Rime lanza Prism, un modelo de voz a voz que redacta su respuesta en texto antes de pronunciarla

Rime, una empresa de San Francisco que suministra voces sintéticas para la atención telefónica, lanzó Prism el 28 de octubre. Es su primer modelo de voz a voz: un único sistema que escucha a quien llama y le contesta en voz alta, en lugar de encadenar modelos separados de transcripción, lenguaje y síntesis de voz. Rime lo orienta claramente a las empresas, que suelen necesitar controlar lo que un agente automático dice a sus clientes.

Un punto de control de texto dentro del modelo

Lo que distingue a Prism es que, aunque está entrenado de extremo a extremo, escribe un borrador en texto de cada respuesta antes de convertirlo en audio, y sigue escuchando mientras habla. Según Rime, esa capa escrita funciona como punto de control. Las reglas de seguridad de una empresa pueden revisar cada palabra, el texto puede reescribirse y se puede orientar la pronunciación de nombres propios. Las llamadas a herramientas se ejecutan en paralelo al habla y el modelo no razona antes de responder. Dealroom añade que el texto deja un registro auditable y que Prism puede desplegarse en una nube privada o en las instalaciones del cliente.

Velocidad y resultados declarados

Según Rime, Prism tarda unos 0,57 segundos en emitir su primer audio en la configuración de pruebas de Artificial Analysis, aproximadamente la mitad que GPT-Live-1, GPT-Realtime-2.1 y Gemini 3.8 Live. En τ-Voice, una prueba que mide el uso de herramientas y el seguimiento de instrucciones en llamadas simuladas de atención al cliente, logra 56,6 puntos, lo que según la empresa lo sitúa entre 17 y 30 puntos por encima de los modelos en tiempo real sin razonamiento de OpenAI y Google. Dos modelos con razonamiento puntúan más alto, pero tardan entre 1,24 y 1,35 segundos en empezar a hablar. En una prueba con Revmo, que opera un agente para tomar pedidos, a partir de diez horas de llamadas reales, Prism habría conseguido que el cliente confirmara antes del 94 % de los pedidos, frente al 57 % del agente basado en OpenAI que Revmo usa hoy. Ninguna de estas cifras se ha verificado de forma independiente.

Disponibilidad y contexto

Prism se puede probar gratis. Rime lo presenta como el primer modelo de voz a voz que cualquiera puede ajustar, pero sus API de aprendizaje por refuerzo y de ajuste fino supervisado en autoservicio todavía se están construyendo con clientes beta. No se han indicado precios ni idiomas compatibles. El lanzamiento llega tras una ronda Serie A de 24 millones de dólares liderada en julio por M13; Rime asegura gestionar cerca de 100 millones de llamadas al mes para clientes como Mayo Clinic y Dialpad.