La maggior parte delle aziende di voice AI si allena su qualsiasi audio riesca a fare scraping. Rime ha costruito uno studio di registrazione. Il 15 luglio la startup di San Francisco ha annunciato una Serie A da 24 milioni di dollari guidata da M13 Ventures, con la partecipazione di Twilio Ventures, Corazon Capital, Unusual Ventures e altri investitori esistenti. Il partner di M13 Morgan Blumberg entra nel consiglio di amministrazione.
I fondatori
Rime è stata fondata nel 2022 dalla CEO Lily Clifford, che ha lasciato un dottorato in linguistica a Stanford per avviare l’azienda; da Brooke Larson, ex ingegnera di Amazon Alexa; e dall’ingegnere di Stanford Ares Geovanos. L’azienda conta 35 dipendenti e sta assumendo in ambito sviluppo di modelli, ingegneria e partnership. Di recente ha assunto Rafael Valle come chief scientist; in precedenza aveva lavorato sulla comprensione audio presso Meta Superintelligence Labs e nel team di ricerca audio applicata in deep learning di Nvidia.
La scommessa sui dati
Il fattore distintivo è la provenienza. Rime ha costruito uno studio di registrazione a San Francisco per raccogliere dati conversazionali propri invece di affidarsi all’audio reperito con lo scraping dal web — una scelta che appare sempre più accorta, mentre i rivali basati sullo scraping affrontano il controllo sul diritto d’autore. A questo affianca una architettura basata sui fonemi progettata per pronunciare correttamente nomi di brand e termini specifici di settore, così i clienti non devono riaddestrare un modello per ogni verticale.
Che cosa non funziona oggi
La diagnosi di Clifford è insolitamente diretta per una fondatrice che raccoglie fondi nel settore. "La tecnologia vocale non è ancora pronta per automatizzare la stragrande maggioranza delle telefonate aziendali", ha detto a TechCrunch. "Gli LLM hanno reso molto più facile costruire applicazioni vocali che funzionano, ma non hanno cambiato la sensazione dell’interazione. Parlare con un agente di voice AI non è l’esperienza più convincente per l’utente finale. È un po’ come un nuovo IVR, ma con una voce migliore." La sua soluzione è architetturale: passare da una pipeline cucita insieme di speech-to-text, LLM e text-to-speech verso modelli speech-to-speech che riducano la latenza, migliorino il turn-taking, gestiscano il rumore di fondo e riducano l’overhead di orchestrazione.
Traction e panorama competitivo
I clienti includono Mayo Clinic, Dialpad, Upstart e Asurion nei settori ristorazione, sanità, compagnie aeree e fintech, e TechCrunch riferisce che Rime gestisce oltre 100 milioni di chiamate al mese. L’azienda compete con gli sviluppatori di modelli ElevenLabs e Deepgram, con i player infrastrutturali Vapi, Retell e LiveKit, e con le società di customer support Decagon e Sierra. La tesi di Blumberg è che il livello del modello sia ancora contendibile: "Aziende come ElevenLabs si sono mosse verso il livello di orchestrazione e quello applicativo... credo che ci sia ancora tantissimo da fare sul piano tecnico."