A Deepgram quer subir na cadeia da inteligência artificial de voz. A empresa de São Francisco, conhecida pelos modelos de reconhecimento e síntese de fala, anunciou a 29 de outubro que vai adquirir a Daily, fornecedora de infraestrutura de áudio e vídeo em tempo real e autora do Pipecat, a plataforma de código aberto que se tornou habitual para ligar modelos de fala, modelos de linguagem e telefonia em agentes conversacionais. Nenhuma das partes divulgou o preço.
O grande trunfo é o Pipecat. A Daily apresenta-o como o enquadramento mais utilizado para agentes de voz, com mais de 200 integrações e perto de 400 colaboradores, e com funções como trocar de modelo a meio da conversa, perceber quando o interlocutor acabou de falar, lidar com interrupções e encaminhar dados entre componentes. Todo o conjunto foi aberto em 2024. A compra inclui também a rede comercial da Daily que, segundo a Deepgram, conta com 75 pontos de presença desenhados para tráfego ao vivo com baixa latência.
Como a Deepgram vende os seus próprios modelos de fala, quem usa o Pipecat teme naturalmente que a plataforma passe a favorecer um fornecedor. As duas empresas responderam à questão de frente. O Pipecat continua gratuito sob licença BSD e será gerido por uma Pipecat Foundation independente, com um comité de direção que, segundo o cofundador da Daily, Kwindla Hultman Kramer, incluirá concorrentes da Deepgram. Kramer, que passa a liderar a área de código aberto da compradora, contou ao TechCrunch que houve vários interessados e que o compromisso do presidente executivo Scott Stephenson com a neutralidade foi decisivo.
Stephenson apresenta o negócio como uma aposta na orquestração aberta e não no aprisionamento de clientes. Disse ao TechCrunch que quer ver os programadores escolherem o melhor modelo para cada tarefa, mesmo que não seja da Deepgram, e encarar as lacunas da sua oferta como sinais do que tem de melhorar. A empresa pretende fazer do Pipecat e da rede da Daily a base de uma futura Deepgram Voice Agent Platform, que o diretor de produto Ed Anuff ia apresentar na primeira conferência Speak, em São Francisco, a par de dois novos modelos conversacionais e de uma Global API pensada para ligações mais fiáveis.
Foi ainda apresentado o Real-Time Context Standard (RCS), um protocolo aberto escrito em conjunto pela Deepgram e pela equipa do Pipecat. Hoje, as cadeias de voz costumam transmitir de um modelo para o seguinte apenas as palavras transcritas, perdendo pistas como o tom, a identidade de quem fala ou o ruído de fundo. O RCS acrescenta três tipos de metadados: o que o áudio revela, a forma como o modelo de linguagem deve usar esses sinais e o modo como a resposta falada deve soar. Adaptadores traduzem essa informação para os modelos de cada fornecedor, permitindo, por exemplo, que um agente peça para repetir uma palavra mal ouvida ou baixe a voz quando alguém sussurra.
As duas empresas conhecem-se bem. Passaram pela mesma turma da Y Combinator em 2016, e a Daily usa a transcrição da Deepgram nas suas APIs de áudio e vídeo desde 2019. Segundo dados da PitchBook citados pelo TechCrunch, a Daily angariou mais de 62 milhões de dólares, enquanto a Deepgram atingiu este ano o estatuto de unicórnio com uma ronda de Série C de 130 milhões.
O negócio surge num mercado concorrido, em que empresas de infraestrutura como a LiveKit e a Vapi e criadores de modelos como a ElevenLabs fecharam rondas avultadas este ano. Saber se a governação da fundação dará peso real aos rivais e se o RCS vinga caso outros fornecedores o ignorem determinará se o Pipecat continua a ser a camada neutra que a Daily construiu.