La plupart des entreprises d’IA vocale entraînent leurs modèles sur tout l’audio qu’elles peuvent récupérer. Rime a construit un studio d’enregistrement. Le 15 juillet, la start-up de San Francisco a annoncé une levée de fonds de série A de 24 millions de dollars, menée par M13 Ventures, avec la participation de Twilio Ventures, Corazon Capital, Unusual Ventures et d’autres investisseurs existants. Le partenaire de M13, Morgan Blumberg, rejoint le conseil d’administration.

Les fondateurs

Rime a été fondée en 2022 par la CEO Lily Clifford, qui a quitté un doctorat en linguistique à Stanford pour lancer l’entreprise ; Brooke Larson, ancienne ingénieure d’Amazon Alexa ; et Ares Geovanos, ingénieur à Stanford. L’entreprise compte 35 employés et recrute dans le développement des modèles, l’ingénierie et les partenariats. Elle a récemment recruté Rafael Valle au poste de chief scientist ; il travaillait auparavant sur la compréhension audio chez Meta Superintelligence Labs et au sein de l’équipe de recherche appliquée sur l’audio et le deep learning de Nvidia.

Le pari sur les données

Le différenciateur tient à la provenance. Rime a construit un studio d’enregistrement à San Francisco pour collecter ses propres données conversationnelles plutôt que de s’appuyer sur de l’audio récupéré sur le web — un choix qui paraît de plus en plus avisé à mesure que des rivaux fondés sur le scraping font l’objet d’un examen accru sur le copyright. L’entreprise y associe une architecture fondée sur les phonèmes, conçue pour prononcer correctement les noms de marques et les termes spécifiques à certains secteurs, afin que les clients n’aient pas à réentraîner un modèle pour chaque vertical.

Ce qui ne fonctionne pas aujourd’hui

Le diagnostic de Clifford est inhabituellement direct pour une fondatrice qui lève des fonds dans cette catégorie. « La technologie vocale n’est toujours pas au point pour automatiser la grande majorité des appels téléphoniques en entreprise », a-t-elle déclaré à TechCrunch. « Les LLM ont rendu beaucoup plus facile la création d’applications vocales qui fonctionnent, mais ils n’ont pas changé la façon dont l’interaction est ressentie. Parler avec un agent vocal d’IA n’est pas l’expérience la plus convaincante pour l’utilisateur final. C’est un peu comme un nouvel IVR, mais avec une meilleure voix. » Sa solution est architecturale : passer d’une chaîne assemblée de speech-to-text, LLM puis text-to-speech à des modèles speech-to-speech qui réduisent la latence, améliorent la gestion des tours de parole, gèrent le bruit de fond et diminuent les coûts d’orchestration.

Traction et concurrence

Parmi ses clients figurent Mayo Clinic, Dialpad, Upstart et Asurion, dans la restauration, la santé, les compagnies aériennes et la fintech, et TechCrunch indique que Rime gère plus de 100 millions d’appels par mois. L’entreprise est en concurrence avec les créateurs de modèles ElevenLabs et Deepgram, les acteurs de l’infrastructure Vapi, Retell et LiveKit, ainsi que les sociétés de support client Decagon et Sierra. Selon Blumberg, la couche modèle reste disputée : « Des entreprises comme ElevenLabs sont passées à l’orchestration et à la couche applicative... Je pense qu’il reste tout simplement énormément à faire sur le plan technique. »