Entanglemental News
Entanglemental News

Smallest.ai raccoglie 13 milioni per agenti vocali aziendali in tempo reale

Il Series A guidato da Seligman Ventures porta i fondi oltre 21 milioni e sostiene un’architettura con motore vocale specializzato e modello più grande.

NEWS AUDIO

Ascolta questo articolo

Pronto per l’ascolto

Smallest.ai ha raccolto 13 milioni di dollari in un Series A guidato da Seligman Ventures, con Sierra Ventures e 3one4 Capital. Il finanziamento porta il capitale totale oltre 21 milioni e sostiene un prodotto di intelligenza artificiale vocale per conversazioni aziendali in tempo reale.

Fondata a fine 2024 da Sudarshan Kamath, la società sostiene che l’interazione naturale richieda un’architettura diversa dalla chat. Un grande modello attende il prompt completo, mentre le persone ascoltano, preparano risposte e talvolta interrompono contemporaneamente.

Smallest.ai sviluppa un modello compatto che deve ascoltare, ragionare in un dominio definito e parlare insieme. L’azienda afferma di ottenere quasi zero latenza, fondamentale nell’assistenza dove una breve pausa rende l’agente meccanico.

Il modello piccolo non risponde a tutto. Se una domanda supera la base limitata, il sistema chiama un modello più grande e mette brevemente il cliente in attesa. Kamath prevede agenti con uno strato conversazionale rapido e un modello lento per compiti complessi.

La startup si concentra su accenti, decine di lingue, interruzioni e rumore. Si distingue dai modelli generalisti e dalle società che usano la voce per doppiaggio, podcast o media invece di chiamate aziendali dal vivo.

RingCentral e Truecaller sono clienti. Smallest.ai compete con ElevenLabs, Cartesia e Sarvam, mentre piattaforme come Sierra e Decagon possono acquistare la tecnologia o creare sistemi propri.

La tesi è che le aziende di supporto non debbano deviare ingegneri per diventare specialiste vocali. Dipende da affidabilità, lingue, latenza, costo d’integrazione e passaggio tra modelli senza confondere l’utente o esporre dati.

Kamath vuole che l’utente non sappia se parla con una macchina. È un’ambizione, non un risultato indipendente. Il round valida l’interesse; le prove successive saranno implementazioni, retention, unit economics e prestazioni con accenti, rumore e richieste imprevedibili.