企业想把电话客服交给AI，但实际情况是用户宁可按老式IVR的按键，也不愿跟AI语音聊天。Rime的CEO自己承认：LLM让搭建语音应用变容易了，但没改变交互体验——用户感觉就是换了个好听的IVR，核心问题没解决。而且大企业定制成本极高，每个品牌、每个行业术语的发音都得重新训练模型，这成了规模化落地的死结。

Rime的解法很“重”：自己建录音棚收集真实对话数据，而不是从网上扒音频。用音素架构（phoneme-based）来适配不同发音，让客户不用再为特定行业重训模型。同时正在从多模型管道（STT+TTS+LLM）转向端到端speech-to-speech模型，直接降低延迟、改善轮流对话、处理背景噪音，减少模型编排的依赖。这招让客户通话时长更长，从而拿下了Mayo Clinic、Dialpad这些大客户。

真正有意思的是，Rime选择了“反规模”的路——不学ElevenLabs去堆应用层编排，而是死磕底层模型在受监管环境下的低延迟和高可靠性。这说明语音AI的竞争还没到拼生态的阶段，数据质量和任务专精才是护城河。未来谁能把“打电话像跟真人聊天”的体验做到可复制，谁就能吃掉IVR最后那点阵地。