San Francisco-i székhelyű Rime bejelentette, hogy 24 millió dollárt gyűjtött a sorozat A finanszírozási körében, amelyet az M13 Ventures vezetett; a körben részt vettek továbbá a Twilio Ventures, a Corazon Capital, az Unusual Ventures és korábbi befektetői csoportok. A startupot 2022-ben alapították Lily Clifford (volt Stanford PhD hallgató), Brooke Larson (korábbi Amazon Alexa mérnök) és Ares Geovanos (Stanford mérnök).
Miért más Rime megközelítése?
Rime a hangalapú ügyfélhívások kezelésére fejlesztett modellekkel kíván versenyezni az egyre zsúfoltabb piacon, ahol már több szereplő — például ElevenLabs, Deepgram, Vapi, Retell, LiveKit, Decagon és Sierra — kínál megoldásokat infrastruktúra- vagy alkalmazási szinten. A cég egyik különlegessége, hogy nem elsősorban webes scrapingből szerzi az oktatóanyagot: San Francisco-ban saját stúdiót épített, és beszélgetési adatokat rögzít a modellek tanításához.
Rime hangsúlyozza, hogy a modelljeit úgy hangolja, hogy pontosan ejtse a márkaneveket és az iparági kifejezéseket. Egy fonéma-alapú architektúrát alkalmaznak, ami lehetővé teszi a különböző kiejtések adaptálását — így az ügyfeleknek kevésbé kell egyedi átképzést végezniük a saját szókincsükre.
Technológiai irányváltás: kevesebb orkesztráció, több beszéd–beszéd modell
A startup korábban külön csővezetéket tartott fenn beszédfelismerésre (speech-to-text), beszédszintézisre (text-to-speech) és nagynyelvi modellekre; most azonban a hangsúlyt arra helyezi, hogy jobb speech-to-speech modelleket fejlesszen. Ez a váltás a cég szerint csökkentheti a késleltetést, javíthatja a beszélgetésben való fordulóváltásokat (turn-taking) és jobban kezelheti a háttérzajt, miközben mérsékli az egyes modellek közötti orkesztrációs igényt.
Ügyfelek, szerződések és hatékonyság
Rime azt állítja, hogy ügyfélkörébe tartoznak az élelmezés, egészségügy, légiközlekedés és fintech szektorok szereplői, és konkrétan említi a Mayo Clinicot, a Dialpadet, az Upstartot és az Asuriont. A cég szerint a saját felvételekkel és modellezési megközelítéssel elért jobb kiejtés és relevancia miatt a hívó felek hosszabb ideig maradnak a vonalban, ami segített vállalati szerződések megnyerésében.
Piaci realitások és korlátok
Lily Clifford szerint bár a hangalapú AI fejlesztése előrehaladt, a vállalatok továbbra is sok helyen a hagyományos IVR (interactive voice response) megoldásokat részesítik előnyben, mert a jelenlegi AI-ügynökök tapasztalata még nem éri el az IVR hatékonyságát. Clifford szerint az LLM-ek megkönnyítették a használható hangalkalmazások létrehozását, de a végfelhasználói élményben még nem történt radikális változás: „a beszélgetés egy hangalapú AI-ügynökkel nem a legmeggyőzőbb élmény a végfelhasználó számára. Olyasmi, mint egy új IVR, de jobb hanggal.”
Csapat és további terjeszkedés
A Rime jelenleg 35 fős csapattal működik, és a most bejött finanszírozást modellezésre, mérnöki feladatokra és partnerkapcsolatok építésére fordítja, létszámbővítést tervezve ezeken a területeken. A közelmúltban Rafael Valle-t szerződtették vezető tudósként; Valle korábban a Meta Superintelligence Labs hangértésén és az NVIDIA alkalmazott mélytanulási audio-kutatócsapatán dolgozott.
M13 befektetője, Morgan Blumberg a TechCrunchnak azt mondta, hogy a piac szereplői közül néhányan az orkestráció és alkalmazási réteg felé mozdultak el, de szerinte még sok technikai feladat vár megoldásra, és Rime megközelítése — alacsony késleltetésű, megbízható modell fejlesztése szabályozott környezetben — megkülönbözteti a céget.
Korábbi befektetés
A startup tavaly májusban 5,5 millió dollár seed-tőkét gyűjtött. A mostani finanszírozási kör részeként Morgan Blumberg csatlakozik a Rime igazgatótanácsához.
