Rime привлёк $24 млн на ИИ для колл-центров, который не бросают слушать

Голосовой ИИ, который учат говорить в студии, а не на скачанных подкастах

Рынок голосового ИИ для бизнеса сейчас забит игроками: ElevenLabs и Deepgram делают модели синтеза речи, Vapi, Retell и LiveKit строят инфраструктуру, Decagon и Sierra закрывают клиентскую поддержку. Rime пытается выделиться подходом к данным.

Компания построила собственную студию звукозаписи в Сан-Франциско и записывает разговорные данные сама, а не собирает аудио из открытых источников в интернете. На этих записях тренируют модели, которые умеют правильно произносить названия брендов и отраслевые термины.

Основали Rime три человека: Лили Клиффорд (бывшая аспирантка Стэнфорда), Брук Ларсон (экс-инженер Amazon Alexa) и Арес Геованос (инженер из Стэнфорда).

Как устроена технология?

Rime использует фонемную архитектуру. Фонема — это минимальный звук языка, из которого складываются слова. Модель оперирует не целыми словами, а звуковыми единицами, поэтому адаптируется к произношению незнакомых терминов без полного переобучения. Для клиента это значит: не нужно заново тренировать модель под свою отрасль.

Изначально стартап работал по конвейерной схеме: отдельная модель переводила речь в текст (STT, speech-to-text), большая языковая модель формировала ответ, третья модель озвучивала его (TTS, text-to-speech). Сейчас Rime переходит на модели прямого преобразования «речь в речь» (speech-to-speech). Цель: сократить задержку ответа, улучшить естественность чередования реплик и справиться с фоновым шумом.

Среди клиентов Rime, по данным компании: клиника Mayo Clinic, платформа бизнес-телефонии Dialpad, финтех-компании Upstart и Asurion. Отрасли: общепит, здравоохранение, авиалинии, финтех.

Почему рынок пока не ушёл от «нажмите один»?

Самое показательное в этой истории: основательница Rime прямо говорит, что голосовой ИИ до сих пор не дотягивает до старых систем IVR (интерактивное голосовое меню, то самое «нажмите один для соединения с оператором»). Крупный бизнес продолжает использовать IVR, потому что он предсказуемо работает.

Голосовая технология пока не готова автоматизировать большинство корпоративных звонков. Большие языковые модели упростили создание голосовых приложений, но не изменили ощущения от общения. Разговор с голосовым ИИ-агентом — не самый приятный опыт для пользователя. Это что-то вроде нового IVR, но с голосом получше. : Лили Клиффорд, сооснователь и CEO Rime

Честность Клиффорд отличает этот раунд от типичных питчей, где основатели обещают «полную замену операторов». Rime продаёт не замену людей, а инструмент, который удерживает клиента на линии дольше, и именно этот аргумент, по словам компании, помог выиграть корпоративные контракты.

Морган Блумберг из M13 Ventures, который входит в совет директоров Rime по итогам раунда, подтвердил ставку на техническую глубину:

Такие компании, как ElevenLabs, ушли в оркестрацию и прикладной слой, конкурируя напрямую с Sierra и Decagon. Но технически ещё очень много нерешённого, и подход Rime — лучшая модель с низкой задержкой и высокой надёжностью в регулируемой среде — выделяется. : Морган Блумберг, M13 Ventures (цитата TechCrunch)

Деньги пойдут на расширение команды (сейчас 35 человек): наём в разработку моделей, инженерию и партнёрства. Недавно Rime привлёк Рафаэля Валле, который работал над аудиопониманием в Meta Superintelligence Labs и в группе прикладных аудиоисследований Nvidia, на позицию главного научного сотрудника.

Что это значит для вас?

Честность Клиффорд стоит запомнить как ориентир: если создатель ИИ для колл-центров говорит «технология пока не готова», значит, любой продавец, который обещает вам полную автоматизацию звонков прямо сейчас, скорее всего лукавит.