Deepgram придобива Daily, създателя на Pipecat, за да укрепи инфраструктурата си за гласов изкуствен интелект

Секторът на гласовия изкуствен интелект е в подем, а водещите играчи се опитват да затвърдят позициите си, тъй като чрез партньорства и придобивания се появяват все повече бизнес модели. Deepgram е последната компания, която предприема подобни стъпки: в четвъртък компанията съобщи, че придобива Daily — създателя и поддържащия екип на една от най-популярните инфраструктури с отворен код за гласов изкуствен интелект — Pipecat.

Компаниите не разкриха стойността на сделката, но заявиха, че ще запазят Pipecat като проект с отворен код.

За непосветените, Pipecat е рамка, която управлява гласови и видео потоци, както и други елементи в процеса, като преобразуване на реч в текст (STT), големи езикови модели и модели за преобразуване на текст в реч (TTS), като същевременно намалява латентността. Нейният създател Daily предоставя хоствана инфраструктура за гласови и видео разговори от всякакъв вид.

С Pipecat Deepgram вероятно ще придобие по-задълбочено разбиране на инфраструктурата за глас и видео в реално време.

Според данни на PitchBook досега Daily е набрала над 62 милиона долара финансиране от инвеститори като Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom и Kevin Weil. По-рано тази година Deepgram достигна статут на еднорог с кръг Series C на стойност 130 милиона долара. Между другото, и двете компании бяха в една и съща група на Y Combinator през 2016 г.

Съоснователят на Daily Kwindla Kramer заяви, че приблизително по времето, когато се появи GPT-4, компанията е започнала да експериментира с комуникация между изкуствен интелект и хора чрез глас и текст, което в крайна сметка е довело до създаването на рамката Pipecat. Той отбеляза, че макар да е имало голям интерес към придобиването на компанията, е предпочел ангажимента на главния изпълнителен директор на Deepgram Scott Stephenson да запази Pipecat като проект с отворен код завинаги, както и факта, че инженерната култура на двете организации съвпада, което дава на екипа на Daily свободата да работи по различни части от технологичния стек в рамките на по-голяма организация.

„Scott беше изключително ангажиран с това Pipecat да остане с отворен код и неутрален спрямо доставчиците завинаги. Смятам, че тук има както личен ангажимент, така и търговски мотив. Ако се намирате в центъра на екосистема, която се разраства много бързо, и разполагате с много елементи от тази екосистема, които са наистина най-добрите, създадени от вашата компания, тогава това всичко да бъде възможно най-отворено е търговско предимство“, каза Kramer пред TechCrunch.

Stephenson заяви, че Deepgram отдавна иска да работи в сферата на отворения код и че компанията е осъзнала, че рамка за оркестрация на агенти е потенциална област, което е довело до решението за партньорство с Daily.

„Искаме да отворим екосистемата, за да може всеки да създава гласови агенти. Чудесно е, ако използвате моделите на Deepgram, но искам да използвате най-добрите модели за конкретния ви случай на употреба. А ако Deepgram забележи, че трябва да наваксаме в определена област по отношение на собствените ни модели и продукти, това също е чудесно. Искаме да използвате партньори, а същевременно ще работим и върху това да станем по-добри в тези области“, каза той.

Stephenson заяви, че придобиването позволява на разработчиците да създават агенти с изразителност и цялостни системи за обработка на реч, като свързват различни модели и контекстна шина, която свързва всички части.

За Deepgram сделката също така дава възможност да проучи области отвъд гласа чрез Pipecat, тъй като рамката е предназначена за комуникация в реално време в различни формати.

„Никога не сме мислели за Pipecat като за инструментариум за глас. Мислехме за него като за инструментариума, от който се нуждаем, за да създадем този нов вид софтуер, базиран на изкуствен интелект. Заради произхода си винаги сме приемали, че той ще работи в реално време“, каза Kramer.

Deepgram също така стартира Real-Time Context Standard (RCS) — отворен протокол за гласови агенти, разработен съвместно с екипа на Pipecat. Протоколът дефинира метаданни като контекст от аудиото, например шепот, инструкции към езиковия модел как може да използва тези сигнали и насоки как трябва да звучи отговорът.

Гласовият изкуствен интелект привлече значителни инвестиции както от страна на моделите, така и от страна на инфраструктурата. Създатели на модели като ElevenLabs, Gradium и Fish Audio са набрали милиони долари. От друга страна, инфраструктурни компании като LiveKit и Vapi са привлекли многомилионни инвестиционни рундове тази година.