata panel, bukan satu skor akurasi yang berlaku untuk setiap pertanyaan yang mungkin diajukan pengembang. Angka throughput dari demonstrasi batch berasal dari demonstrasi perusahaan dan tidak membuktikan kinerja untuk rekaman dengan panjang berbeda atau dalam beban produksi. Dan seperti biasa dalam evaluasi yang dilakukan oleh pembuat model sendiri, angka-angka ini berasal dari pihak yang berkepentingan — liputan sekunder yang mengulas peluncuran ini secara konsisten menekankan bahwa tolok ukur tersebut berasal dari Hume dan belum diverifikasi pihak ketiga.
Hume sendiri memberi nasihat yang sejalan dengan kehati-hatian ini: tim disarankan memvalidasi evaluasi mereka terhadap penilaian manusia yang representatif dari penggunaan mereka sendiri. Itu adalah saran yang masuk akal, karena pertanyaan yang diajukan setiap tim berbeda-beda, dan kualitas jawaban model pada pertanyaan subjektif — seperti apakah seseorang terdengar frustrasi atau berempati — sangat bergantung pada konteks dan pada siapa yang menilai.
Apa yang Bisa Dilakukan dengan Probabilitas
Nilai dari Audio Decisions paling mudah dipahami melalui contoh-contoh penggunaan yang dijelaskan Hume dan para peliput. Di pusat kontak, tim dapat memindai ribuan rekaman dan menyaring panggilan-panggilan yang memenuhi kombinasi kondisi tertentu: pelanggan terdengar frustrasi dan masalah belum terselesaikan, atau agen berbicara menimpa penelepon. Karena jawabannya berupa probabilitas, tim dapat menetapkan ambang batas yang sesuai dengan toleransi risiko mereka — misalnya, hanya meneruskan ke peninjau manusia jika probabilitas frustrasi di atas 0,9 — dan menggabungkan beberapa jawaban menjadi aturan routing.
Untuk tim yang membangun agen suara, API ini menawarkan cara mengukur kualitas yang selama ini sulit diotomatisasi. Seberapa natural suara agen itu? Apakah agen menyampaikan emosi yang dimaksud? Apakah agen cocok dengan situasinya? Pertanyaan-pertanyaan semacam ini biasanya membutuhkan penilai manusia, yang mahal dan lambat. Dengan Audio Decisions, tim dapat membandingkan berbagai versi suara atau prompt dengan cara yang konsisten dan dapat diulang, meskipun hasilnya tetap merupakan perkiraan atas penilaian manusia, bukan pengganti penilaian manusia itu sendiri.
Penggunaan lain yang disebutkan meliputi pencarian massal dalam arsip rekaman, pelacakan ekspresi di segmen-segmen berurutan dari satu panggilan, serta deteksi suara yang dihasilkan AI. Yang terakhir ini menarik: karena model mendengarkan audio itu sendiri, bukan membaca transkrip, ia dapat menilai ciri-ciri vokal yang mengindikasikan suara sintetis — sesuatu yang tidak terlihat dari kata-kata yang diucapkan.
Akses, Ketersediaan, dan Konteks Perusahaan
Pada saat peluncuran 2 November 2026, akses ke Audio Decisions API diberikan melalui daftar tunggu. Pengembang yang tertarik perlu mendaftar dan menunggu persetujuan dari Hume. Playground tersedia untuk mencoba, tetapi akses API produksi tidak langsung terbuka untuk semua orang. Status daftar tunggu ini penting untuk diketahui siapa pun yang merencanakan proyek dengan tenggat dekat: tidak ada jaminan kapan akses akan diberikan.
Konteks perusahaan di sekitar peluncuran ini juga penting. Hume dikenal sebagai perusahaan voice AI yang berfokus pada emosi, dan Audio Decisions diposisikan sebagai lini produk baru yang terpisah dari layanan-layanan lama perusahaan. Pada saat yang sama, Hume mengumumkan bahwa API EVI dan TTS miliknya akan ditutup pada 13 November 2026 pukul 00.01 EST, dengan data akun terkait yang dihapus secara permanen setelahnya. Penutupan itu menyangkut layanan lama, bukan Audio Decisions, dan Hume tidak menjelaskan jalur migrasi langsung dari layanan-layanan tersebut ke API baru. Bagi pengguna lama Hume, ini adalah dua kabar yang datang bersamaan: satu produk baru yang dibuka, dan dua produk lama yang ditutup.
