Hume Rilis Audio Decision API: AI yang Membaca Nada Suara, Bukan Sekadar Kata

Siapa pun yang pernah menelepon layanan pelanggan tahu bahwa nada suara sering bercerita lebih banyak daripada kata-kata. Pelanggan bisa berkata "tidak apa-apa", padahal helaan napasnya menunjukkan ia sudah kesal. Masalahnya, sebagian besar sistem analisis panggilan hari ini bekerja dari transkrip, yaitu teks hasil ubahan suara. Jeda, desahan, atau dua orang yang bicara bersamaan ikut hilang dalam proses itu.

Pada 2 November 2026, perusahaan riset suara dan emosi Hume AI memperkenalkan Audio Decision API, sebuah layanan yang mencoba mengisi celah tersebut. Kabarnya cepat ramai dibahas di X, terutama di kalangan pengembang agen suara (voice agent) dan pengelola pusat layanan pelanggan.

Apa yang diluncurkan?

Ide dasarnya sederhana: kirim rekaman audio, ajukan pertanyaan dengan bahasa biasa, lalu dapatkan jawaban berupa angka probabilitas. Model ini membaca audio secara langsung, bukan transkripnya. Menurut dokumentasi Hume, model tidak menghasilkan transkrip, balasan, atau penjelasan. Ia hanya memberi angka yang kemudian diolah oleh aplikasi pengembang.

Ada empat jenis pertanyaan yang didukung:

• Ya/tidak, misalnya "Apakah pelanggan terdengar frustrasi?"
• Pilihan ganda, misalnya "Mana yang paling menggambarkan nada bicara petugas?"
• Skala, misalnya "Seberapa sabar petugas terdengar?" dengan rentang nilai yang ditentukan sendiri.
• Rentang waktu, misalnya "Di detik ke berapa ada orang tertawa, mendesah, atau terkesiap?"

Pertanyaan bisa menyangkut banyak hal: emosi dan ekspresi, jumlah pembicara, suara latar seperti sirene atau dering telepon, dinamika percakapan seperti saling memotong, hingga maksud penelepon, misalnya ingin membatalkan langganan. Hume juga menyebut pertanyaan seperti apakah sebuah suara dibuat oleh AI.

Secara teknis, setiap permintaan berisi satu file MP3 atau WAV berdurasi 5 detik hingga 5 menit. Hume menyediakan SDK untuk Python dan TypeScript, dan tarifnya dihitung per token masukan, yaitu USD 0,47 per satu juta token, menurut halaman tagihan resminya. Akses API dibuka lewat daftar tunggu (waitlist), dan tersedia playground untuk mencoba.

Angka yang perlu dibaca dengan cermat

Hume menyatakan modelnya dilatih dari jutaan penilaian manusia tentang bagaimana orang memersepsikan suara. Dalam evaluasi awal versi Hume, model ini mencapai 70,7% kesesuaian dengan rata-rata penilaian panel manusia, dibandingkan 56,5% untuk satu penilai manusia secara individu.

Artinya kira-kira begini: untuk pertanyaan yang subjektif, seperti "apakah suara ini terdengar ramah?", jawaban model lebih dekat ke pendapat rata-rata sekelompok orang daripada jawaban satu orang yang dipilih acak. Dokumentasi Hume juga menjelaskan bahwa angka probabilitas memperkirakan berapa persen penilai manusia yang akan memberi jawaban tersebut. Jadi, nilai sekitar 0,5 berarti para penilai kemungkinan akan terbelah, bukan berarti model sedang ragu.

Mengapa ini relevan bagi kita?

Indonesia punya industri pusat kontak (contact center) yang besar, mulai dari perbankan, telekomunikasi, e-commerce, hingga layanan pengiriman. Selama ini, menilai kualitas panggilan biasanya dilakukan dengan mengambil sampel kecil rekaman lalu didengarkan manual oleh tim mutu. Hume menyebut sistemnya cukup cepat untuk menelusuri arsip 40.000 rekaman dalam hitungan menit, misalnya untuk mencari semua panggilan saat pelanggan terdengar kecewa.

Bagi pengembang agen suara, sinyal seperti ini bisa membantu bot memutuskan kapan menunggu, kapan meminta klarifikasi, dan kapan meneruskan panggilan ke manusia. Contoh yang diberikan Hume: penelepon yang diam sejenak karena berpikir seharusnya tidak diperlakukan sama dengan penelepon yang sudah selesai bicara.

Keterbatasan dan konteks

Kabar ini menarik, tetapi ada beberapa catatan penting:

• Klaim masih dari satu pihak. Angka 70,7% berasal dari evaluasi awal Hume sendiri. Klaim bahwa ini model pertama yang "audio-native" untuk menjawab pertanyaan tentang suara juga datang dari Hume, belum dari pengujian independen.
• Bahasa dan budaya. Pengumuman resmi tidak merinci seberapa baik model bekerja untuk bahasa Indonesia atau bahasa daerah. Cara orang mengekspresikan kesal atau sopan juga berbeda antarbudaya, sehingga hasilnya perlu diuji dengan rekaman lokal.
• Bukan pembaca pikiran. Model memperkirakan bagaimana orang lain mempersepsikan sebuah suara, bukan apa yang benar-benar dirasakan pembicara. Hume sendiri menganjurkan tim memvalidasi hasilnya dengan penilaian manusia yang representatif.
• Privasi dan persetujuan. Rekaman suara termasuk data pribadi. Di Indonesia, perusahaan yang ingin memakai analisis semacam ini perlu memperhatikan Undang-Undang Pelindungan Data Pribadi, termasuk memberi tahu pelanggan bahwa panggilan direkam dan untuk apa rekaman itu dianalisis.
• Akses masih terbatas. API dibuka lewat daftar tunggu, dan Hume menyebut penerapan untuk percakapan langsung secara penuh masih merupakan peluang jangka panjang.

Teknologi yang "mendengar" nada suara bisa membuat layanan terasa lebih manusiawi, asal dipakai untuk membantu pelanggan, bukan untuk menilai karyawan secara berlebihan tanpa konteks.

Coba di Sumber AI

Ingin memahami topik seperti ini lebih dalam? Anda bisa membuka chat di Sumber AI dan meminta penjelasan sederhana tentang cara kerja analisis suara, atau meminta bantuan menyusun daftar pertanyaan evaluasi kualitas layanan untuk tim Anda. Catatan riset dan keputusan bisa Anda simpan di jurnal agar mudah ditinjau kembali. Seperti biasa, periksa ulang detail teknis dengan dokumentasi resmi sebelum menerapkannya.

Sumber

• Hume AI Blog, "Introducing Hume's Audio Decision API: A decision layer for speech and sound" (2 November 2026): hume.ai
• Dokumentasi Hume, Audio Decisions API Overview: dev.hume.ai
• Dokumentasi Hume, Changelog dan Billing: dev.hume.ai/audio-decisions/changelog, dev.hume.ai/audio-decisions/docs/billing
• Ringkasan diskusi di X, "Voice AI Advances with Emotion Detection and Fast Responses": x.com