0% read
最后更新:
Humyn Labs
Humyn Labs 是一家成立于 2026 年的人工智能公司，由联合创始人 Manish Agarwal 和 Ishank Gupta 共同创立。该公司总部位于旧金山，致力于为机器人、具身智能（Physical AI）和语音 AI 开发训练数据和数据基础设施，以同步且具备来源追踪的感官记录形式捕捉真实场景中的人类活动。[1][3][2]
概览
Humyn Labs 将其平台描述为一种解决物理人工智能（Physical AI）结构化现实世界记录短缺的方法。其示例包括家庭清洁和手动车辆组装的记录，该公司称这些活动在用于训练其他 AI 系统的互联网衍生材料中并未得到同样的体现。[2]
该公司表示，其记录系统在采集过程中同步了四个传感器流：摄像头、惯性测量单元 (IMU)、音频和运动学。它将贡献者 ID、环境、时间戳和硬件序列号识别为溯源字段，并另行说明贡献者验证是在链上进行的。Humyn Labs 描述其配套工作流涵盖了同步、验证、处理、质量控制和基准评估，交付成果格式包括 MCAP、RLDS 和 LeRobot v3。[2]
该公司正在开发用于获取、验证、处理和标记情节数据（episodic data）的工具。它将其数据收集特征描述为“第一人称视角”和“来源优先”：记录捕捉第一人称的人类活动，以及人们如何观察、导航并与周围环境互动。[2][3]
Humyn Labs 表示，其专家网络延伸至 20 多个国家，包括越南、尼日利亚、埃及、韩国、印度和巴西。它将这种地理分布呈现为一种让模型接触不同人群、环境和习俗的方式，特别是在那些它认为在西方训练的模型中代表性不足的地区。[2][4]
数据收集与质量控制
Humyn Labs 将其通用数据工作流描述为需求定义、劳动力采购与筛选、收集、质量控制、技术处理和数据集交付的序列。需求可以包括数据规范、专业知识、数量、时间表和质量阈值。该公司表示，其工作流追踪从初始请求到交付数据集的全过程溯源。[8]
该公司将其经过验证的贡献者和领域专家与匿名的众包工作区分开来。它表示，贡献者的选拔基于其展示的技能和领域经验，而分层质量检查旨在降低数据质量风险，并提供客户可用于向利益相关者证实数据集的记录。[8]
Humyn Labs 列举了已完成或正在进行的工作示例，包括涵盖五个地区的 120,000 张人脸识别数据集、为印度银行、金融服务和保险行业提供的超过 1,000 小时的生产级文本转语音数据，以及针对 10 种语言的 50,000 小时语音数据。[8]
该公司的物理 AI 材料报告了来自 20 多个国家的 10,000 小时视觉数据。视觉产品包括六自由度姿态、手部骨骼数据、IMU 和即时定位与地图构建 (SLAM) 数据，以及情节级标注；Humyn Labs 表示其丢弃的数据比例低于 15%。其移动性产品包括七自由度手臂运动学、全身姿态、关节扭矩和空间映射，通过相同的视觉数据流水线采集。触觉数据是一个新兴领域，涉及在操作数据收集过程中，从配备传感器的远程操作抓取器中测量力、阻力和顺应性。[2][1]
历史
Humyn Labs 表示，它的成立是为了应对人工智能团队将训练数据视为商品的现象，该公司认为这种现象与匿名人群、不一致的标准以及有限的可追溯性有关。其使命是通过经过验证的人类专业知识、公平的报酬和合乎道德的数据来源，在人类智能和人工智能之间架起桥梁。[4]
联合创始人 Manish Agarwal 和 Ishank Gupta 领导着该公司。Humyn Labs 的背景资料描述其中一位创始人曾作为首席执行官领导并扩展了 Nazara Technologies，使其成为该公司所描述的印度首家游戏上市公司，峰值估值超过 10 亿美元。同样的资料显示，另一位创始人将百威英博（AB InBev）中南亚业务规模扩大至 1.5 亿美元以上，并在印度、中国、英国和南非建立了消费业务。[5][3][4]
2026 年 4 月 13 日，Humyn Labs 宣布投入 2000 万美元用于扩展数据采集业务和语音能力，并计划在印度、东南亚、拉丁美洲和西亚开展活动。该公司表示，这笔投资将支持用于训练机器人和语音模型的数据。[3][1]
该公司还宣布计划建立机器人实验室（Robotics Labs），以构建高保真模拟环境和世界模型，将现实世界的数据整合到训练框架中。Humyn Labs 是 NVIDIA Inception 计划的成员。[3][1]
产品与服务
具身智能与机器人数据
Humyn Labs 为机器人和其他具身智能（Physical AI）系统提供真实世界传感器数据的采集与标注。该公司认为，模拟环境可能会遗漏罕见情况、边缘案例以及真实物理世界的变化，而同步传感器数据的现场采集在成本和物流上都具有挑战性。[6]
其现场团队在真实环境中使用传感器配置采集数据，这些配置可包括多摄像头阵列、雷达、惯性测量单元（IMU）及其他运动传感器、GPS 或全球导航卫星系统（GNSS）设备以及超声波传感器。支持的数据类型包括多摄像头视频、运动和里程计记录，以及机器人操作（如取放、抓取和组装）。[6]
标注服务包括 3D 边界框、点云语义分割、跨帧对象跟踪、场景分类与打标签，以及传感器校准验证。Humyn Labs 表示其标注员在自动驾驶、机器人或空间计算领域拥有丰富经验；并将其描述为具有链上声誉的领域专家。[6]
