Deepgram rachète Daily, créateur de Pipecat, pour bâtir une infrastructure ouverte de voix IA

Deepgram a annoncé jeudi le rachat de Daily, la startup qui a créé et maintient Pipecat, l'un des frameworks open source les plus utilisés dans le domaine de la voix IA. Les conditions financières de l'accord n'ont pas été divulguées, mais les deux entreprises se sont engagées à maintenir Pipecat en open source.

Pipecat est un framework qui gère les flux vocaux et vidéo en temps réel ainsi que des composants tels que la reconnaissance vocale (speech-to-text), les grands modèles de langage et la synthèse vocale (text-to-speech), tout en réduisant la latence. Daily fournit également une infrastructure hébergée pour les appels vocaux et vidéo. L'entreprise a levé plus de 62 millions de dollars auprès d'investisseurs tels que Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom et Kevin Weil. Deepgram, pour sa part, a atteint le statut de licorne plus tôt cette année grâce à une levée de série C de 130 millions de dollars. À noter que les deux entreprises sont issues de la même promotion Y Combinator de 2016.

Le cofondateur de Daily, Kwindla Kramer, a expliqué que le framework Pipecat est né d'expériences sur la communication entre l'IA et les humains par la voix et le texte, débutées vers l'époque du lancement de GPT-4. Il a précisé avoir été séduit par l'engagement personnel du PDG de Deepgram, Scott Stephenson, à maintenir Pipecat ouvert et neutre vis-à-vis des fournisseurs de façon permanente, et que les cultures d'ingénierie des deux organisations correspondaient parfaitement.

Stephenson a indiqué que Deepgram souhaitait depuis longtemps s'engager dans l'open source et avait identifié un framework d'orchestration pour les agents vocaux comme le point d'entrée idéal. Il a insisté sur le fait qu'il souhaite que les développeurs utilisent les modèles qui répondent le mieux à leurs besoins, même ceux des concurrents.

Parallèlement à cette acquisition, Deepgram lance le Real-Time Context Standard (RCS), un protocole ouvert pour les agents vocaux co-développé avec l'équipe de Pipecat. RCS définit des métadonnées comprenant des signaux de contexte audio — comme la détection d'un chuchotement —, des instructions destinées à un modèle de langage, ainsi que des indications sur la manière dont une réponse doit sonner.