Deepgram می‌خواهد در زنجیره هوش مصنوعی صوتی جایگاه گسترده‌تری بگیرد. این شرکت مستقر در سان‌فرانسیسکو که بیشتر با مدل‌های تبدیل گفتار به متن و متن به گفتار شناخته می‌شود، روز ۲۹ اکتبر اعلام کرد شرکت Daily را خریداری می‌کند. Daily زیرساخت صوت و تصویر بلادرنگ ارائه می‌دهد و سازنده Pipecat است؛ چارچوب متن‌بازی که برای اتصال مدل‌های گفتار، مدل‌های زبانی و تلفن در قالب عامل‌های گفت‌وگومحور به روشی رایج تبدیل شده است. هیچ‌یک از دو طرف رقم معامله را اعلام نکردند.
گوهر اصلی این خرید Pipecat است. Daily آن را پرکاربردترین چارچوب ساخت عامل‌های صوتی می‌داند که بیش از ۲۰۰ اتصال آماده و نزدیک به ۴۰۰ مشارکت‌کننده دارد. این چارچوب کارهایی مانند تعویض مدل در میانه گفت‌وگو، تشخیص پایان صحبت کاربر، مدیریت قطع کلام و جابه‌جایی داده میان اجزا را انجام می‌دهد. Daily کل این مجموعه را در سال ۲۰۲۴ متن‌باز کرد. شبکه تجاری Daily هم به Deepgram می‌رسد که به گفته این شرکت ۷۵ نقطه حضور برای ترافیک زنده با تأخیر کم دارد.
از آنجا که Deepgram مدل‌های گفتار خودش را می‌فروشد، کاربران Pipecat طبیعتاً نگران‌اند که این چارچوب به سود یک فروشنده خاص تغییر کند. دو شرکت مستقیم به این نگرانی پرداختند. Pipecat با مجوز BSD رایگان می‌ماند و اداره آن به Pipecat Foundation مستقل سپرده می‌شود که به گفته Kwindla Hultman Kramer، هم‌بنیان‌گذار Daily، کمیته راهبری آن رقبای Deepgram را هم در بر می‌گیرد. Kramer که اکنون مسئول بخش متن‌باز Deepgram می‌شود به TechCrunch گفت چند خریدار دیگر هم به Daily نزدیک شده بودند و تعهد Scott Stephenson، مدیرعامل Deepgram، به بی‌طرفی پروژه انتخاب نهایی را رقم زد.
Stephenson این معامله را شرطی بر سر هماهنگ‌سازی باز می‌داند و نه وابسته‌کردن مشتریان. او به TechCrunch گفت می‌خواهد توسعه‌دهندگان برای هر کار بهترین مدل را برگزینند، حتی اگر آن مدل از Deepgram نباشد، و ضعف‌های سبد محصولات شرکت را نشانه‌ای برای بهبود بداند. Deepgram قصد دارد Pipecat و شبکه Daily را پایه سکوی آینده‌اش با نام Deepgram Voice Agent Platform قرار دهد؛ سکویی که قرار بود Ed Anuff، مدیر محصول شرکت، در نخستین همایش Speak در سان‌فرانسیسکو همراه با دو مدل گفت‌وگومحور تازه و یک Global API برای اتصال پایدارتر معرفی کند.
دو شرکت همچنین Real-Time Context Standard یا RCS را معرفی کردند؛ پروتکلی باز که Deepgram و تیم Pipecat با هم نوشته‌اند. امروزه زنجیره‌های صوتی معمولاً فقط واژه‌های پیاده‌شده را از یک مدل به مدل بعدی می‌فرستند و نشانه‌هایی مانند لحن، هویت گوینده یا صدای پس‌زمینه از دست می‌رود. RCS سه نوع فراداده می‌افزاید: آنچه از صدا برداشت می‌شود، شیوه استفاده مدل زبانی از این نشانه‌ها و اینکه پاسخ گفتاری چگونه باید شنیده شود. مبدل‌ها این داده‌ها را برای مدل‌های هر فروشنده ترجمه می‌کنند تا مثلاً عامل بتواند از تماس‌گیرنده بخواهد واژه‌ای نامفهوم را تکرار کند یا وقتی کسی آهسته حرف می‌زند، آرام‌تر پاسخ دهد.
این دو شرکت سابقه مشترک طولانی دارند. هر دو در سال ۲۰۱۶ در یک دوره Y Combinator حضور داشتند و Daily از سال ۲۰۱۹ تبدیل گفتار به متن Deepgram را در رابط‌های صوت و تصویر خود به کار می‌برد. TechCrunch به نقل از PitchBook مجموع سرمایه جذب‌شده Daily را بیش از ۶۲ میلیون دلار می‌داند و Deepgram هم امسال با دور سرمایه‌گذاری ۱۳۰ میلیون دلاری سری C به ارزش بیش از یک میلیارد دلار رسید.
این معامله در بازاری شلوغ رخ می‌دهد که در آن شرکت‌های زیرساختی مانند LiveKit و Vapi و سازندگان مدل مانند ElevenLabs امسال سرمایه‌های بزرگی جذب کرده‌اند. اینکه ساختار بنیاد تا چه حد به رقبا اثرگذاری واقعی بدهد و RCS در صورت بی‌اعتنایی دیگر فروشندگان چه سرنوشتی پیدا کند، تعیین می‌کند Pipecat همان لایه بی‌طرفی می‌ماند که Daily ساخته بود یا نه.