Hume AI

A EVI é um modelo de voz em tempo real feito para sustentar uma conversa, não apenas trocar turnos. Ela mede o tom, o ritmo e o timbre da sua voz enquanto você fala, e capta se você soa calmo, frustrado ou distraído para responder na mesma sintonia. Sabe quando você terminou uma ideia e continua interrompível, então você pode cortar e ela retoma o fio de onde parou. A EVI 4-mini fala inglês, japonês, coreano, espanhol, francês, português, italiano, alemão, russo, hindi e árabe.

A Octave, também conhecida como texto em fala Octave, é um modelo de linguagem e fala, o que significa que entende o que as palavras querem dizer antes de dizê-las. Ela decide quando sussurrar e quando gritar, e ajusta tom, tempo e pronúncia à frase. Você pode construir uma voz a partir de uma descrição ou clonar a sua, e a Hume afirma que você mantém a propriedade do áudio que gera. O foco é narração de audiolivros, podcasts e voz de personagem, não avisos robóticos.

A API de expressão transforma voz e rosto em números estruturados. Da fala, devolve pontuações para centenas de expressões e qualidades vocais, cada uma uma probabilidade entre 0 e 1, medidas de forma nativa em mais de 50 idiomas. Do vídeo, pontua expressões faciais e ações visíveis dos rostos que detecta. Os resultados trazem carimbo de tempo e ligam cada pontuação ao momento exato da gravação, para você achar a parte da ligação que saiu do trilho.

O VoiceEQ é a resposta da Hume ao fato de que sistemas de voz passam nos testes e ainda decepcionam as pessoas. Ele pega os seus dados reais de conversa, agrupa por caso de uso e gera suítes de teste com os cenários e critérios de sucesso que importam para você. Depois você submete modelos e agentes a condições realistas, combina pontuações automáticas com avaliação humana e transforma as falhas em uma lista curta do que consertar.

O Real World VoiceEQ é um benchmark público que pontua modelos de voz pelo que os ouvintes realmente experimentam. Cobre mais de 15 dimensões e 60 métricas, se apoia em julgamentos humanos coletados durante o desenvolvimento e separa geração de fala, fala para fala, reconhecimento e compreensão. Para quem escolhe um modelo, é uma forma de comparar sistemas por naturalidade, ritmo e contexto em vez de só pela transcrição.

Para os times que precisam de combustível para treinar, a Hume oferece conjuntos de dados anotados que cobrem conversa, multilíngue e vocalizações em mais de 50 idiomas. O pipeline Prism limpa, segmenta, transcreve e etiqueta áudio na sua própria nuvem, e filtra gravações de baixa qualidade e informações pessoais antes que cheguem ao seu modelo. Os dois miram fluxos de pesquisa em que a qualidade do dado decide o resultado.

A API de Human Feedback roda avaliações estruturadas com avaliadores reais e triados, e devolve notas de naturalidade, preferência e clareza em poucas horas. Ao lado dela, a Hume oferece SDKs de Python, TypeScript e React além de ambientes de teste para EVI e Octave, então um desenvolvedor sai de uma ideia para um protótipo que funciona sem montar a encanação do zero.