Noticias

Lanzamientos y Modelos

CONFIRMADO: Rime lanza Prism, un modelo de voz a voz que elimina la pausa robótica en las llamadas con IA

Rime lanzó Prism, un modelo de voz a voz construido para agentes de voz que no pueden sonar robóticos: escucha el audio directo, responde en menos de un segundo y evita el silencio muerto en la llamada.

Ilustração editorial de uma atendente com headset conversando com uma presença de IA representada por ondas sonoras luminosas, simbolizando um modelo de fala para fala em agente de voz

El fin de la pausa robótica

Rime, una startup de voz para inteligencia artificial, lanzó Prism, un modelo de voz a voz construido para agentes que atienden llamadas de bancos, hospitales o cualquier central que no puede permitirse sonar artificial. En lugar de convertir el habla en texto, enviar ese texto a un modelo de lenguaje y recién después generar el audio de respuesta, Prism escucha el audio directo de quien habla, interpreta el tono y responde en el mismo flujo, como si escuchara, pensara y hablara en una sola pieza.

Cómo cambia esto una llamada real

La arquitectura clásica de agente de voz usa tres servicios separados, cada uno con su propia latencia: reconocimiento de voz, modelo de lenguaje y síntesis de voz. Prism reemplaza esa cadena con un único modelo que, según la documentación oficial de Rime, empieza a responder cerca de 0,57 segundos después de que la persona termina de hablar, medido en el benchmark de voz a voz de Artificial Analysis. Cuando necesita consultar un sistema detrás de la llamada, Prism avisa con una frase natural como déjame revisar eso, en vez de dejar la línea muda, justo el instante que hace que el cliente pregunte si todavía hay alguien del otro lado.

Transcripción junto con el audio, no solo la voz

Cada respuesta hablada de Prism viene acompañada del texto correspondiente, lo que permite subtítulos en tiempo real y registro de auditoría, un punto sensible para quienes operan en sectores regulados como banca y salud. Rime también afirma que la empresa cliente puede editar la transcripción y bloquear cualquier frase que el agente no deba decir, sin interrumpir la llamada en curso. Es el tipo de control de cumplimiento que los modelos de voz a voz solían sacrificar en nombre de la naturalidad de la conversación.

El límite real: solo inglés, por ahora

Prism funciona hoy solo en inglés, con cuatro voces propias llamadas aurora, wawona, brando y astra, que no se mezclan con el catálogo de más de 600 voces de texto a voz que ya vende la propia Rime. La conexión corre por un WebSocket dedicado alojado en Estados Unidos, con un turno de habla limitado a 55 segundos continuos y una sesión que se cierra después de 5 minutos de silencio. Quien ya corre su pipeline sobre la API Realtime de OpenAI tiene un camino de migración directo, porque Prism usa los mismos nombres de evento de esa interfaz.

Por qué esto importa para el mercado de voz

El mercado de agentes de voz vive una carrera que incluye a Rime, ElevenLabs, OpenAI y una fila de startups de texto a voz y voz a voz. La apuesta de Rime no es ganar en cantidad de voces, es ganar en latencia y continuidad de contexto durante la llamada, los dos factores que deciden si un cliente cuelga o sigue la conversación hasta resolver el problema. Eso compite directamente con arquitecturas en cascada que apilan transcripción, modelo de lenguaje y síntesis de voz como servicios separados, cada uno sumando demora.

Fuentes

Rime: documentación oficial de Prism; TestingCatalog: anuncio del lanzamiento de Prism; Rime: página oficial de productos de voz.