法国初创公司Gladia提供语音识别API，已在A轮融资中筹集1600万美元。该API可将音频文件以高精度、快速周转转换为文本。
尽管亚马逊、微软和谷歌均提供语音转文本API，但性能不及新兴初创公司的新模型。OpenAI发布Whisper后，该领域进展显著。Gladia正与AssemblyAI、Deepgram及Speechmatics等资金雄厚的公司竞争。
Gladia基于微调版Whisper模型进行了多项改进，开箱即支持说话人分离功能，可检测对话中的多位说话者并据此分离录音与转录文本。其支持100种语言及多种口音，实际采访转录测试证实了其对各类口音的兼容性。
该公司以托管API形式提供服务，超600家企业在使用，包括Attention、Circleback、Method Financial、Recall、Sana和Veed.io等会议记录及笔记助手应用。
整合音频智能与LLM任务
许多公司需串联多个API调用：先将语音转文本，再输入GPT-4o或Claude 3.5 Sonnet等大语言模型（LLM）提取知识。Gladia计划通过单笔API调用整合音频智能与基于LLM的任务来简化此流程，例如无需依赖第三方LLM API即可从要点生成对话摘要。
实现“具有实时能力的批量质量”
针对AI呼叫代理等场景对低延迟的需求，Gladia致力于解决实时处理质量问题。联合创始人兼CEO Jean-Louis Quéguiner指出，市场普遍存在因实时处理质量不佳而事后进行批量转录的现象。
Gladia目前可在低于300毫秒延迟下转录实时对话，声称实时处理质量已接近默认异步批量转录API水平，旨在实现“具有实时能力的批量质量”。除AI呼叫代理外，呼叫中心亦可利用该能力辅助坐席在通话中实时检索信息。联合创始人兼CTO Jonathan Soto表示，其单一API兼容SIP、VoIP、FreeSwitch和Asterisk等现有技术栈与协议。
融资情况与行业展望
本轮A轮融资由XAnge领投，Illuminate Financial、XTX Ventures、Athletico Ventures、Gaingels、Mana Ventures、Motier Ventures、Roosh Ventures及Soma Capital参投。
Gladia认为音频应用正处于“ChatGPT时刻”边缘。随着Apple或Google在iOS/Android中集成转录模型，消费者将逐步认知自动转录价值，开发者亦会在产品中集成音频功能，这正是Gladia等API提供商的机会所在。