AssemblyAI a été fondée en 2017 par Dylan Fox, qui travaillait sur des problèmes de reconnaissance vocale depuis son adolescence. L'entreprise, basée à San Francisco, est partie d'un constat simple : les développeurs avaient besoin d'une API de transcription qui fonctionnait vraiment bien et qui s'intégrait facilement. À l'époque, les options se limitaient à des solutions d'entreprise coûteuses de Nuance et IBM, ou à Cloud Speech-to-Text de Google — puissant mais enfoui dans l'écosystème tentaculaire de Google Cloud. Fox a vu une ouverture pour une plateforme vocale dédiée que les développeurs pouvaient mettre en marche en quelques minutes, pas en plusieurs semaines.
La percée d'AssemblyAI est venue avec leurs modèles Universal. Plutôt que d'offrir un menu de modèles spécialisés pour différents accents, domaines ou conditions acoustiques, ils ont entraîné un seul modèle fondation sur des centaines de milliers d'heures d'audio étiqueté couvrant des dizaines de langues et d'environnements acoustiques. Universal-1 est arrivé en 2023 et s'est immédiatement positionné de manière compétitive face à Whisper d'OpenAI. Universal-2, sorti fin 2023, est allé plus loin — atteignant des taux d'erreur par mot inférieurs à ceux de Whisper large-v3 sur la plupart des bancs d'essai en anglais, tout en fonctionnant nettement plus rapidement. L'intuition technique clé était de combiner l'architecture conformer (un hybride de convolution et d'auto-attention qui avait fait ses preuves en reconnaissance vocale) avec une curation de données rigoureuse et un entraînement à grande échelle.
Là où AssemblyAI se distingue vraiment, c'est avec ce qu'ils appellent Audio Intelligence — une suite de modèles qui se superposent à la transcription et extraient de l'information structurée à partir de l'audio. La diarisation identifie qui a dit quoi. L'analyse de sentiment détecte le ton émotionnel par énoncé. La détection de sujets, la modération de contenu, la suppression de données personnelles et les chapitres automatiques transforment des transcriptions brutes en données exploitables. Pour les développeurs qui construisent des outils d'analyse de centres d'appels, de balados ou d'assistants de réunion, cela signifie qu'un seul appel API peut remplacer ce qui nécessiterait autrement l'assemblage de cinq ou six services différents. Leur cadriciel LeMUR, lancé en 2023, va encore plus loin en acheminant les transcriptions directement vers des grands modèles de langage pour la synthèse, la réponse aux questions et l'extraction de tâches — créant essentiellement un pont entre l'intelligence vocale et la pile d'IA générative.
AssemblyAI a levé plus de 115 millions de dollars, dont une série C de 50 millions en 2023. Leur positionnement est délibérément axé sur les développeurs : documentation complète, trousses de développement dans tous les langages majeurs et tarification qui évolue de manière linéaire sans verrouillage d'entreprise. Ils rivalisent directement avec Deepgram sur la vitesse, Whisper sur la précision et Google/AWS sur la facilité d'utilisation. Le pari est que l'intelligence vocale devient une infrastructure — aussi fondamentale que les bases de données ou l'authentification — et que l'entreprise qui remporte la course à l'expérience développeur dominera cette couche. Avec plus de 200 000 développeurs utilisant leur API et des clients comme Spotify, The Wall Street Journal et CallRail, ce pari semble porter ses fruits.