Rime получила ? млн на развитие голосовых моделей для корпоративных звонков

Стартап Rime из Сан-Франциско привлек ? млн в раунде Series A под руководством M13 Ventures. Компания развивает голосовой ИИ для корпоративных звонков и обслуживает клиентов из общепита, здравоохранения, авиации и финтеха.

Почему голосовой ИИ пока не заменил IVR

Крупные компании уже передают часть звонков разработчикам голосовых моделей и платформ, однако традиционные системы IVR остаются востребованными. Основные препятствия для автоматизации — задержки, неестественная смена реплик, фоновый шум и ошибки в произношении названий брендов и отраслевых терминов.

Rime пытается сократить объем настройки со стороны заказчика. Вместо сбора аудио из открытого интернета стартап записывает собственные разговорные данные в студии в Сан-Франциско. Фонемная архитектура позволяет адаптировать произношение без полного переобучения модели под каждую отрасль.

Новая архитектура и инвестиции

Rime основали в 2022 году бывшая аспирантка Stanford Лили Клиффорд, экс-инженер Amazon Alexa Брук Ларсон и инженер Stanford Арес Геованос. Изначально платформа объединяла отдельные модели speech-to-text, text-to-speech и большую языковую модель. Теперь команда переходит к speech-to-speech подходу, чтобы уменьшить задержку, улучшить очередность реплик и снизить зависимость от оркестрации нескольких компонентов.

Голосовые технологии пока не позволяют автоматизировать подавляющее большинство корпоративных звонков. LLM упростили создание работающих приложений, но почти не изменили ощущения пользователя: это похоже на новый IVR, только с более качественным голосом, — отметила Лили Клиффорд.

В раунде также участвовали Twilio Ventures, Corazon Capital, Unusual Ventures и действующие инвесторы. Ранее Rime получила ?,5 млн посевного финансирования. Партнер M13 Морган Блумберг войдет в совет директоров компании.

Сейчас в Rime работают 35 человек. Новые средства направят на расширение команд разработки моделей, инженерии и партнерств. Главным научным сотрудником стал Рафаэль Валле, ранее занимавшийся обработкой аудио в Meta Superintelligence Labs и исследовательской команде NVIDIA.

Для бизнеса такой подход означает потенциально меньше ручной настройки при запуске голосовых агентов. Но выбирать платформу стоит не только по качеству синтеза речи: критичны задержка, устойчивость к шуму, корректное произношение терминов и надежность в регулируемой среде.