Startup Smallest.ai ogłosił 31 lipca 2026 roku rundę A o wartości 13 mln USD na budowę modeli głosowych, których rozmowa ma być nie do odróżnienia od ludzkiej. Rundę poprowadził Seligman Ventures. Firma celuje w agentów głosowych działających w czasie rzeczywistym, a nie w ogólne zastosowania mowy.
Najważniejsze w skrócie
- Runda A: 13 mln USD (ok. 52 mln zł), łącznie ponad 21 mln USD pozyskanego finansowania.
- Rundę poprowadził Seligman Ventures, dołączyli Sierra Ventures i 3one4 Capital.
- Architektura dwumodelowa: mały model głosowy w czasie rzeczywistym plus większy LLM do złożonych zapytań.
- Wśród klientów: RingCentral i Truecaller.
- Cel: rozmowa nie do odróżnienia od człowieka — złamanie testu Turinga.
Kto zbiera i na co
Smallest.ai założono pod koniec 2024 roku. Firma buduje wyspecjalizowane modele głosowe do rozmów w czasie rzeczywistym, z naciskiem na obsługę różnych akcentów, wielojęzyczność i pracę w hałaśliwym otoczeniu. Rundę A na 13 mln USD poprowadził Seligman Ventures, a wsparli ją Sierra Ventures i 3one4 Capital. Łączne finansowanie startupu przekroczyło 21 mln USD.
Jak działa model
Zdaniem założyciela i CEO Sudarshana Kamatha model naśladuje ludzką rozmowę, słuchając, myśląc i mówiąc jednocześnie. Rozwiązanie opiera się na dwóch modelach: mały model głosowy odpowiada w czasie rzeczywistym praktycznie bez opóźnienia, a większy LLM jest wywoływany dopiero przy złożonych pytaniach spoza wiedzy modelu głosowego. To podejście różni się od klasycznych potoków, w których zamiana mowy na tekst, przetwarzanie i synteza głosu następują po sobie i sumują opóźnienia.
Kiedy do ciebie mówię, ty już myślisz — i możesz mi przerwać, jeśli mówię za długo.
Sudarshan Kamath, założyciel i CEO Smallest.ai.
Rynek i konkurencja
Klientami są między innymi RingCentral i Truecaller, a docelowym rynkiem — firmy obsługi klienta, w tym Sierra i Decagon. Na rynku głosowego AI Smallest.ai konkuruje z liderem ElevenLabs oraz z Cartesią i regionalnymi graczami jak Sarvam, skupiony na językach lokalnych. Wyróżnikiem ma być właśnie architektura dwumodelowa, obcinająca opóźnienie do poziomu, który utrudnia rozpoznanie, że po drugiej stronie jest maszyna.
Dlaczego to ważne?
W agentach głosowych o wszystkim decyduje opóźnienie. Rozmowa przestaje brzmieć naturalnie, gdy między pytaniem a odpowiedzią jest zauważalna pauza — a klasyczne potoki mowa-tekst-mowa taką pauzę wprowadzają. Rozdzielenie zadań na szybki model głosowy i wolniejszy LLM to próba obejścia tego kompromisu: prostą wymianę zdań obsługuje tani, błyskawiczny model, a cięższe rozumowanie włącza się tylko wtedy, gdy jest potrzebne. Jeśli takie rozwiązanie się sprawdzi, przesunie granicę tego, gdzie agent głosowy zastąpi człowieka — od prostych infolinii po dłuższe, kontekstowe rozmowy. Deklaracja o złamaniu testu Turinga?test Turinga: Próba, w której człowiek prowadzi rozmowę z maszyną; maszyna „zdaje”, jeśli rozmówca nie potrafi odróżnić jej od człowieka. to marketing, ale kierunek jest realny: koszt i opóźnienie spadają na tyle, że masowe wdrożenia głosowej obsługi klienta stają się opłacalne.
Co dalej?
- Smallest.ai przeznaczy rundę A na rozwój modeli głosowych dla agentów działających w czasie rzeczywistym.
- Firma pozostaje w bezpośredniej rywalizacji z ElevenLabs, Cartesią i Sarvam w segmencie głosowego AI.
