Deepgram übernimmt Pipecat-Entwickler Daily, um offene Voice-AI-Infrastruktur aufzubauen

Deepgram gab am Donnerstag bekannt, dass es Daily übernimmt, das Startup, das Pipecat entwickelt hat und pflegt – eines der am weitesten verbreiteten Open-Source-Frameworks im Bereich Voice AI. Die finanziellen Bedingungen der Übernahme wurden nicht offengelegt, doch beide Unternehmen haben sich verpflichtet, Pipecat als Open Source weiterzuführen.

Pipecat ist ein Framework, das Echtzeit-Sprach- und Videostreams zusammen mit Komponenten wie Speech-to-Text, großen Sprachmodellen (LLMs) und Text-to-Speech verwaltet und dabei die Latenz reduziert. Daily stellt zudem gehostete Infrastruktur für Sprach- und Videoanrufe bereit. Das Unternehmen hat über 62 Millionen US-Dollar von Investoren wie Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom und Kevin Weil eingesammelt. Deepgram wiederum erreichte Anfang dieses Jahres mit einer Series-C-Runde über 130 Millionen US-Dollar den Status eines Unicorns. Beide Unternehmen gingen zudem aus demselben Y-Combinator-Jahrgang von 2016 hervor.

Daily-Mitgründer Kwindla Kramer sagte, das Pipecat-Framework sei aus Experimenten zur Kommunikation zwischen KI und Mensch über Sprache und Text entstanden, die etwa zur Zeit des Starts von GPT-4 begonnen hätten. Er sei von der persönlichen Zusage von Deepgram-CEO Scott Stephenson überzeugt gewesen, Pipecat dauerhaft Open Source und anbieterneutral zu halten, und die Unternehmenskulturen beider Organisationen hätten gut zusammengepasst.

Stephenson sagte, Deepgram habe sich schon lange mit Open Source beschäftigen wollen und ein Orchestrierungs-Framework für Sprachagenten als den richtigen Einstiegspunkt identifiziert. Er betonte, dass Entwickler die Modelle nutzen sollen, die am besten zu ihren Bedürfnissen passen – selbst wenn es sich um die der Konkurrenz handelt.

Neben der Übernahme führt Deepgram den Real-Time Context Standard (RCS) ein, ein offenes Protokoll für Sprachagenten, das gemeinsam mit dem Pipecat-Team entwickelt wurde. RCS definiert Metadaten, darunter Audiokontextsignale – etwa die Erkennung eines Flüsterns –, Anweisungen für ein Sprachmodell sowie Vorgaben dazu, wie eine Antwort klingen soll.