Ada juga konteks persaingan yang menarik. Pada minggu yang sama dengan peluncuran Hume, setidaknya dua model keputusan audio lain juga muncul dalam liputan: Tazo, yang ditujukan untuk panggilan langsung dengan tarif 0,20 dolar AS per jam audio dan mengklaim akurasi 70,9 persen pada panggilan produksi nyata, serta Smaug-Decisions dari Abacus.AI, yang gratis, berbobot terbuka, dan dapat berjalan di ponsel. Kemunculan tiga model keputusan audio dalam satu minggu menunjukkan bahwa kategori ini sedang terbentuk dengan cepat. Namun, seperti ditekankan oleh para peliput, setiap perusahaan menguji modelnya pada tolok ukurnya sendiri, sehingga angka-angka mereka tidak dapat dibandingkan satu sama lain secara langsung.
Keterbatasan dan Hal yang Perlu Diwaspadai
Beberapa keterbatasan Audio Decisions sudah terlihat dari dokumentasinya sendiri. Pertama, model mengembalikan probabilitas, bukan penjelasan. Jika model mengatakan ada kemungkinan 80 persen bahwa penelepon frustrasi, ia tidak menjelaskan bagian mana dari audio yang mendasari penilaian itu. Bagi penggunaan yang membutuhkan audit atau penjelasan keputusan — misalnya dalam konteks regulasi atau sengketa pelanggan — keterbatasan ini berarti tim harus membangun lapisan penjelasan sendiri, atau memakai API ini hanya sebagai penyaring awal sebelum peninjauan manusia.
Kedua, durasi file dibatasi antara 5 detik dan 5 menit untuk endpoint file. Rekaman yang lebih panjang harus dipotong menjadi segmen-segmen, dan pertanyaan tentang keseluruhan rekaman yang panjang harus dirangkai dari jawaban-jawaban per segmen. Demonstrasi produk Hume mengembalikan probabilitas pada interval lima detik, tetapi menurut liputan, irama itu mencerminkan demonstrasi, bukan jaminan layanan yang dipublikasikan.
Ketiga, sifat subjektif dari banyak pertanyaan yang relevan. Hume sendiri membedakan tugas yang relatif objektif — menghitung pembicara, mendeteksi sirene — dari persepsi seperti frustrasi, empati, atau naturalness. Para pendengar tidak selalu sepakat tentang hal-hal yang terakhir. Probabilitas yang dikembalikan memang mencerminkan ketidaksepakatan itu, tetapi pengguna harus memahami bahwa untuk pertanyaan subjektif, tidak ada jawaban tunggal yang benar. Model memperkirakan distribusi pendapat manusia, dan keputusan yang diambil dari distribusi itu tetap merupakan keputusan manusia yang memakai angka sebagai masukan.
Keempat, evaluasi yang tersedia seluruhnya berasal dari Hume. Sepuluh dataset tolok ukur tidak diungkapkan, daftar model pembanding dipilih oleh perusahaan, dan tidak ada evaluasi independen yang tersedia pada awal November 2026. Siapa pun yang mempertimbangkan API ini untuk keputusan penting sebaiknya melakukan evaluasi sendiri dengan penilai manusia yang representatif, sebagaimana disarankan Hume sendiri.
Untuk Siapa Audio Decisions Paling Relevan
Kelompok yang paling jelas mendapat manfaat adalah pusat kontak dan tim operasi yang mengelola volume panggilan besar. Bagi mereka, kemampuan memindai ribuan rekaman dan menyaring berdasarkan kombinasi kondisi emosional dan faktual adalah sesuatu yang tidak dapat dilakukan dengan transkrip saja, dan jauh lebih murah daripada peninjauan manusia atas seluruh arsip. Tim quality assurance panggilan dapat memakai API ini untuk menemukan sampel yang layak ditinjau, alih-alih mengambil sampel acak.
