维度网讯，美国语音人工智能企业Rime正在扩充语音数据采集、模型研发和行业交付体系，重点推进低延迟语音到语音模型开发。公司在美国旧金山自建录音室，通过组织真人对话录制训练数据，减少对网络公开音频的依赖，并围绕企业客服、医疗服务、航空业务和金融科技等场景优化语音交互能力。

美国Rime成立于2022年，创始团队成员分别拥有美国斯坦福大学研究、美国亚马逊Alexa语音系统开发和工程研发经历。与直接抓取互联网音频训练模型的方式不同，公司在录音室内采集具有明确说话人、语境和发音信息的对话数据，再将数据用于语音合成、发音控制和交互模型训练。

自建录音体系使模型训练能够更有针对性。企业语音系统在实际使用中经常需要处理品牌名称、产品型号、药品名称和行业专有术语，通用语音模型容易出现重音错误、音节缺失或发音不统一。美国Rime采用基于音素的模型架构，将词语拆解为更基础的发音单元，再根据不同企业和行业的使用环境调整发音方式。

这种技术路线不要求客户重新训练完整模型。企业可在现有语音系统中增加品牌词汇、专业术语和特定读音，使人工智能语音在面对医疗、航空和金融等专业内容时保持较高准确度。其研发重点已经由单纯生成自然声音，转向解决真实业务中的发音一致性和语音交互稳定性。

美国Rime此前采用由语音转文本、文本处理、大语言模型和文本转语音组成的多模型流水线。用户说话后，系统需要先识别文字，再由大语言模型生成回复，最后将文字转换成语音。多个模型依次运行容易增加等待时间，也可能导致语气、停顿和话轮衔接不自然。

公司目前正转向语音到语音模型开发，让系统直接理解语音输入并生成语音输出，减少多个模型之间的编排环节。新的研发方向重点解决响应延迟、多人对话中的话轮切换、背景噪声干扰以及用户中途打断等问题，使人工智能语音代理能够更接近真人客服的交流节奏。

语音到语音模型还需要将语义理解、语音生成和实时交互整合到统一系统。模型不仅要判断用户说了什么，还要识别说话速度、停顿位置和对话是否结束，再决定何时回应。减少中间模型数量后，系统的运行路径更短，也有利于统一控制语音风格、情绪和发音。

美国Rime的语音模型已面向食品服务、医疗保健、航空和金融科技领域应用，客户包括美国梅奥诊所、美国Dialpad、美国Upstart和美国Asurion。不同应用对语音系统的要求并不相同：医疗场景需要准确处理疾病和药物名称，航空场景需要识别航班及机场信息，客服系统则更关注响应速度和长时间通话稳定性。

公司还计划扩充模型开发、工程实施和合作交付团队，加强语音模型从研发环境进入企业系统的能力。美国Rime近期引入具有音频理解和深度学习研发经验的首席科学家，后续将继续完善数据采集、模型训练、系统部署和客户适配流程。

此次业务调整的核心并不是简单增加语音模型数量，而是建设从真人语音采集、音素数据处理、模型开发到企业交付的完整体系。后续进展将主要体现在语音到语音模型上线、交互延迟下降、噪声环境识别能力以及更多行业系统接入。