Hume AI

EVI es un modelo de voz en tiempo real hecho para sostener una conversación, no solo para intercambiar turnos. Mide el tono, el ritmo y el timbre de tu voz mientras hablas, y detecta si suenas calmado, frustrado o distraído para responder en consecuencia. Sabe cuándo has terminado una idea y se deja interrumpir, así que puedes cortarle y retoma el hilo donde lo dejó. EVI 4-mini habla inglés, japonés, coreano, español, francés, portugués, italiano, alemán, ruso, hindi y árabe.

Octave, también conocido como texto a voz Octave, es un modelo de lenguaje y habla, lo que significa que entiende lo que significan las palabras antes de decirlas. Decide cuándo susurrar y cuándo gritar, y ajusta tono, tempo y pronunciación a la frase. Puedes construir una voz a partir de una descripción o clonar la tuya, y Hume afirma que conservas la propiedad del audio que generas. Va dirigido a narración de audiolibros, pódcasts y voces de personaje, no a anuncios robóticos.

La API de expresión convierte voz y rostro en números estructurados. Del habla devuelve puntuaciones para cientos de expresiones y cualidades vocales, cada una una probabilidad entre 0 y 1, medidas de forma nativa en más de 50 idiomas. Del vídeo puntúa expresiones faciales y acciones visibles de los rostros que detecta. Los resultados llevan marca de tiempo y enlazan cada puntuación con el momento exacto de la grabación, para que encuentres la parte de la llamada que se torció.

VoiceEQ es la respuesta de Hume a que los sistemas de voz pasan sus pruebas y aun así decepcionan a la gente. Toma tus datos reales de conversación, los agrupa por caso de uso y genera suites de prueba con los escenarios y criterios de éxito que te importan. Después sometes modelos y agentes a condiciones realistas, combinas puntuaciones automáticas con valoraciones humanas y conviertes los fallos en una lista corta de cosas que arreglar.

Real World VoiceEQ es un benchmark público que puntúa los modelos de voz por lo que los oyentes experimentan de verdad. Cubre más de 15 dimensiones y 60 métricas, se apoya en juicios humanos recogidos durante su desarrollo y separa generación de habla, habla a habla, reconocimiento y comprensión. Para quien elige un modelo, es una forma de comparar sistemas por naturalidad, ritmo y contexto en lugar de solo por la transcripción.

Para los equipos que necesitan combustible para entrenar, Hume ofrece conjuntos de datos anotados que cubren conversación, multilingüe y vocalizaciones en más de 50 idiomas. La canalización Prism limpia, segmenta, transcribe y etiqueta audio en tu propia nube, y filtra grabaciones de baja calidad e información personal antes de que lleguen a tu modelo. Ambas apuntan a flujos de investigación donde la calidad del dato decide el resultado.

La API de Human Feedback lanza evaluaciones estructuradas con evaluadores reales y filtrados, y devuelve valoraciones de naturalidad, preferencia y claridad en pocas horas. A su lado, Hume ofrece SDK de Python, TypeScript y React además de entornos de prueba para EVI y Octave, de modo que un desarrollador pasa de una idea a un prototipo funcional sin montar la fontanería desde cero.