Сектор голосового AI переживает бурный рост, и ведущие игроки активно укрепляют позиции через партнёрства и поглощения. Deepgram стала последней, кто пошёл по этому пути: в четверг компания объявила о приобретении Daily — создателя и сопровождающего одной из самых популярных open-source инфраструктур голосового AI, Pipecat.
Что такое Pipecat и зачем он Deepgram
Pipecat — фреймворк, который управляет голосовыми и видеопотоками, а также другими звеньями конвейера: распознаванием речи (STT), большими языковыми моделями и моделями синтеза речи (TTS), одновременно снижая задержку. Его разработчик, Daily, предоставляет хостинговую инфраструктуру для голосовых и видеозвонков любого типа.
Сделка позволяет Deepgram получить более глубокое понимание инфраструктуры голосовых и видеосистем в реальном времени. Кроме того, фреймворк ориентирован на общение в реальном времени в разных форматах, что открывает компании возможности за пределами чисто голосовых сценариев.
Условия сделки и финансирование сторон
Сумма сделки не раскрывается. При этом обе компании подтвердили: Pipecat останется open-source.
По данным PitchBook, Daily привлекла более 62 млн долларов от инвесторов, включая Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom и Kevin Weil. Ранее в этом году Deepgram достигла статуса юникорна, привлёк 130 млн долларов в раунде Series C. Примечательно, что обе компании выходили из одного и того же выпуска Y Combinator в 2016 году.
Почему Daily выбрала именно Deepgram
Сооснователь Daily Kwindla Kramer рассказал, что примерно в момент выхода GPT-4 команда начала экспериментировать с общением AI с человеком через голос и текст — именно из этих экспериментов вырос фреймворк Pipecat. По его словам, интерес к приобретению со стороны других компаний был велик, но решающим стало обязательство CEO Deepgram Scott Stephenson сохранить Pipecat open-source и vendor-neutral навсегда, а также совпадение инженерной культуры двух организаций, дающее команде Daily свободу работать над разными частями стека в рамках более крупной структуры.
Kramer объяснил TechCrunch, что за решением Stephenson стоят как личная приверженность, так и коммерческий расчёт: находясь в центре быстро растущей экосистемы и имея в ней ряд компонентов, которые по-настоящему лучшие, максимальная открытость становится конкурентным преимуществом.
Стратегия Deepgram: открытая экосистема и новые возможности
Stephenson подчеркнул, что Deepgram давно хотела работать в open source и осознала, что фреймворк оркестрации для агентов — перспективная область, что и подтолкнуло к партнёрству с Daily. По его словам, компания хочет открыть экосистему так, чтобы каждый мог создавать голосовых агентов: использовать модели Deepgram или лучшие модели для конкретного use case, а Deepgram в ответ будет работать над тем, чтобы догонять и превосходить в тех областях, где партнёры сильны.
Приобретение, по словам Stephenson, позволяет разработчикам строить агентов с экспрессивностью и end-to-end речевые системы, подключая различные модели и контекстную шину, связывающую все части конвейера.
Запуск Real-Time Context Standard
Параллельно с сделкой Deepgram запускает Real-Time Context Standard (RCS) — открытый протокол для голосовых агентов, совместно разработанный с командой Pipecat. Протокол определяет метаданные: контекст из аудио (например, шёпот), инструкции для языковой модели о том, как использовать эти сигналы, и рекомендации о том, как должна звучать реакция.
Контекст: инвестиции в голосовой AI
В голосовой AI в этом году вложены значительные средства как на стороне моделей, так и на стороне инфраструктуры. Создатели моделей — ElevenLabs, Gradium, Fish Audio — привлекли миллионы долларов. Инфраструктурные компании LiveKit и Vapi также закрыли многомиллионные раунды финансирования в текущем году.