Deepslate holt 7,7 Millionen Euro für europäische Speech-to-Speech-KI
Trending Topics auf Google als bevorzugte Nachrichtenquelle festlegen.
Das Berliner AI Model Lab Deepslate hat eine Seed-Runde über 7,7 Millionen Euro abgeschlossen. Lead-Investor ist 42CAP aus München, weitere Beteiligungen kommen von Alstin Capital, SIVentures und mehreren Business Angels. Deepslate trainiert eigene Speech-to-Speech-Modelle, die gesprochene Sprache direkt verarbeiten, ohne den Umweg über Text. Versicherer, Contact Center und Plattformen setzen die Technologie bereits ein.
Deepslate bietet durchgängiges System
Die Gründer Paskal Paesler und Jan Brachthäuser starteten 2023 mit einem Meeting-Assistenten namens Unter Anderem. Der sollte in Gesprächen mithören und Fragen mit Unternehmenswissen beantworten. Das Projekt scheiterte an der damaligen Sprach-KI. Bis ein Agent antwortete, vergingen rund drei Sekunden. Natürliche Konversation war unmöglich. Der Grund lag in der Architektur.
Herkömmliche Systeme arbeiten dreistufig: Sprache wird in Text umgewandelt, von einem Sprachmodell verarbeitet und wieder in Audio übersetzt. Jede Konvertierung kostet Zeit, Tonfall und Dialekt gehen verloren. Die Gründer recherchierten monatelang zu einem damals kaum beachteten Ansatz und beschlossen, das Modell selbst zu bauen. Daraus entstand Deepslate.
Deepslate ersetzt die dreistufige Kette durch ein einziges durchgehendes Modell. Dabei geht Audio hinein, Audio kommt heraus. Das System besteht aus drei selbst trainierten Komponenten: einem Speech Encoder, der die Wellenform in einen semantisch-prosodischen Vektorraum abbildet, einem Reasoning Core auf Basis eines Open-Weights-Frontier-Sprachmodells, das Deepslate sprachspezifisch nachtrainiert, und einem Speech Decoder, der Audio mit kontrollierter Prosodie direkt aus den Reasoning-Embeddings erzeugt.
„Datensouveränität ist kein Nice-to-have“
Der Kern der Architektur ist die Entkopplung: Encoder und Decoder hängen über trainierbare Projektoren an einem austauschbaren Sprachmodell. Kommt eine neue Generation, trainiert Deepslate nur die Projektoren neu. Dieser Vorgang soll Tage statt Monate dauern. Das Modell kostet bis zu 2 Cent pro Gesprächsminute, vergleichbare US-Modelle liegen zwischen 6 und 15 Cent.
Deepslate hostet seine Modelle in der Telekom Cloud in Deutschland. Alternativ läuft das Modell vollständig in der Infrastruktur des Kunden, auf Wunsch ohne Verbindung nach außen. Das Unternehmen ist nach ISO 27001 zertifiziert. „Datensouveränität ist für unsere Kunden kein Nice-to-have, sondern Voraussetzung“, sagt Paesler. „Und sie ist prüfbar oder sie ist nichts. Deshalb legen wir offen, wo gerechnet wird, wer Subprozessor ist und was noch offen ist.“
Für regulierte Branchen wie Versicherungen oder Banken ist das entscheidend: Ein falsch verstandener Name oder eine vertauschte Hausnummer hat teure Folgen. Modelle, die überwiegend auf US-Englisch trainiert wurden, scheitern regelmäßig an deutschen Straßenadressen und Dialekten.
„Schnellstes Speech-to-Speech-Modell der Welt“
„Europa braucht eigene Sprachmodelle, und Deepslate ist eines der wenigen Teams hier, die ein eigenes Speech-to-Speech-Modell trainieren“, sagt Julian von Fischer, General Partner bei 42CAP. „Was uns an Paskal und Jan überzeugt hat, ist ihre technische Tiefe: Mit einem kleinen Team und einem Bruchteil der Rechenzeit großer Labore haben sie das schnellste Speech-to-Speech-Modell der Welt gebaut.“
Andreas Schenk, Partner bei Alstin Capital, ergänzt: „Paskal und Jan haben bereits vor Deepslate latenzkritische Systeme für Millionen Nutzer:innen skaliert. Wir haben investiert, weil wir ein weltweit wettbewerbsfähiges Voice AI Model Lab sehen, das eine zentrale europäische Lösung für Voice AI aufbauen wird.“
Das 15-köpfige Team investiert die Runde in drei Bereiche: Ausbau des Modelltrainings mit Fokus auf deutsche Straßen- und Personennamen sowie Dialekte, Aufbau von Sales- und Marketing-Teams, da die Nachfrage die Vertriebskapazität übersteigt, und Erweiterung der Produktionsumgebung in europäischen Rechenzentren. Langfristig sieht Deepslate Sprache als natürliche Schnittstelle zwischen Mensch und Maschine.
