Deepgram adquiere Daily, creadora de Pipecat, para construir infraestructura abierta de IA de voz

Deepgram anunció el jueves que adquiere Daily, la startup que creó y mantiene Pipecat, uno de los frameworks de código abierto más utilizados en la IA de voz. No se revelaron los términos financieros del acuerdo, pero ambas empresas se comprometieron a mantener Pipecat como código abierto.

Pipecat es un framework que gestiona flujos de voz y video en tiempo real junto con componentes como conversión de voz a texto, grandes modelos de lenguaje y conversión de texto a voz, todo ello reduciendo la latencia. Daily también ofrece infraestructura alojada para llamadas de voz y video. La compañía ha recaudado más de 62 millones de dólares de inversores como Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom y Kevin Weil. Deepgram, por su parte, alcanzó el estatus de unicornio a principios de este año con una ronda Serie C de 130 millones de dólares. Cabe destacar que ambas compañías pertenecieron al mismo lote de Y Combinator en 2016.

El cofundador de Daily, Kwindla Kramer, dijo que el framework Pipecat surgió de experimentos sobre comunicación entre IA y humanos a través de voz y texto, que comenzaron alrededor del lanzamiento de GPT-4. Afirmó que lo atrajo el compromiso personal del CEO de Deepgram, Scott Stephenson, de mantener Pipecat abierto y neutral respecto a proveedores de forma permanente, y que las culturas de ingeniería de ambas organizaciones encajaban muy bien.

Stephenson señaló que Deepgram había querido desde hace tiempo involucrarse con el código abierto e identificó un framework de orquestación para agentes de voz como el punto de entrada adecuado. Subrayó que quiere que los desarrolladores usen los modelos que mejor se adapten a sus necesidades, incluso si son de la competencia.

Junto con la adquisición, Deepgram está lanzando el Real-Time Context Standard (RCS), un protocolo abierto para agentes de voz desarrollado conjuntamente con el equipo de Pipecat. RCS define metadatos que incluyen señales de contexto de audio —como la detección de un susurro—, instrucciones para un modelo de lenguaje y pautas sobre cómo debe sonar una respuesta.