Deepgram adquire a Daily, criadora do Pipecat, para fortalecer sua infraestrutura de voz em IA

O setor de IA de voz está aquecido, e os principais players estão tentando consolidar suas posições à medida que mais modelos de negócios surgem por meio de parcerias e aquisições. A Deepgram é a mais recente a fazer tais movimentos: a empresa anunciou na quinta-feira que está adquirindo a Daily, criadora e mantenedora de uma das infraestruturas de IA de voz de código aberto mais populares, o Pipecat.

As empresas não divulgaram o valor do acordo, mas afirmaram que manterão o Pipecat de código aberto.

Para os iniciados, o Pipecat é um framework que gerencia fluxos de voz e vídeo, juntamente com outras partes do pipeline, como conversão de fala em texto (STT), modelos de linguagem grande (LLMs) e modelos de conversão de texto em fala (TTS), enquanto reduz a latência. Sua criadora, a Daily, fornece infraestrutura hospedada para chamadas de voz e vídeo de qualquer tipo.

Com o Pipecat, é provável que a Deepgram obtenha uma compreensão mais profunda da infraestrutura de voz e vídeo em tempo real.

A Daily já captou mais de US$ 62 milhões em financiamento até o momento de investidores como Tiger Global, Highfield Capital, Nat Friedman, Lachy Groom e Kevin Weil, de acordo com dados do PitchBook. No início deste ano, a Deepgram atingiu o status de unicórnio com uma rodada da Série C de US$ 130 milhões. Coincidentemente, ambas as empresas participaram do mesmo lote da Y Combinator em 2016.

Kwindla Kramer, cofundador da Daily, disse que, por volta da época em que o GPT-4 foi lançado, a empresa começou a experimentar a comunicação de IA com humanos por voz e texto, o que eventualmente resultou no framework Pipecat. Ele observou que, embora tenha havido muito interesse em aquisições, ele favoreceu o compromisso do CEO da Deepgram, Scott Stephenson, de manter o Pipecat de código aberto para sempre, e a cultura de engenharia de ambas as organizações combinou, dando à equipe da Daily a liberdade de trabalhar em diferentes partes da pilha tecnológica dentro de uma organização maior.

“Scott estava super comprometido com o fato de o Pipecat ser de código aberto e neutro em relação a fornecedores para sempre. Acho que há aí um compromisso pessoal e um direcionador comercial. Se você está no centro de um ecossistema que está crescendo muito rápido e tem muitas partes desse ecossistema que são genuinamente as melhores da sua empresa, então manter tudo o mais aberto possível é como uma vantagem comercial”, disse Kramer ao TechCrunch.

Stephenson disse que a Deepgram queria trabalhar com código aberto há muito tempo e que a empresa percebeu que um framework de orquestração para agentes era uma área potencial, o que impulsionou a decisão de fazer parceria com a Daily.

“Queremos abrir o ecossistema para que todos possam construir agentes de voz. É ótimo se você estiver usando modelos da Deepgram, mas eu quero que você use os melhores modelos para o seu caso de uso. E se a Deepgram notar que precisamos tirar o atraso em uma determinada área para nossos próprios modelos e produtos, tudo bem. Queremos que você use parceiros e, em seguida, também trabalharemos para melhorar nessas áreas”, afirmou ele.

Stephenson disse que a aquisição permite que desenvolvedores criem agentes com expressividade e sistemas de fala de ponta a ponta, conectando diferentes modelos e um barramento de contexto que conecta todas as partes.

Para a Deepgram, o acordo também permite explorar áreas além da voz por meio do Pipecat, já que o framework atende à comunicação em tempo real em diferentes formatos.

“Nunca pensamos no Pipecat como um kit de ferramentas de voz. Nós o encaramos como o kit de ferramentas de que precisávamos para construir esse novo tipo de software nativo de IA. Por causa de nossas origens, sempre partimos do pressuposto de que seria em tempo real”, disse Kramer.

A Deepgram também está lançando o Real-Time Context Standard (RCS), um protocolo aberto para agentes de voz que co-desenvolveu com a equipe do Pipecat. O protocolo define metadados como o contexto do áudio — por exemplo, um sussurro —, instruções para um modelo de linguagem sobre como ele pode usar esses sinais e orientações sobre como a resposta deve soar.

A IA de voz tem visto muitos investimentos tanto do lado dos modelos quanto da infraestrutura. Criadores de modelos como ElevenLabs, Gradium e Fish Audio levantaram milhões de dólares. Por outro lado, empresas de infraestrutura como LiveKit e Vapi levantaram rodadas de financiamento multimilionárias este ano.