Smallest.ai و ۱۳ میلیون دلار سرمایه: هوش مصنوعی صوتی که انسان و ماشین را یکی می‌کند

تصور کنید با پشتیبانی یک شرکت تماس می‌گیرید، سوال خود را مطرح می‌کنید و پاسخی سریع، دقیق و کاملاً طبیعی دریافت می‌کنید؛ طوری که حتی یک لحظه هم شک نکنید طرف مقابل یک انسان نیست. این دقیقاً همان آینده‌ای است که استارتاپ Smallest.ai وعده‌اش را می‌دهد.

امروزه دستیارهای هوش مصنوعی (AI Agents) می‌توانند بسیاری از مشکلات پشتیبانی مشتریان را حل کنند، اما هنوز بیشتر افراد ظرف چند ثانیه متوجه می‌شوند که با یک ماشین صحبت می‌کنند. مکث‌های کوتاه اما آزاردهنده، تُن صدای مصنوعی و عدم درک ظرایف زبانی، مرز میان انسان و ماشین را پررنگ نگه داشته است. Smallest.ai اما می‌گوید این مرز به زودی از بین خواهد رفت.

بر اساس گزارش TechCrunch، این استارتاپ که اواخر سال ۲۰۲۴ تأسیس شده، به تازگی ۱۳ میلیون دلار در دور سرمایه‌گذاری سری A جذب کرده است. سرمایه‌گذار اصلی این دور شرکت Seligman Ventures بوده و Sierra Ventures و 3one4 Capital نیز در آن مشارکت داشته‌اند. مجموع سرمایه جذب‌شده توسط Smallest.ai اکنون به بیش از ۲۱ میلیون دلار رسیده است.

رویکردی متفاوت: مدل‌های کوچک اما تخصصی

برخلاف روند غالب که سعی دارد مدل‌های زبانی بزرگ (Large Language Models) را سریع‌تر کند، Smallest.ai به سراغ مدل‌های صوتی کوچک و تخصصی رفته است. هدف این مدل‌ها تقلید از فرایند طبیعی مکالمه انسان است؛ یعنی گوش دادن، فکر کردن و صحبت کردن به صورت همزمان. سودارشان کاماث (Sudarshan Kamath)، بنیانگذار و مدیرعامل این استارتاپ، می‌گوید: «وقتی من با شما صحبت می‌کنم، شما همزمان در حال فکر کردن هستید و اگر بحث طولانی شود، ممکن است حرفم را قطع کنید. مدل ما دقیقاً همین کار را انجام می‌دهد.»

در مدل‌های فعلی، ابتدا کل صدای کاربر به متن تبدیل می‌شود، سپس مدل آن را پردازش می‌کند و پاسخ می‌سازد. این تأخیر در چت متنی محسوس نیست، اما در مکالمه صوتی، هر ثانیه سکوت غیرطبیعی جلوه می‌کند. راهکار Smallest.ai یک لایه هوشمند بلادرنگ است که می‌تواند بدون تأخیر پاسخ دهد. اگر موضوع از حوزه دانش محدود مدل خارج شود، سیستم به طور خودکار به یک مدل بزرگتر مراجعه می‌کند و کاربر را برای «تحقیق» کوتاهی پشت خط نگه می‌دارد؛ درست مانند کاری که یک انسان انجام می‌دهد.

کاماث معتقد است که در آینده تمام عامل‌های هوش مصنوعی از دو مدل استفاده خواهند کرد: یک مدل صوتی کوچک برای تعامل بلادرنگ، و یک مدل زبانی بزرگ آفلاین برای حل مسائل پیچیده. این دوشاخگی می‌تواند هزینه‌ها را کاهش و سرعت را افزایش دهد.

رقابت در میدان مدل‌های صوتی

Smallest.ai تنها بازیگر این عرصه نیست. رهبر بازار، یعنی ElevenLabs، و همچنین استارتاپ‌هایی مانند Cartesia و Sarvam (که بر زبان‌های محلی تمرکز دارد) رقیبان اصلی آن هستند. با این حال، تمرکز Smallest.ai منحصراً بر روی مکالمات صوتی بلادرنگ برای مشتریان سازمانی (Enterprise) است، در حالی که برخی رقبا کاربردهایی مانند دوبله و پادکست را هدف گرفته‌اند.

در میان مشتریان فعلی این استارتاپ، نام‌های آشنایی مثل RingCentral و Truecaller دیده می‌شود. به گفته کاماث، هر شرکت ارائه‌دهنده خدمات پشتیبانی مشتری، از جمله استارتاپ‌های نوظهوری مانند Sierra و Decagon، مشتری بالقوه آنها محسوب می‌شود.

پیامدها برای ایران

فناوری مدل‌های صوتی پیشرفته می‌تواند تأثیر چشمگیری بر صنعت خدمات مشتریان در ایران داشته باشد. مراکز تماس (Call Centers) داخلی هنوز با چالش‌هایی مانند لهجه‌های متنوع، صداهای محیطی و نیاز به پشتیبانی چندزبانه دست و پنجه نرم می‌کنند. مدلی که بتواند این موانع را پشت سر بگذارد، می‌تواند راه‌حلی ایده‌آل باشد. تصور کنید یک بانک یا یک فروشگاه اینترنتی بزرگ بتواند به کمک چنین سیستمی، تمام تماس‌های ورودی را بدون صف انتظار و با کیفیتی شبیه انسان پاسخ دهد.

همچنین، پشتیبانی از ده‌ها زبان و لهجه، که Smallest.ai آن را در اولویت قرار داده، برای بازار چندفرهنگی ایران یک مزیت بزرگ است. اگر این مدل بتواند زبان فارسی و لهجه‌های رایج مانند تهرانی، اصفهانی، مشهدی و ترکی را به خوبی پردازش کند، تجربه کاربران ایرانی را به کلی دگرگون خواهد کرد.

البته چالش‌هایی نیز وجود دارد: از جمله هزینه‌های دسترسی به APIهای خارجی، تحریم‌ها و محدودیت‌های اینترنت. اما با توجه به رشد استارتاپ‌های هوش مصنوعی در ایران، ممکن است به زودی شاهد نمونه‌های بومی مشابهی باشیم که با الهام از Smallest.ai، آزمون تورینگ (Turing Test) را برای مکالمات فارسی پشت سر بگذارند. Smallest.ai قصد دارد تا جایی پیش برود که دیگر نتوان تشخیص داد با یک ماشین صحبت می‌کنیم یا یک انسان؛ آیا این وعده برای زبان فارسی نیز محقق خواهد شد؟ زمان مشخص خواهد کرد.