Smallest.ai, стартап, основанный в конце 2024 года, привлек $13 млн в раунде Series A на создание голосовых ИИ-систем, призванных сделать автоматизированные телефонные разговоры менее похожими на взаимодействие с ботами и более похожими на общение между людьми. TechCrunch сообщил, что раунд возглавила Seligman Ventures при участии Sierra Ventures и 3one4 Capital, доведя общий объем финансирования компании до более чем $21 млн.

Этот подход примечателен тем, что он идет вразрез с одним из доминирующих предположений в генеративном ИИ: будто более качественные разговорные системы в основном возникают за счет масштабирования больших языковых моделей. По данным TechCrunch, Smallest.ai вместо этого строит более маленькие, специализированные голосовые модели для общения в реальном времени, утверждая, что телефонный ИИ должен слушать, думать и говорить параллельно, а не ждать полного запроса перед генерацией ответа. Если этот подход сработает в продакшене, он может иметь значение для быстро растущего сегмента корпоративного ИИ: голосовых систем, обращенных к клиенту, где даже небольшие задержки делают взаимодействие роботизированным.

Другая архитектура для голосового ИИ

Согласно TechCrunch, ключевой тезис Smallest.ai заключается в том, что обычное поведение LLM создает слишком большую задержку для живого разговора. В текстовом чате пользователи терпят паузу, пока модель обрабатывает запрос и пишет ответ. В телефонном звонке та же пауза может мгновенно разрушить ход беседы.

Генеральный директор Сударшан Камат сказал TechCrunch, что компания проектирует модель так, чтобы она вела себя ближе к тому, как ведут себя люди в разговоре: непрерывно обрабатывала речь и готовила ответ, пока собеседник еще говорит. Компания описывает это как слой интеллектуальной обработки в реальном времени для узких разговорных задач, особенно для диалогов в стиле клиентской поддержки.

В материале SiliconANGLE такой дизайн назван «асинхронной архитектурой голосового ИИ», что в целом соответствует описанию TechCrunch, хотя более подробные технические детали в предоставленном исходном тексте отсутствовали. Судя по репортажу TechCrunch, практическая идея состоит в том, что более маленькая модель обрабатывает быстрый обмен репликами, а более крупная система подключается только тогда, когда разговор выходит за пределы области знаний меньшей модели.

Этот механизм передачи запросов — центральная часть стратегии стартапа. TechCrunch сообщил, что если голосовая система Smallest.ai сталкивается с вопросом вне своей ограниченной базы знаний, она передает запрос более крупной базовой модели и ненадолго ставит звонящего на удержание, чтобы получить ответ. Камат представил это как аналогию с тем, как человек-оператор службы поддержки может сделать паузу, чтобы проверить информацию, вместо того чтобы импровизировать.

Почему инвесторы могут поддерживать ставку на «маленькую модель»

Финансирование поступило в момент, когда инвесторы продолжают искать ИИ-компании прикладного уровня с более ясным путем к выручке, чем у создателей широких базовых моделей. Голосовой ИИ стал особенно активной категорией, потому что он затрагивает колл-центры, продажи, запись на прием, взыскание задолженности и другие бизнес-функции с очевидными бюджетами на автоматизацию.

Smallest.ai входит в этот рынок с более узкой специализацией, чем некоторые из самых известных голосовых стартапов. TechCrunch сообщил, что компания сосредоточена на разговорных агентах в реальном времени для корпоративного использования, а не на смежных сценариях голосовых медиа, таких как дубляж или производство подкастов.

Это различие важно. Требования к производительности синтетического инструмента для озвучивания сильно отличаются от требований к входящему звонку в поддержку. В корпоративной телефонии низкая задержка, обработка перебиваний, устойчивость к акцентам и работа на шумных линиях могут быть важнее, чем чисто естественное качество голоса. TechCrunch писал, что Smallest.ai фокусируется именно на этих специфических для голоса проблемах, включая разные акценты, поддержку десятков языков и работу в шумной среде.

