Humes Audio Decision API beantwortet Fragen zu Tonaufnahmen

Fragen an den Ton statt nur an ein Transkript

Ein Transkript hält fest, welche Wörter gesagt wurden. Ob jemand lacht oder im Hintergrund ein Geräusch zu hören ist, steht dort nicht unbedingt. Humes Ansatz setzt dagegen bei der Audiodatei an. Eine Anwendung schickt eine Aufnahme zusammen mit einer Frage und, je nach Fragetyp, vorgegebenen Antworten, und das Modell gibt für jede Antwort eine Wahrscheinlichkeit zurück. In der Dokumentation heißt der Dienst „Audio Decisions API“.

Laut Hume lassen sich zu derselben Aufnahme mehrere Fragen stellen, als Ja-Nein-Frage, als Auswahl einer von mehreren Antworten oder als Bewertung auf einer Skala. Jeder Wert steht für den geschätzten Anteil menschlicher Bewertender, die so antworten würden. Ein Wert um 0,5 heißt laut Dokumentation nicht, dass das Modell unsicher ist, sondern dass die Bewertenden sich uneins wären. Für bestimmte Ereignisse kann das Modell als experimentelle Funktion auch angeben, in welchem Zeitabschnitt eines Clips sie vorkommen. Laut Dokumentation eignet sich das am besten für Lachen, Seufzen und Geräusche wie ein klingelndes Telefon. Es bleiben Einschätzungen des Modells, keine garantierten Feststellungen.

Wie natürlich klingt eine KI-Stimme?

Hume sieht eine mögliche Anwendung darin, Modelle zur Spracherzeugung anhand ihrer Ausgaben zu bewerten. Gefragt werden könnte etwa, ob eine Stimme natürlich klingt oder zur jeweiligen Situation passt. Solche Antworten hängen auch davon ab, wie Menschen die Aufnahme wahrnehmen. Ob ein Lachen vorkommt, lässt sich meist eindeutig beantworten. Ob eine Stimme natürlich klingt, hat oft keine eindeutig richtige Antwort. Wie sich Stimmen im fertigen Video einsetzen lassen, steht in meinem Beitrag zu Ton im KI-Video.

Hume empfiehlt selbst, solche Bewertungen mit Einschätzungen von Menschen abzugleichen. Mit diesem Abgleich kann das Modell nach meiner Einschätzung bei einer Vorauswahl helfen. Allein entscheiden, wie eine Stimme auf ein Publikum wirkt, sollte sein Ergebnis aber nicht. Einen eigenen Praxistest habe ich nicht gemacht.

Wie gut die Urteile zu denen von Menschen passen

In einer ersten Auswertung stimmte Humes Modell nach Angaben des Unternehmens zu 70,7 Prozent mit der durchschnittlichen Einschätzung eines menschlichen Panels überein. Als Vergleichswert für eine einzelne bewertende Person nennt Hume 56,5 Prozent. Das gilt für die Bewertungssituation, die Hume untersucht hat. Daraus folgt nicht, dass das Modell Stimmen in jeder Anwendung zuverlässig beurteilt.

Hume stellt außerdem einen Vergleich mit anderen Audiomodellen vor, auch dessen Werte stammen vom Anbieter. Wie sich die Schnittstelle bei konkreten deutschen Sprachaufnahmen oder in einer Videoproduktion schlägt, lässt sich daraus nicht sicher ableiten.

Wer die Schnittstelle nutzen kann

Eine API verbindet Software mit einem Dienst. Die Audio Decision API richtet sich deshalb zunächst an Entwickler und Teams, die die Auswertung in eine eigene Anwendung einbauen wollen. Im Ankündigungsbeitrag nennt Hume eine Warteliste für den API-Zugang, die Dokumentation verweist auf ein Kontaktformular. Daneben beschreibt Hume eine Testoberfläche, in der sich Dateien hochladen und Live-Audio auswerten lassen. Bei Live-Audio zeigt eine Beispiel-App in der Dokumentation, wie aufeinanderfolgende Ausschnitte von jeweils fünf Sekunden ausgewertet werden, der kürzesten Länge, die die API akzeptiert. Dass sich Audio über die Schnittstelle durchgehend als Stream übertragen lässt, geht daraus nicht hervor.

Kurz beantwortet

Erzeugt die Audio Decision API selbst Sprache?

Nein. Die vorgestellte Schnittstelle wertet Tonaufnahmen aus und gibt Einschätzungen zu Fragen über den Ton zurück.

Kann sie Gefühle sicher erkennen?

Sie kann laut Hume einschätzen, wie eine Stimme wirkt. Ob jemand tatsächlich ein bestimmtes Gefühl hat, lässt sich daraus nicht sicher ablesen.

Stand der Recherche: 03.11.2026. Die Angaben beruhen auf den verlinkten Quellen. Kein eigener Praxistest.

Die Inhalte dieses Artikels dienen der allgemeinen Information. Trotz sorgfältiger Recherche übernimmt Nachschein Studios keine Gewähr für Aktualität, Vollständigkeit oder Richtigkeit der Angaben.