Deepgram сообщила в четверг о покупке Daily, создателя открытого фреймворка голосового ИИ Pipecat, чтобы усилить позиции в инфраструктуре голосовых агентов в реальном времени. Сумму сделки компании не раскрыли, но заявили, что Pipecat останется проектом с открытым кодом. Это важно, потому что провайдер речевых моделей объединяется с широко используемым инструментом оркестрации голосовых агентов.
Зачем Deepgram команда Pipecat
Daily предоставляет хостинговую инфраструктуру для голосовых и видеозвонков, а Pipecat управляет потоками аудио и видео вместе с моделями speech-to-text, большими языковыми моделями и моделями text-to-speech при сниженной задержке. В Deepgram рассчитывают, что сделка даст более глубокое понимание инфраструктуры голоса и видео в реальном времени. Обе компании прошли один набор Y Combinator в 2016 году, что добавляет объединению общую раннюю историю.
Сооснователь Daily Kwindla Kramer рассказал, что компания начала эксперименты с общением ИИ и человека голосом и текстом примерно во время выхода GPT-4, из этой работы позже вырос Pipecat. По его словам, интерес к покупке был значительным, но его убедило обязательство главы Deepgram Scott Stephenson сохранить Pipecat открытым и вендорно-нейтральным. Инженерные культуры совпали, а команда Daily получит возможность работать с разными уровнями стека внутри более крупной организации.
Stephenson заявил, что Deepgram давно хотела работать с открытым кодом и видела фреймворк оркестрации агентов как естественное направление. Он назвал открытость коммерческим преимуществом в быстрорастущей экосистеме, где разработчики должны выбирать лучшие модели под свою задачу, включая модели партнеров. Если это покажет отставание моделей Deepgram, компания намерена учесть опыт использования партнеров и улучшить эти направления.
Что сделка меняет для создателей голосовых агентов
Для компаний, создающих голосовых агентов, объединение указывает на более простую сборку выразительных сквозных речевых систем из взаимозаменяемых частей. Stephenson описал подключение разных моделей и шину контекста, которая связывает все части конвейера. Небольшие команды могут начать с хостинговой инфраструктуры Daily и оркестрации Pipecat, а крупные компании — стандартизировать выбор STT, LLM и TTS для контакт-центров, продаж и поддержки.
Обещание открытого кода и вендорной нейтральности снижает один риск внедрения, но покупателям нужно проверить практические условия. Язык договора, управление Pipecat, поддержка моделей не от Deepgram и стоимость хостинговых мощностей Daily влияют на итоговые затраты. Сама новость не гарантирует задержку, точность и доступность в конкретном внедрении, поэтому до масштабирования стоит в пилоте измерить качество звонков, поведение при сбоях и трудоемкость интеграции.
Маркером станет принятие нового Real-Time Context Standard, открытого протокола для голосовых агентов, совместно разработанного Deepgram и командой Pipecat. Он описывает метаданные, такие как контекст из аудио наподобие шепота, инструкции для языковой модели по использованию этих сигналов и требования к звучанию ответа. Если конкурирующие разработчики моделей и инфраструктурные компании поддержат его, открытая оркестрация может стать стандартным способом создания голосовых агентов.
