L'ESSENTIEL EN 30 SECONDES

  • Prism traite l'audio en entrée comme en sortie dans un seul modèle, mais rédige chaque réponse sous forme de texte que des garde-fous peuvent lire et modifier avant qu'elle soit prononcée.
  • Rime annonce 0,57 seconde avant le premier son et un score τ-Voice de 56,6, devant les modèles temps réel sans raisonnement d'OpenAI et de Google ; ces chiffres viennent de l'entreprise.
  • Un essai gratuit est ouvert ; les API de fine-tuning en libre-service sont encore en développement avec des clients bêta.

Rime, une société de San Francisco qui fournit des voix de synthèse aux centres d'appels, a lancé Prism le 28 octobre. C'est son premier modèle speech-to-speech : un système unique qui écoute l'appelant et lui répond à voix haute, au lieu d'enchaîner des modèles distincts de transcription, de langage et de synthèse vocale. Rime le destine clairement aux entreprises, qui ont généralement besoin de maîtriser ce qu'un agent automatisé dit à leurs clients.

Un point de contrôle textuel dans le modèle

Particularité de Prism : bien qu'entraîné de bout en bout, il rédige un brouillon textuel de chaque réponse avant de le transformer en audio, et continue d'écouter pendant qu'il parle. Selon Rime, cette couche écrite sert de point de contrôle. Les règles de sécurité d'une entreprise peuvent examiner chaque mot, le texte peut être réécrit pour déclencher des actions ou ajouter des balises, et la prononciation des noms ou des termes propres à un compte peut être guidée. Les appels d'outils s'exécutent en parallèle de la parole, et le modèle ne raisonne pas avant de répondre. Dealroom ajoute que ce texte fournit une piste d'audit et que Prism peut être déployé dans un cloud privé ou sur site.

Vitesse et performances annoncées

D'après Rime, Prism met environ 0,57 seconde à produire son premier son dans le protocole de test d'Artificial Analysis, soit à peu près deux fois moins que GPT-Live-1, GPT-Realtime-2.1 et Gemini 3.8 Live. Sur τ-Voice, un banc d'essai qui mesure l'usage d'outils et le respect des consignes lors d'appels de service client simulés, il obtient 56,6, ce qui le placerait de 17 à 30 points devant les modèles temps réel sans raisonnement d'OpenAI et de Google. Deux modèles à raisonnement font mieux, mais mettent 1,24 à 1,35 seconde à commencer à parler. Lors d'un essai avec Revmo, qui exploite un agent de prise de commandes, à partir de dix heures d'appels réels, Prism aurait obtenu la confirmation de l'appelant avant 94 % des commandes, contre 57 % pour l'agent basé sur OpenAI qu'utilise Revmo aujourd'hui. Aucun de ces chiffres n'a été vérifié de façon indépendante.

Disponibilité et contexte

Prism peut être testé gratuitement. Rime le présente comme le premier modèle speech-to-speech que tout le monde peut affiner, mais ses API d'apprentissage par renforcement et de fine-tuning supervisé en libre-service sont encore en cours de développement avec des clients bêta. Ni les tarifs ni les langues prises en charge n'ont été précisés. Ce lancement fait suite à une levée de série A de 24 millions de dollars menée en juillet par M13 ; Rime affirme traiter près de 100 millions d'appels par mois pour des clients comme Mayo Clinic et Dialpad.