Deepgram felvásárolja a Daily-t, hogy erősítse hang-AI infrastruktúráját

A hang-AI szektorban a Deepgram is terjeszkedik: felvásárolja a Daily-t, a népszerű Pipecat nyílt forráskódú hang-AI infrastruktúra készítőjét. A felek nem hozták nyilvánosságra a vételárat, de a Pipecat nyílt forráskódú marad. A Pipecat egy keretrendszer, amely kezeli a hang- és videóstreamelést, valamint a beszédfelismerést (STT), nagyméretű nyelvi modelleket (LLM) és szövegfelolvasást (TTS), miközben csökkenti a késleltetést.

A Daily eddig több mint 62 millió dollár befektetést szerzett olyan cégektől, mint a Tiger Global, a Highfield Capital, Nat Friedman, Lachy Groom és Kevin Weil. A Deepgram maga is unikornissá vált egy 130 millió dolláros Series C körrel. Érdekesség, hogy mindkét cég a 2016-os Y Combinator programban vett részt.

Kwindla Kramer, a Daily társalapítója szerint a GPT-4 megjelenése után kezdtek kísérletezni AI-ember kommunikációval, amihez a Pipecat keretrendszer vezetett. Kramer kiemelte Scott Stephenson, a Deepgram vezérigazgatójának elkötelezettségét a Pipecat örökös nyílt forráskódú és független státusza mellett. „Scott elkötelezett amellett, hogy a Pipecat örökké nyílt forráskódú és független legyen. Ez egy üzleti előny is, ha az ember egy gyorsan növekvő ökoszisztéma közepén van, és a legfontosabb részeket a saját cégénél tudhatja” — mondta Kramer a TechCrunch-nak.

Stephenson hozzátette, hogy a Deepgram régóta szeretett volna nyílt forráskódú projektekben részt venni, és az orchestrációs keretrendszer jó területnek bizonyult. „Meg akarjuk nyitni az ökoszisztémát, hogy bárki építhessen hangügynököket. Jó, ha Deepgram modelleket használ, de azt akarjuk, hogy a legjobb modelleket használd a céljaidhoz. Ha pedig a Deepgram lemarad bizonyos területeken, az is rendben van, mert akkor azon dolgozunk, hogy jobbak legyünk” — nyilatkozta.

A felvásárlás lehetővé teszi a fejlesztők számára, hogy különböző modellek és egy kontextusbusz segítségével fejlettebb hangügynököket hozzanak létre. A Pipecat révén a Deepgram más területeket is felfedezhet a hangon túl, mivel a keretrendszer valós idejű kommunikációra alkalmas különböző formátumokban. „Soha nem gondoltunk a Pipecatra mint hangeszköztárra, hanem mint egy olyan eszközre, amire szükségünk van ehhez az újfajta AI-alapú szoftverhez” — mondta Kramer.

A Deepgram emellett bejelenti a Real-Time Context Standard (RCS) elindítását is, egy nyílt protokollt hangügynökök számára, amelyet a Pipecat csapattal közösen fejlesztettek ki. A protokoll olyan metaadatokat határoz meg, mint a kontextus az audióból, vagy utasítások a nyelvi modell számára, hogyan használja ezeket a jelzéseket, és útmutatást ad a válasz hangzásához.

A hang-AI területen mind a modellek, mind az infrastruktúra oldalán jelentős befektetések történtek; olyan cégek, mint az ElevenLabs, Gradium és Fish Audio, valamint a LiveKit és Vapi is többmillió dolláros finanszírozást szereztek.