Для инвесторов такой фокус может выглядеть привлекательно, потому что он нацелен на сценарий с измеримыми бизнес-результатами. Компании, покупающие голосовую автоматизацию, обычно меньше интересуются новизной и больше — тем, может ли система сократить время обработки, избежать переводов, повысить долю решенных обращений и сохранить удовлетворенность клиентов. Smallest.ai не публиковала такие производственные метрики в предоставленном материале, но логика рынка ясна: если преимущество по задержке реально, это может стать значимым клином против более крупных универсальных систем.

Клиенты, конкуренты и корпоративный аспект

TechCrunch сообщил, что среди клиентов Smallest.ai уже есть RingCentral и Truecaller — известные игроки в сфере коммуникаций и голосовых продуктов. В отчете не уточняется масштаб этих отношений, размер внедрения или то, используют ли компании Smallest.ai в продакшене, в пилотах или как компонент инфраструктуры. Это ограничивает то, что можно сделать вывод из одного лишь списка клиентов, но сами имена указывают на то, что стартап по крайней мере получил раннюю валидацию от компаний, хорошо понимающих голосовые процессы.

Камат также сказал TechCrunch, что потенциальными клиентами являются компании, разрабатывающие ПО для поддержки клиентов, такие как Sierra и Decagon. Его аргумент, пересказанный в отчете, состоит в том, что платформы клиентского обслуживания могут не захотеть строить собственный специализированный голосовой стек, если это отвлекает их от основного продукта.

Такая позиция ставит Smallest.ai в конкуренцию сразу с несколькими уровнями стека. TechCrunch назвал ElevenLabs лидером в голосовом ИИ и указал Cartesia и Sarvam в качестве конкурентов или смежных игроков. У каждой из этих компаний есть свое преимущество: ElevenLabs тесно связана с качеством синтетического голоса и широкой известностью среди разработчиков; Cartesia продвигала низколатентную речевую инфраструктуру; Sarvam ассоциируется с поддержкой региональных языков. Похоже, Smallest.ai пытается выигрывать не за счет самой широкой голосовой платформы, а за счет наилучшего соответствия для корпоративных звонков в реальном времени.

Фактически компания также конкурирует с внутренними разработками крупных платформ. Предприятия, использующие коммуникационное ПО вроде RingCentral или строящие собственные ИИ-сценарии звонков на своей инфраструктуре, в конечном итоге должны будут решить, покупать ли выделенный голосовой слой, собирать его из нескольких поставщиков или полагаться на все более мультимодальные общие модели.

Доказательства, заявления и то, что остается недоказанным

Наиболее подтвержденные факты в исходном материале — это само финансирование, участвующие инвесторы, время основания компании и названия упомянутых клиентов. Эти детали взяты из репортажа TechCrunch о раунде, а SiliconANGLE отдельно сообщил о привлечении средств и описал архитектуру компании в похожих терминах.

Несколько более смелых заявлений остаются скорее собственным позиционированием стартапа, чем независимо подтвержденными результатами. В частности, Камат сказал TechCrunch, что компания хочет, чтобы ее модели «ломали тест Тьюринга» в телефонных разговорах, чтобы пользователи не могли понять, разговаривают ли они с ИИ или с человеком. Это намерение, а не доказанный бенчмарк на основе доступных данных.

Аналогично, утверждение о «практически нулевой задержке ответа», как это описал TechCrunch, следует воспринимать как продуктовое заявление, а не как опубликованное измерение. В предоставленных источниках нет данных по задержке, показателям ошибок распознавания слов, числам восстановления после перебивания, результатам многоязычных бенчмарков или сравнений с ElevenLabs, Cartesia и другими голосовыми ИИ-системами.

Ссылки на клиентов тоже требуют осторожности. Хотя RingCentral и Truecaller названы клиентами, источники не содержат данных о стоимости контрактов, объеме использования, продлении или прямых отзывов клиентов. Для корпоративных покупателей и разработчиков это означает, что настоящий тест еще впереди: сможет ли Smallest.ai перейти от многообещающих демо и ранних интеграций к устойчивым, высоконагруженным внедрениям.