Kelompok kedua adalah tim yang membangun dan mengevaluasi agen suara. Industri voice AI berkembang pesat pada 2026, dan pertanyaan tentang naturalness, emosi, serta kesesuaian percakapan menjadi semakin penting seiring agen suara dipakai dalam layanan pelanggan, kesehatan, dan pendidikan. Alat evaluasi otomatis yang konsisten dapat mempercepat iterasi, meskipun tetap tidak menggantikan pengujian dengan pengguna nyata.
Kelompok ketiga adalah pengembang aplikasi audio secara umum — termasuk moderasi konten, pencarian dalam arsip podcast atau rekaman, dan analisis percakapan. Karena pertanyaan dapat diubah hanya dengan mengubah teks JSON, biaya eksperimennya rendah: mencoba pertanyaan baru tidak membutuhkan pelatihan model atau pelabelan data.
Sebaliknya, tim yang membutuhkan penjelasan atas setiap keputusan, atau yang bekerja dengan rekaman sangat panjang tanpa pemotongan, mungkin menemukan bahwa API ini belum sesuai dengan kebutuhan mereka. Demikian pula tim yang membutuhkan akses produksi segera harus memperhitungkan bahwa akses masih melalui daftar tunggu, dengan waktu tunggu yang tidak diumumkan.
Penutup: Penilaian dari Audio, Bukan dari Kata-Kata
Hume Audio Decisions menandai pergeseran yang menarik dalam cara perangkat lunak memperlakukan suara. Selama bertahun-tahun, alur kerja standar adalah: ubah suara menjadi teks, lalu perlakukan teks itu sebagai kebenaran. Pendekatan itu kehilangan nada, emosi, dan semua informasi yang hanya hidup di dalam bunyi. Model keputusan audio melewatkan transkrip dan langsung menilai audio itu sendiri, lalu mengembalikan hasilnya dalam bentuk yang dapat dipakai kode: probabilitas.
Apakah pendekatan ini akan menjadi standar baru atau sekadar kategori ceruk, belum dapat dipastikan pada November 2026. Yang dapat dikatakan adalah bahwa peluncurannya bertepatan dengan munculnya model-model sejenis dari perusahaan lain, yang menandakan adanya kebutuhan nyata yang belum terpenuhi oleh alat-alat berbasis transkrip. Bagi tim yang bekerja dengan audio dalam volume besar, pertanyaan yang diajukan Hume layak dicoba — dengan catatan bahwa aksesnya masih melalui daftar tunggu, evaluasinya masih berasal dari perusahaan sendiri, dan validasi terhadap penilai manusia tetap menjadi langkah yang tidak boleh dilewatkan.
Catatan transparansi: Artikel ini disusun sepenuhnya dari sumber-sumber sekunder yang bisa dilacak, yaitu dokumentasi resmi Hume AI untuk Audio Decisions API yang diperbarui pada 7 November 2026, pengumuman peluncuran Hume pada 2 November 2026 sebagaimana dilaporkan oleh FastToolHub, AlphaSignal, dan SuperPowerDaily, serta ulasan mingguan The Tool Nerd yang memeriksa harga dan spesifikasi pada 10 November 2026. Penulis tidak memiliki akses ke API ini, tidak mengirimkan permintaan apa pun ke endpoint Hume, dan tidak menguji sendiri akurasi, latensi, maupun harga layanan ini, sehingga semua angka kinerja, tarif, dan spesifikasi teknis di atas mengikuti apa yang dilaporkan Hume dan para peliput tersebut pada tanggal pemeriksaannya dan dapat berubah setelahnya. Angka kesepakatan 70,7 persen, skor tolok ukur 0,82, dan klaim pelatihan dengan lebih dari 10 juta penilaian manusia berasal dari Hume sendiri dan belum diverifikasi secara independen, dan sepuluh dataset tolok ukur yang dipakai perusahaan tidak diungkapkan. Pembaca yang mempertimbangkan penggunaan API ini disarankan memeriksa langsung dokumentasi resmi Hume dan mendaftar ke daftar tunggu untuk informasi akses dan harga yang berlaku saat ini.