A hangalapú mesterséges intelligencia (AI) területe továbbra is pörög, és a nagyobb szereplők felvásárlásokkal, partnerségekkel igyekeznek megerősíteni pozíciójukat. Deepgram bejelentette csütörtökön, hogy felvásárolja a Daily-t, a Pipecat fejlesztőjét és fenntartóját — a nyílt forráskódú, népszerű valós idejű hang- és videó infrastruktúra-keretrendszert.
A felek nem hozták nyilvánosságra az ügylet összegét, de egyértelműen közölték, hogy a Pipecat továbbra is nyílt forráskódú marad.
Mit tud a Pipecat és miért fontos?
A Pipecat egy olyan keretrendszer, amely a hang‑ és videófolyamokat kezeli, és összekapcsolja azokat más elemekkel a feldolgozási láncban, például beszéd‑szöveg (STT), nagy nyelvi modellek és szöveg‑hang (TTS) rendszerek alkalmazásával, miközben csökkenti a késleltetést. A Daily emellett hosztolt infrastruktúrát kínál bármilyen típusú hang‑ és videóhíváshoz.
Deepgram számára a Pipecattal szerzett tapasztalat és kódalap mélyebb betekintést adhat a valós idejű hang‑ és videóinfrastruktúrák működésébe, és lehetővé teszi fejlesztések gyorsabb integrálását a vállalat termékeibe.
Finanszírozás, háttér és korábbi mérföldkövek
A PitchBook adatai szerint a Daily eddig több mint 62 millió dollárnyi befektetést gyűjtött össze olyan befektetőktől, mint a Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom és Kevin Weil. Deepgram idén korábban elérte az egymilliárd dolláros értékelést egy 130 millió dolláros Series C befektetéssel. Érdekességként mindkét vállalat ugyanabban, 2016-os Y Combinator évfolyamban vett részt.
Miért vállalta a Daily az akvizíciót?
A Daily társalapítója, Kwindla Kramer elmondta, hogy a GPT‑4 megjelenése körül a cég elkezdett kísérletezni AI‑ember közötti kommunikációval hangon és szövegen keresztül, ami végül a Pipecat létrejöttéhez vezetett. Kramer hozzátette, hogy több érdeklődő akvizíciós ajánlat is volt, de ő azért választotta a Deepgramet, mert Scott Stephenson, a Deepgram vezérigazgatója elkötelezett amellett, hogy a Pipecat örökké nyílt forráskódú és vendor‑semleges maradjon, továbbá a két cég mérnöki kultúrája jól illeszkedett.
Kramer szerint a Pipecatot nem csupán "hangeszközként" kezelték, hanem olyan eszközként, amelyre a következő generációs, AI‑natív szoftverek felépíthetők, és amely alapból a valós idejű működést támogatta.
Deepgram szándékai és technológiai irány
Scott Stephenson szerint a Deepgram régóta szeretett volna jobban részt venni a nyílt forráskódú közösségben, és a Pipecat szervező keretrendszere az ügynökök (agents) területén jó lehetőségnek tűnt az együttműködésre. A Deepgram célja, hogy megnyissa az ökoszisztémát, és lehetővé tegye, hogy bárki építsen hangügynököket, akár Deepgram modellek nélkül is; a cég ugyanakkor készen áll arra, hogy saját modelljeit továbbfejlessze, ha azt látja, hogy bizonyos területeken felzárkózás szükséges.
A felvásárlás révén a fejlesztők képesek lesznek kifejező, végpontok közötti beszédrendszereket összeállítani különböző modellek és egy kontextus‑busz összekötésével, amely összekapcsolja a rendszer részeit.
Nyílt protokoll: Real‑Time Context Standard (RCS)
A Deepgram bejelentette továbbá a Real‑Time Context Standard (RCS) elindítását, egy nyílt protokollt, amelyet közösen fejlesztettek a Pipecat csapatával. Az RCS szabvány metaadatokat definiál a hangból származó kontextusról — például ha a beszélő suttog —, utasításokat ad arra nézve, hogy a nyelvi modell hogyan használhatja ezeket a jelzéseket, és útmutatást ad a válasz hangzásához.
Piaci körkép
A hangalapú AI iránt mind a modellek, mind az infrastruktúra oldalán jelentős befektetések történtek. Modelleket fejlesztő vállalatok, például az ElevenLabs, Gradium és Fish Audio több millió dollárt gyűjtöttek, míg infrastruktúra‑cégek, mint a LiveKit és a Vapi, szintén többmillió dolláros finanszírozási köröket tudtak lezárni az idei évben.
A Deepgram–Daily üzlet a valós idejű hang‑ és videóalapú AI infrastruktúra konszolidációjának következő példája, amely egyszerre erősíti a technikai képességeket és a nyílt forráskódú együttműködést az ökoszisztémában.
