一段录音不先转文字，能判断哪些声音？

转写能保留说了什么，却不一定保留叹气、笑声或者两个人同时说话的细节。Hume AI 在 11 月 2 日介绍了 Audio Decision API：把音频和问题一起送进去，返回针对备选答案的概率，供程序后续处理。

它处理的也不只是情绪。比如，一段模拟客服通话可以同时问“背景有没有其他人说话”和“能听到几个人”；也可以让它给语音自然度按预设等级打分。问题和候选项由调用方写，同一份音频可提出多个问题。时间片段类问题则面向笑声等事件出现的位置。

这里有个使用上的区别：它不是转写接口。官方文档说明，结果是问题对应的概率，不会自动给出逐字稿、自然语言回复或判断理由。如果应用既需要听清用户具体说了什么，又想分析打断和声音表现，需要另外处理转写，再根据任务决定如何组合信息。

文件接口目前每次接收一个 5 秒到 5 分钟的 MP3 或 WAV；更长的录音需要分段，并留意跨分段发生的事件。按发布说明，API 访问需要申请候补；接口和可用范围应以获准后的实际说明为准。

像“有几个人说话”可以拿录音复听核对，“听起来是否沮丧”则更依赖听者的主观感受。文档把返回值描述为对人类评分者可能回答的估计，不应把它当作说话者真实情绪的证明，更不适合单独用来给个人作高风险判断。上传他人的录音前，也要先确认授权和数据处理要求。

以上是根据产品说明整理，没有调用接口或对真实录音做测试。