Компания Rime, разработчик голосового искусственного интеллекта из Сан-Франциско, анонсировала запуск Prism — настраиваемой модели преобразования речи в речь. Эта модель предназначена для корпоративных приложений и позволяет компаниям дорабатывать голосовые системы, запуская их на собственной инфраструктуре или в частном облаке.

Prism позиционируется как первая в своем роде модель, которую можно донастроить (fine-tune) для специфических задач. Модель обрабатывает голосовой ввод, генерируя текст, а затем преобразует его в речь. Такой подход позволяет бизнесу применять собственные политики безопасности и правила, вести аудиторские следы и настраивать словарный запас, произношение и задержку ответа.

По словам Rime, Prism ориентирована на корпоративные сценарии, такие как обслуживание клиентов. В отличие от систем, генерирующих речь напрямую, архитектура Prism позволяет внутренним политикам компании проверять ответ перед тем, как он достигнет клиента, и создавать текстовую запись разговора для последующего анализа. Модель также может быть доработана на основе собственных данных и терминологии компании.

В рамках тестирования с Revmo Rime продемонстрировала высокую эффективность Prism. При обработке подтверждений заказов и завершении способов получения товаров модель Prism достигла 100% точности, в то время как у не названной модели OpenAI этот показатель составил 68%. Кроме того, процент звонков без галлюцинаций вырос с 35% до 85%, а процент звонков без пауз в тьму увеличился с 66% до 88%.

Lili Clifford, соучредитель и генеральный директор Rime, подчеркнула, что стандартные модели с кастомными промптами не являются уникальным голосом компании. «Prism — это первая модель преобразования речи в речь, которая становится вашей: она учится на ваших разговорах, позволяет устанавливать задержки и правила безопасности, и живет на вашей инфраструктуре. Модель, работающая в ваших звонках, — это то, что не купит ни один конкурент», — заявила она.

Для отраслей, таких как здравоохранение и финансовые услуги, где разговоры могут содержать конфиденциальную информацию, Prism позволяет работать в инфраструктуре, соответствующей требованиям SOC 2 и HIPAA, вместо передачи голосовых данных через общие внешние сервисы. Rime, основанная в 2022 году и поддерживаемая инвесторами M13, Twilio Ventures, Corazon Capital и Unusual Ventures, заявляет, что ее голосовые модели ежемесячно обрабатывают более 100 миллионов взаимодействий для таких клиентов, как Asurion, Mayo Clinic, Upstart и Dialpad.