Players Smallest.ai cierra Serie A de US$13 millones para su modelo de voz Hydra
La startup fundada en 2024 recauda US$13 millones para escalar Hydra, su modelo asíncrono de voz a voz que promete conversaciones indistinguibles de las humanas.
Que la mayoría de los asistentes de voz aún suenen a máquina no es una limitación técnica menor: es el síntoma de un error de arquitectura. Smallest.ai, una startup fundada a finales de 2024, acaba de cerrar una ronda Serie A de US$13 millones liderada por Seligman Ventures, con participación de Sierra Ventures y 3one4 Capital, para escalar un enfoque que se aleja del paradigma dominante. Su tesis es que la próxima frontera de la voz artificial no vendrá de hacer más rápidos los grandes modelos de lenguaje, sino de construir modelos pequeños, especializados y diseñados desde cero para imitar la simultaneidad del habla humana.
El problema de raíz es que los sistemas actuales encadenan módulos separados —reconocimiento de voz, procesamiento en un LLM, orquestación, síntesis de texto a voz— en una secuencia rígida. Cada paso añade latencia, y en una conversación de voz, incluso una pausa de medio segundo rompe la ilusión de naturalidad. “La forma en que funciona un LLM es que le das un prompt completo y luego empieza a pensar”, explicó Sudarshan Kamath, fundador y CEO de Smallest.ai, a TechCrunch. “Cuando hablamos, yo no te doy un gran fragmento de audio y luego tú empiezas a pensar”. Allí radica la incomodidad que todos hemos sentido al hablar con un bot.
La respuesta de Smallest.ai se llama Hydra, el modelo de voz a voz que presentó junto con el anuncio de financiamiento. Es la pieza central de lo que la compañía denomina arquitectura Voice 4.0.
A diferencia de las generaciones anteriores —desde los árboles IVR rígidos (Voice 1.0) hasta los agentes generativos que aún padecen latencia (Voice 3.0)— Hydra procesa escucha, razonamiento y respuesta en paralelo, no en serie. Esto permite que el agente pueda ser interrumpido, que sostenga el hilo de una conversación con interjecciones y que utilice herramientas sin pausas forzadas. Si el modelo se encuentra con un tema fuera de su conocimiento especializado, transfiere la consulta a un LLM “fuera de línea” y pone al usuario en espera brevemente, como haría un humano que necesita consultar una fuente.
Kamath sostiene que todos los agentes de voz terminarán operando con dos modelos: uno pequeño y rápido para la interacción en tiempo real, y uno grande que se invoca solo cuando se necesita resolver un problema complejo. Es una visión que contrasta con la carrera actual por escalar parámetros, y que tiene implicaciones directas en costos de inferencia y consumo energético: modelos más pequeños pueden ejecutarse con menos recursos de cómputo, lo que reduce la dependencia de GPUs de alto costo y abre la puerta a despliegues on-premise o en entornos con ancho de banda limitado.
La compañía compite con ElevenLabs, que recaudó US$500 millones en febrero, y con Cartesia y actores regionales como Sarvam. Kamath reconoce el desafío, pero argumenta que para las startups de atención al cliente construir un modelo de voz propio “es una distracción de su negocio principal”. Clientes como RingCentral y Truecaller ya usan sus modelos de texto a voz Lightning —capaz de generar 10 segundos de habla en 100 milisegundos— y de transcripción Pulse, que soporta 38 idiomas con detección de emociones y hablantes. Según datos de la compañía, esos despliegues han reducido costos de soporte hasta en un 80% en algunos casos.
Para las empresas latinoamericanas, la propuesta de Smallest.ai tiene un atractivo operativo concreto. El soporte multilingüe (incluyendo español, portugués y acentos diversos) y la capacidad de operar en entornos ruidosos son requisitos cotidianos en la región, donde los centros de contacto manejan desde call centers en zonas urbanas densas hasta operaciones logísticas en campo.
Además, la arquitectura asíncrona que no exige una GPU de alto rendimiento por sesión podría traducirse en menores costos de infraestructura en la nube para empresas que hoy recién comienzan a adoptar agentes de voz. Como señaló Ashish Kakran, de Seligman Ventures, “los desarrolladores cada vez hablan más con sus máquinas en lugar de escribir código”. La pregunta para los equipos de tecnología en América Latina es si su stack actual está listo para integrar un modelo de voz que no solo sea rápido, sino que pueda pasar la prueba de Turing sin que el cliente note la diferencia.
