A maioria das empresas de IA de voz treina com qualquer áudio que consegue vasculhar. Rime construiu um estúdio de gravação. Em 15 de julho, a startup de São Francisco anunciou uma rodada Série A de US$ 24 milhões liderada pela M13 Ventures, com Twilio Ventures, Corazon Capital, Unusual Ventures e outros investidores existentes participando. O sócio da M13 Morgan Blumberg passa a ocupar uma cadeira no conselho.

Os fundadores

A Rime foi fundada em 2022 pela CEO Lily Clifford, que deixou um doutorado em linguística em Stanford para criá-la; Brooke Larson, ex-engenheira da Amazon Alexa; e o engenheiro de Stanford Ares Geovanos. A empresa tem 35 funcionários e está contratando para desenvolvimento de modelos, engenharia e parcerias. Recentemente, acrescentou Rafael Valle como cientista-chefe, após passar pela Meta Superintelligence Labs em pesquisa de compreensão de áudio e pela equipe aplicada de pesquisa em deep learning de áudio da Nvidia.

A aposta em dados

O diferencial é a procedência. A Rime construiu um estúdio de gravação em São Francisco para coletar seus próprios dados conversacionais, em vez de depender de áudio da web vasculhado — uma escolha que parece cada vez mais acertada à medida que rivais baseados em scraping enfrentam escrutínio sobre direitos autorais. A isso ela soma uma arquitetura baseada em fonemas, projetada para pronunciar corretamente nomes de marcas e termos específicos de setores, de modo que os clientes não precisem retreinar um modelo para cada vertical.

O que está quebrado hoje

O diagnóstico de Clifford é incomumente direto para uma fundadora captando recursos nessa categoria. "A tecnologia de voz ainda não está pronta para automatizar a vasta maioria das ligações telefônicas corporativas", disse ela ao TechCrunch. "Os LLMs tornaram muito mais fácil construir aplicações de voz que funcionam, mas não mudaram como isso é percebido na interação. Falar com um agente de IA de voz não é a experiência mais atraente para o usuário final. É meio como um novo IVR, mas com uma voz melhor." A solução que ela propõe é arquitetural: sair de um pipeline emendado de speech-to-text, LLM e text-to-speech e avançar para modelos de speech-to-speech, que reduzem a latência, melhoram a alternância de turnos, lidam com ruído de fundo e diminuem a sobrecarga de orquestração.

Tração e concorrência

Entre os clientes estão Mayo Clinic, Dialpad, Upstart e Asurion, em segmentos que vão de alimentação e saúde a companhias aéreas e fintech, e o TechCrunch informa que a Rime lida com mais de 100 milhões de chamadas por mês. A empresa compete com desenvolvedores de modelos como ElevenLabs e Deepgram, com fornecedores de infraestrutura como Vapi, Retell e LiveKit, e com empresas de atendimento ao cliente como Decagon e Sierra. A tese de Blumberg é que a camada de modelo ainda está em disputa: "Empresas como a ElevenLabs passaram a atuar como camada de orquestração e de aplicação... Acho que ainda há muito mais a ser feito tecnicamente."