该公司描述的工作流程始于客户指定传感器配置、环境、边缘案例和标注模式。随后，现场团队采集同步记录，并由领域专家进行标注；数据集会经过同行评审和集中质量审查。Humyn Labs 表示，对于安全至关重要的工作（如自动驾驶数据），会接受额外的领域专家评审，且交付物包括标注溯源和标注者间一致性指标。[6]
数据集可以 KITTI、nuScenes、Waymo Open Dataset、COCO 3D 或自定义模式等格式交付，并附带校准文件和时间戳同步元数据。该公司将机器人、工业自动化、自动驾驶汽车和无人机列为应用领域，包括工厂车间检测、取放系统和自动叉车。[6]
语音数据
Humyn Labs 为自动语音识别（ASR）、文本转语音（TTS）、语音克隆和语音合成采集并标注语音数据。其服务涵盖 50 多种语言，包括主要的全球语言和低资源语言，并列出了对印地语、泰米尔语、泰卢固语、卡纳达语、马拉雅拉姆语、孟加拉语和马拉地语等印度语言的覆盖。录音可根据特定的口音、方言、人口统计群体和多语言语码转换进行配置。[7]
录音类型包括脚本段落和语音平衡句子、自发演讲和多轮对话、情感语音、唤醒词和命令录音、多发言者对话、嘈杂环境下的语音，以及耳语和呐喊等多种说话风格。该公司提供可配置采样率（16–48 kHz）和位深（16 或 24 位）的音频，支持 WAV、FLAC 或 MP3 格式交付。[7]
语音数据工作流程始于涵盖语言、口音、人口统计信息、音频格式、话语类型和容量的客户规范。Humyn Labs 表示，在录音前会验证发言者身份和人口统计信息，随后通过自动化和人工审查检查音频质量和转录对齐情况。其自动化检查包括底噪、削波、静音率和采样率；人工审查涵盖转录准确性和发言者身份。该公司表示，不符合要求的录音将在交付前被剔除。[7]
Humyn Labs 表示，发言者会提供经过验证的知情同意书，且数据处理遵循《通用数据保护条例》（GDPR）和地区隐私要求。除了新录音采集外，该公司还提供现有音频的标注服务，包括转录、发言者标签、时间戳和情感标签。[7]
该公司报告了涵盖 33 种语言的 50,000 小时语音数据，并表示该集合已产生收入，并已使用其 BRIDGE 基准进行了评估。其语音数据服务页面描述了不同规模的可配置采集方案，其中 50-100 小时的试点项目通常需要两到四周，而跨多种语言超过 1,000 小时的项目则需要两到六个月。[2][7]
BRIDGE 语音基准 (BRIDGE Speech Benchmarks)
2026 年 5 月 13 日，Humyn Labs 发布了 BRIDGE，全称为“全球评估区域与国际数据基准”（Benchmark of Regional & International Data for Global Evaluation）。它使用全球南方非英语语言的真实对话音频来评估商业语音识别系统。联合创始人 Manish Agarwal 和 Ishank Gupta 被确定为该项目的负责人。[5]
该基准评估了涵盖 22 种语言（包括拉丁美洲西班牙语方言、巴西葡萄牙语和越南语）的 15 个商业模型。Humyn Labs 表示，所涵盖的语言涉及超过 55 亿人口。其测试使用的是在多个地区采集的真实两人对话，而非剧本式或从互联网抓取的音频，该数据集已在 Hugging Face 上发布。[5]
BRIDGE 使用了七项评估指标，包括语义相似度（Semantic Similarity）、语码转换 F1 值（Code-Switch F1）、外来词词错率（Loan Word WER）、音素感知错误率（Phoneme-Informed Error Rate）以及单词信息丢失量（Word Information Lost）。报告指出，基于单一综合得分的排名可能会掩盖地区性能差异和识别错误类型。[5]
报告将 ElevenLabs Scribe v2 排在总榜第一，词错率（WER）为 10.6%，但在越南语中排名第三；AssemblyAI Universal 虽然总排名第 12，但在越南语中表现最好。报告还指出，委内瑞拉西班牙语、巴西葡萄牙语和跨地区说话者组合存在巨大的性能差距，同时发现尽管某些模型的越南语 WER 较高，但仍保留了超过 93% 的含义准确度。[5]
2026 年 9 月，Humyn Labs 宣布推出 BRIDGE ASR 2.0，并将其描述为一个独立的全球基准，通过六项指标评估 23 个模型。其资料强调，单一的 WER 分数可能会隐藏不同的模型失效模式以及与语言和停顿长度相关的变化。BITS Pilani 研究员 Divyajot Singh 分析了 BRIDGE ASR 2.0 的原始数据，并报告了排行榜得分之外的发现。[1]
Agarwal 表示，尽管以英语为主、基于互联网训练的基准被用于商业部署决策，但它们并不能提供代表全球南方用户说话方式的独立验证。Gupta 认为，基于英语音韵学的评估系统不足以比较非英语语音，且单一的综合得分无法支持跨地区的决策。[5]
组织与生态系统
Humyn Labs 总部位于旧金山，其员工分布在印度、巴西和美国。[1] 该公司的成员包括创始成员 Anoushka Ananth、联合创始人 Ishank Gupta 以及技术项目经理 Itisha Dubey；据称，Dubey 构建了一个自然度检测层，用于筛选收集到的音频剪辑，以评估其作为训练数据的适用性。[1]
发现错误了吗？
