La mayoría de las empresas de IA de voz entrenan con cualquier audio que pueden rastrear. Rime montó un estudio de grabación. El 15 de julio, la startup de San Francisco anunció una Serie A de 24 millones de dólares liderada por M13 Ventures, con Twilio Ventures, Corazon Capital, Unusual Ventures y otros inversores existentes como participantes. El socio de M13 Morgan Blumberg se incorpora al consejo.

Los fundadores

Rime fue fundada en 2022 por la CEO Lily Clifford, que dejó un doctorado en lingüística en Stanford para ponerla en marcha; Brooke Larson, antigua ingeniera de Amazon Alexa; y el ingeniero de Stanford Ares Geovanos. La empresa cuenta con 35 empleados y está contratando para desarrollo de modelos, ingeniería y alianzas. Recientemente sumó a Rafael Valle como científico jefe, quien antes trabajó en comprensión de audio en Meta Superintelligence Labs y en el equipo de investigación aplicada de deep learning de audio de Nvidia.

La apuesta por los datos

El elemento diferenciador es la procedencia. Rime construyó un estudio de grabación en San Francisco para recopilar sus propios datos conversacionales en lugar de depender de audio rastreado de la web, una decisión que parece cada vez más astuta a medida que sus rivales basados en scraping se enfrentan al escrutinio sobre derechos de autor. A ello suma una arquitectura basada en fonemas diseñada para pronunciar correctamente nombres de marca y términos específicos de cada sector, de modo que los clientes no tengan que reentrenar un modelo para cada vertical.

Qué falla hoy

El diagnóstico de Clifford es inusualmente directo para una fundadora que levanta financiación en esta categoría. "La tecnología de voz todavía no está ahí para automatizar la gran mayoría de las llamadas telefónicas empresariales", dijo a TechCrunch. "Los LLM han hecho mucho más fácil crear aplicaciones de voz que funcionan, pero no han cambiado cómo se siente interactuar. Hablar con un agente de IA de voz no es la experiencia más atractiva para el usuario final. Es algo así como un IVR nuevo, pero con una voz mejor." Su solución es arquitectónica: pasar de una cadena ensamblada de speech-to-text a LLM a text-to-speech hacia modelos de speech-to-speech que reduzcan la latencia, mejoren la alternancia de turnos, gestionen el ruido de fondo y rebajen la sobrecarga de orquestación.

Tracción y competencia

Entre sus clientes figuran Mayo Clinic, Dialpad, Upstart y Asurion en restauración, sanidad, aerolíneas y fintech, y TechCrunch informa de que Rime gestiona más de 100 millones de llamadas al mes. La empresa compite con desarrolladores de modelos como ElevenLabs y Deepgram, con proveedores de infraestructura como Vapi, Retell y LiveKit, y con compañías de atención al cliente como Decagon y Sierra. La tesis de Blumberg es que la capa de modelo sigue en disputa: "Empresas como ElevenLabs se han movido hacia la orquestación y la capa de aplicación... Creo que todavía queda muchísimo por hacer técnicamente."