Что это значит для разработчиков ИИ и корпоративных покупателей

Для разработчиков стратегия Smallest.ai подчеркивает более широкий сдвиг в дизайне ИИ-агентов: не каждое взаимодействие должно проходить от начала до конца через большую универсальную модель. В приложениях, чувствительных к задержкам, более практичной может быть многоуровневая система, где маленькая быстрая модель управляет взаимодействием, а более крупная модель остается для сложных рассуждений.

Эта идея может повлиять на то, как команды проектируют ИИ-агентов для телефонной поддержки, замены интерактивного голосового ответа, исходящих продажных звонков и отраслевых ассистентов. Ключевой компромисс — между скоростью и широтой. Узкая модель может казаться более естественной в узкой предметной области, но за ее пределами чаще ошибаться и требовать аккуратной эскалации. Подход Smallest.ai — «поставить звонящего на удержание и запросить ответ у более крупной модели» — один из возможных вариантов, хотя он добавляет сложности в оркестрации, надежности и клиентском опыте.

Для покупателей корпоративного ИИ эта история меньше про новизну и больше про критерии закупки. Поставщик, обещающий звонки с человеческим звучанием, все равно должен отвечать на стандартные операционные вопросы: как часто система ошибочно перебивает, насколько хорошо она работает с акцентами, как ведет себя в шумной среде, каковы правила резервного сценария и какая система управления существует вокруг раскрытия информации и согласия при автоматических звонках. Предоставленные отчеты показывают, что Smallest.ai делает акцент на нескольких из этих технических проблем, но пока не предоставляет публичных подтверждений.

Есть и стратегический аспект для платформ клиентской поддержки, таких как Sierra и Decagon. Если специализированные голосовые слои будут быстро улучшаться, некоторые поставщики ПО могут предпочесть интегрировать внешнюю голосовую инфраструктуру вместо создания собственных речевых систем. Но если мультимодальные базовые модели сократят разрыв по задержке, окно возможностей для независимых голосовых специалистов может сузиться.

За чем следить дальше

Следующие сигналы по Smallest.ai, вероятно, будут скорее операционными, чем связанными с финансированием. Один из них — будут ли RingCentral или Truecaller, либо другие названные партнеры, публично описывать конкретные сценарии или измеримые результаты.

Другой — техническая прозрачность. Если Smallest.ai хочет отличаться от ElevenLabs, Cartesia и Sarvam, ей, возможно, со временем придется опубликовать более ясные доказательства по задержке, обработке перебиваний, многоязычному качеству и производительности в реальных support-средах.

Третья тема — масштаб продукта. Текущая модель компании наиболее сильна, если предприятия по-прежнему ценят выделенные голосовые системы больше, чем сквозные LLM-стеки. Любое движение крупных поставщиков моделей в сторону более низкой задержки и готового к звонкам голосового взаимодействия может усилить это давление.

Наконец, стоит следить за толерантностью рынка к ИИ-звонкам, звучащим по-человечески. По мере того как системы становится все труднее отличать от людей, юридические, комплаенс- и доверительные вопросы будут приобретать большее значение для корпоративных внедрений ИИ, особенно в регулируемых сценариях поддержки и исходящих звонков.

Взгляд Creati.ai

Smallest.ai делает убедительную ставку на реальную слабость нынешнего ИИ-стека: голосовые разговоры наказывают задержку гораздо жестче, чем чат. Акцент стартапа на небольших специализированных моделях и выборочной передаче запросов более крупным системам соответствует растущей реальности в проектировании ИИ-продуктов, где оркестрация часто важна не меньше, чем «сырая» мощность модели.

Но эта категория беспощадна. Корпоративным покупателям голосового ИИ нужна не только убедительная демоверсия; им нужна надежность на акцентах, перебиваниях, границах домена и в граничных случаях комплаенса. Раунд Smallest.ai показывает, что инвесторы считают это проблемой, которую стоит решать с помощью выделенной инфраструктуры. Более сложный вопрос — сможет ли компания превратить свою архитектурную гипотезу в воспроизводимую производительность в продакшене до того, как крупные платформы и существующие игроки на рынке голоса усвоят тот же урок.