Smallest.ai ha cerrado una Serie A de 13 millones de dólares liderada por Seligman Ventures, con Sierra Ventures y 3one4 Capital dentro. Con esta ronda supera los 21 millones levantados desde que se fundó a finales de 2024. Lo que construye es un modelo de voz pequeño y especializado que ataca el problema más molesto de los agentes telefónicos: la pausa antes de responder.
Puntos clave
- Serie A de 13 millones liderada por Seligman Ventures. Total acumulado por encima de 21 millones.
- Fundada a finales de 2024. Sudarshan Kamath es fundador y CEO.
- El modelo escucha, piensa y habla en paralelo en lugar de encadenar las tres fases.
- Soporta decenas de idiomas, distintos acentos y entornos ruidosos.
- Clientes citados: RingCentral y Truecaller.
Por qué la latencia mata a los agentes de voz
Kamath lo resume bien: una latencia que en un chat de texto es aceptable, en voz suena antinatural.
La arquitectura habitual de un agente de voz son tres modelos en cadena. Uno transcribe lo que dices, otro decide qué responder y otro sintetiza la voz. Cada eslabón añade su retardo, y la suma produce un silencio de uno o dos segundos antes de cada respuesta.
En una conversación humana, ese silencio significa algo. Duda, incomodidad, que la otra persona no ha entendido. Por eso los agentes de voz suenan raros aunque la voz sintetizada sea perfecta: el problema no es el timbre, es el ritmo.
La propuesta de Smallest.ai es procesar en paralelo. El modelo escucha, procesa y empieza a hablar a la vez, sin esperar a que termine cada fase. Para las cosas que salen de su base de conocimiento, deriva a un modelo grande.
Esa es la parte de ingeniería con más criterio: un modelo pequeño y rápido para el 90% de los turnos de conversación, y el modelo grande y lento solo cuando de verdad hace falta razonar. Es la misma lógica de enrutado que empieza a verse en todas partes.
El mercado está lleno
La competencia es dura y viene de arriba. ElevenLabs lidera en calidad de voz sintetizada. Cartesia pelea justamente en la franja de baja latencia. Y hay jugadores regionales como Sarvam, fuertes en idiomas indios.
En Europa, Gradium levantó 100 millones en julio con Nvidia dentro, una ronda ocho veces mayor que esta.
Con 13 millones, Smallest.ai no compite por músculo. Compite por especialización: un modelo pequeño, optimizado para una cosa concreta, en vez de un modelo grande que hace de todo peor.
Los clientes que enseña apuntan al mismo sitio. RingCentral es comunicaciones empresariales y Truecaller es identificación de llamadas. Los dos manejan volúmenes de llamada enormes donde cada milisegundo de latencia se multiplica por millones.
La ambición que declara Kamath es que hables con el modelo y no sepas si es IA o una persona.
Por qué importa
Para una empresa española con un volumen de llamadas serio, esto entra en una decisión concreta que muchas tienen sobre la mesa.
Los agentes de voz llevan dos años prometiendo cubrir la primera línea de atención. Los pilotos suelen fracasar por lo mismo: el cliente cuelga. Y cuelga por el ritmo, no por la calidad de la voz ni por la calidad de la respuesta.
Si la latencia baja hasta hacerse imperceptible, el caso de uso que se abre no es sustituir al equipo de atención. Es cubrir lo que hoy no se cubre: llamadas fuera de horario, picos de campaña, confirmaciones de cita, seguimientos que nadie tiene tiempo de hacer.
Antes de firmar con cualquier proveedor de este tipo, hay una prueba que cuesta media hora y ahorra disgustos. Pide una demo en directo, no un vídeo. Llama tú, interrumpe al agente a mitad de frase y cambia de tema de golpe. Ahí es donde se ve si la arquitectura procesa en paralelo o si son tres modelos en cadena con una voz bonita al final.
Relacionado
