Treble, qui développe une plateforme de simulation et de test d’applications audio, a levé 18 millions de dollars supplémentaires dans le cadre de son tour de table de série A, portant son financement total à plus de 40 millions de dollars. L’entreprise cible les laboratoires d’intelligence artificielle ainsi que les fabricants d’appareils portables et de robots en générant des données audio synthétiques et en testant les modèles dans des conditions réelles.
La start-up islandaise Treble a levé 18 millions de dollars lors d’une extension de son tour de financement de série A, mené par Paladin Capital Group, avec la participation de ses investisseurs actuels KOMPAS VC, Frumtak Ventures, EIC et Omega ehf. Ce tour porte le financement total obtenu par l’entreprise depuis sa création en 2020 à plus de 40 millions de dollars, après un investissement de 12 millions de dollars en 2024.
Treble développe une plateforme de simulation audio et de test d’applications d’intelligence artificielle vocale, au service des développeurs de modèles audio, des entreprises de robotique et des fabricants d’appareils grand public. Sa liste de clients comprend Amazon et Logitech, selon l’article source.
Une plateforme qui combine génération de données et test de modèles
La plateforme repose sur la génération de données audio synthétiques pouvant être utilisées pour entraîner les modèles, améliorer la parole et réduire le bruit. Elle permet également d’évaluer des modèles d’intelligence artificielle vocale dans différentes conditions, afin de fournir des retours aux laboratoires qui les développent.
Plus tôt cette année, Treble a collaboré avec Hugging Face pour lancer une référence destinée à mesurer les modèles de reconnaissance vocale dans des conditions réelles et variées. L’entreprise estime que la simulation de la physique acoustique pourrait constituer une alternative au recours intégral aux enregistrements et aux données extraites d’Internet lors de la création de données d’entraînement pour les systèmes audio.
Qu’est-ce qui change concrètement pour les fabricants d’appareils ?
Les usages de Treble ne se limitent pas aux logiciels. L’entreprise travaille avec des fabricants d’écouteurs et de haut-parleurs sur le prototypage virtuel, afin de les aider à comprendre à quoi pourrait ressembler le produit avant sa fabrication. La plateforme peut également tester la capacité d’un haut-parleur intelligent à comprendre des commandes en fonction de sa position dans l’espace.
L’entreprise s’est récemment étendue au test de lunettes intelligentes et d’appareils d’intelligence artificielle portables. Cela ouvre des usages liés à l’amélioration de l’audition dans les environnements bruyants, comme l’isolation de certains sons ou la concentration sur des interlocuteurs situés dans une zone donnée, mais la source présente ces possibilités comme un domaine sur lequel l’entreprise travaille, et non comme des fonctionnalités confirmées et disponibles dans un produit grand public particulier.
Prochaine étape : l’intelligence artificielle physique
Treble cherche à renforcer son orientation vers ce qu’elle appelle le domaine de l’intelligence artificielle physique, notamment auprès des entreprises de robotique, des constructeurs automobiles et des fabricants de drones. L’objectif est de permettre à ces systèmes d’intégrer des fonctions fondées sur le son grâce à la simulation et aux tests.
Lecture éditoriale : l’importance de ce financement ne tient pas uniquement au montant du tour, mais aussi au type d’infrastructure que Treble cherche à fournir. À mesure que le son passe d’une interface auxiliaire à un moyen d’interaction essentiel dans les écouteurs, les lunettes et les robots, la capacité des entreprises à tester les performances dans différents environnements sonores devient une composante du cycle de développement du produit, et non plus seulement une étape ultérieure. Toutefois, la source ne précise ni les revenus, ni l’ampleur de l’utilisation de la plateforme, ni le degré de supériorité des données simulées par rapport aux enregistrements réels : autant de questions qui détermineront la capacité de ce modèle à changer d’échelle.