何が起きたか
2024年後半に創業したSmallest.aiが、シリーズAで1,300万ドルを調達しました。リードはSeligman Ventures、Sierra Venturesと3one4 Capitalも参加し、累計調達額は2,100万ドルを超えます。既存顧客にはRingCentralやTruecallerといった、音声を主戦場とする企業が名を連ねます。
同社が開発するのは、汎用的な大規模言語モデル（LLM）ではなく、人間の会話に特化した「小さな音声モデル」です。多様なアクセントへの対応、数十言語のサポート、騒がしい環境下での動作といった、音声特有の課題だけに絞り込んでいます。
なぜ重要か──「速いLLM」では埋まらない差
創業者兼CEOのSudarshan Kamath氏の指摘は、音声AIの構造的な弱点を突いています。LLMはプロンプト全体を受け取ってから思考を始める。テキストチャットならその待ち時間は許容されますが、音声会話では不自然に感じられる、と。
同氏はこう表現します。「私が話している間、あなたはすでに考えていて、私が長く話しすぎれば口を挟むかもしれない」。人間は音声の塊を最後まで受け取ってから処理を始めるわけではありません。聞きながら考え、考えながら話す。この同時並行性こそが、レイテンシの数値では表現しきれない「人間らしさ」の正体だという主張です。
つまり同社は、既存アーキテクチャの高速化競争から降りて、別の土俵を選んだことになります。「モデルにチューリングテストを破らせたい」「話してみてAIか人間か分からない状態にする。それが会社の唯一の焦点だ」というKamath氏の言葉は、この選択の帰結です。
二層構造という設計思想
興味深いのは、小型モデルの限界をどう扱うかです。Smallest.aiのモデルは限られた知識ベースを持つリアルタイム知能層として動き、質問がその範囲外に出た場合は大規模な基盤モデルに引き継ぎます。その間、顧客を短時間「保留」にして調べる──人間のオペレーターがそうするように。
Kamath氏は、あらゆるAIエージェントがやがて2つのモデルに依存するようになると見ています。リアルタイム対話を担う小さな音声モデルと、複雑な問題のときだけ呼び出される「オフライン」のLLM。単一の巨大モデルですべてを賄う発想とは、明確に異なる設計思想です。
競合と、狙う立ち位置
競合には音声AIの先行者ElevenLabs、Cartesia、そして現地言語に特化したSarvamなどの地域プレイヤーがいます。ただし一部の競合が吹き替えやポッドキャストといった用途に音声AIを展開するのに対し、Smallest.aiは企業向けのリアルタイム会話エージェントに絞っています。
注目すべきは想定顧客の置き方です。Kamath氏は、SierraやDecagonのような新興を含むあらゆるカスタマーサポート企業が潜在顧客だとし、彼らにとって「音声で極めて上手くなることは本業からの逸脱だ」と述べています。つまり競合の一部を、そのまま顧客候補と見なしている。音声を「誰かが担うべき部品」として切り出せるという読みが、この会社の事業構造そのものです。
💼 事業会社視点：これは自社にどう効くか
日本企業にとって、この動きは「音声AIを内製するか、部品として買うか」の判断材料になります。Kamath氏の「音声で極めて上手くなることは本業からの逸脱」という指摘は、そのまま日本のSaaS・コールセンター事業者・受託開発会社に向けられた問いです。自社プロダクトに音声応答を載せたい事業責任者は、モデルの微調整に人員を張る前に、音声部分を外部の専門レイヤーに委ねる前提で設計すべき局面に入っています。
特に効くのはEC・保険・通信のカスタマーサポートです。同社が挙げる「多様なアクセント」「騒音環境」「数十言語」は、日本市場では方言・高齢者の発話・訪日客対応という形で顕在化する課題そのもの。ただし日本語の音声品質は英語圏の指標では測れないため、PoCでは自社の実録音でレイテンシと聞き取り精度を検証し、ベンダーの汎用デモを鵜呑みにしないことです。
もう一つの示唆は「小型モデル＋オフラインLLM」の二層構造です。応答速度が要る処理と、時間をかけてよい処理を分けるこの設計は、音声に限らず自社のAI基盤の組み方に応用できます。全部を1つの大規模モデルに投げている現行構成があるなら、レイテンシ要件で層を割る再設計を検討する価値があります。