Deepgram acquisisce Daily, creatrice di Pipecat, per costruire un'infrastruttura open source per l'IA vocale

Deepgram ha annunciato giovedì l'acquisizione di Daily, la startup che ha creato e mantiene Pipecat, uno dei framework open source più utilizzati nell'IA vocale. I termini finanziari dell'accordo non sono stati divulgati, ma entrambe le aziende si sono impegnate a mantenere Pipecat open source.

Pipecat è un framework che gestisce flussi vocali e video in tempo reale insieme a componenti come il riconoscimento vocale (speech-to-text), i grandi modelli linguistici e la sintesi vocale (text-to-speech), riducendo al contempo la latenza. Daily fornisce anche infrastrutture ospitate per chiamate vocali e video. L'azienda ha raccolto oltre 62 milioni di dollari da investitori tra cui Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom e Kevin Weil. Deepgram, da parte sua, ha raggiunto lo status di unicorno all'inizio di quest'anno con un round di Serie C da 130 milioni di dollari. Da notare che entrambe le aziende provengono dallo stesso batch di Y Combinator del 2016.

Il co-fondatore di Daily, Kwindla Kramer, ha dichiarato che il framework Pipecat è nato da esperimenti sulla comunicazione tra IA e umani tramite voce e testo, iniziati intorno al periodo di lancio di GPT-4. Ha affermato di essere stato attratto dall'impegno personale del CEO di Deepgram, Scott Stephenson, a mantenere Pipecat open source e neutrale rispetto ai fornitori in modo permanente, e che le culture ingegneristiche delle due organizzazioni si sono rivelate molto affini.

Stephenson ha affermato che Deepgram desiderava da tempo impegnarsi nell'open source e ha individuato un framework di orchestrazione per agenti vocali come il punto d'ingresso giusto. Ha sottolineato di voler che gli sviluppatori utilizzino i modelli più adatti alle loro esigenze, anche quelli della concorrenza.

Insieme all'acquisizione, Deepgram lancia il Real-Time Context Standard (RCS), un protocollo aperto per agenti vocali co-sviluppato con il team di Pipecat. RCS definisce metadati che includono segnali di contesto audio — come il rilevamento di un sussurro —, istruzioni per un modello linguistico e indicazioni su come dovrebbe suonare una risposta.