Секторът на гласовия изкуствен интелект навлиза във фаза на бърза консолидация, като водещите компании укреват позициите си чрез нови партньорства и стратегически придобивания. В поредната мащабна сделка Deepgram обяви, че купува Daily — компанията, която стои зад една изключително популярните платформи с отворен код за гласов AI, Pipecat. Финансовите детайли около сделката не бяха оповестени, но от двете страни подчертават, че Pipecat ще остане проект с отворен код и напълно неутрален към различни доставчици. Рамката Pipecat управлява аудио и видео потоци в реално време, като същевременно координира процесите по преобразуване на реч в текст (STT), обработката от големи езикови модели (LLM) и генерирането на реч (TTS) с минимално забавяне. До момента Daily е набрала над 62 милиона долара от инвеститори като Tiger Global, Highfield Capital, Нат Фридман, Лаки Грум и Кевин Вейл. От своя страна Deepgram постигна статус на „еднорог“ по-рано тази година след инвестиционен кръг от Серия C на стойност 130 милиона долара. Любопитен факт е, че и двете компании са възпитаници на един и същ випуск на стартъп инкубатора Y Combinator през 2016 г. Съоснователят на Daily Куиндла Крамер споделя, че екипът му е започнал да експериментира с гласова комуникация между AI и хора малко след дебюта на GPT-4, което впоследствие води до създаването на Pipecat. Въпреки че към Daily е имало сериозен интерес за изкупуване от различни страни, Крамер е предпочел предложението на главния изпълнителен директор на Deepgram Скот Стивънсън заради категоричния му ангажимент Pipecat да остане с отворен код завинаги. Стивънсън допълва, че Deepgram отдавна търси възможност да разшири присъствието си в средите с отворен код, а софтуерът за оркестрация на AI агенти се е оказал идеалното решение. Сделката ще даде възможност на разработчиците лесно да изграждат пълноценни гласови агенти, комбинирайки най-подходящите за техните нужди модели. Заедно с придобиването Deepgram и екипът на Pipecat пускат и Real-Time Context Standard (RCS) — нов отворен протокол за гласови агенти. Той дефинира метаданни и контекст от аудиото (като например шепот), инструкции за езиковите модели как да обработват тези сигнали и указания за това как точно трябва да звучи генерираният отговор. Сделката е поредното доказателство за огромния поток от капитали към сектора на гласовия AI. Разработчици на модели като ElevenLabs, Gradium и Fish Audio, както и инфраструктурни компании като LiveKit и Vapi, набраха многомилионни инвестиционни рундове през последните месеци.