Ugrás a tartalomra
Neural Daily

ÜzletHír

A Deepgram megveszi a Pipecatet fejlesztő Dailyt

🇬🇧 Read this article in English →

A hang-AI infrastruktúrát építő Deepgram felvásárolja a Dailyt, a népszerű nyílt forrású Pipecat voice agent framework fejlesztőjét. A Pipecat nyílt marad, független alapítványt kap. A Deepgram emellett új nyílt protokollt is bemutatott, a Real-Time Context Standardot.

Írta: Mikola Máté Patrik · · 3 perc olvasás

Graphic announcing that Daily and Pipecat are joining Deepgram on a purple background
Kép: Deepgram · Sajtókép · Official social image from the Deepgram blog post · Forrás

Mi történt?

A Deepgram október 29-én, első saját konferenciáján, a Deepgram Speaken jelentette be, hogy felvásárolja a Dailyt (Deepgram). A Daily a Pipecat fejlesztője, ez az egyik legnépszerűbb nyílt forrású framework hangalapú agentekhez. A Pipecat kezeli a hang- és videóstreameket, illetve összeköti a pipeline elemeit: a speech-to-textet, az LLM-et és a text-to-speech modellt, alacsony késleltetéssel. A Daily emellett globális valós idejű hálózatot üzemeltet hang- és videóhívásokhoz.

  • Az árat nem hozták nyilvánosságra.
  • A Pipecat a meglévő BSD licenc alatt nyílt és ingyenes marad, a közreműködő cégekkel közösen független Pipecat Foundation alakul.
  • A Daily csapata a Deepgramhez csatlakozik.
  • A Deepgram az új Voice Agent Platformját a Pipecatre és a Daily hálózatára építi, az indulás időpontját később közlik.

A TechCrunch szerint a Daily a PitchBook adatai alapján eddig több mint 62 millió dollárt vont be, a Deepgram pedig idén egy 130 millió dolláros C körrel lett unikornis (TechCrunch). A Daily társalapítója, Kwindla Kramer azt mondta, több vételi ajánlat is volt, de a Deepgram vállalta, hogy a Pipecat örökre nyílt és vendorfüggetlen marad.

Real-Time Context Standard

A Deepgram a Pipecat csapatával közösen kidolgozott nyílt protokollt is bemutatott, a Real-Time Context Standardot (RCS). A probléma, amit megold: a hang-agentekben a modellek között ma csak a szöveg megy tovább, a hangszín, a beszélő személye vagy a háttérzaj elvész. Az RCS három új mezőt ad a legtöbb LLM API által használt chat completions formátumhoz (Deepgram):

  • hogyan hangzott a felhasználó, például suttogott vagy egy szó érthetetlen volt;
  • mit kezdjen ezzel az agent;
  • hogyan szóljon a válasz a TTS modellben.

Így az agent visszakérdezhet, ha nem hallott jól, vagy halkan válaszolhat, ha valaki suttog. Adapterek fordítják le a jeleket az egyes modellekre, tehát több szolgáltató modelljével is működik. A Deepgram ugyanitt két hangra hangolt LLM-et is bejelentett: a Think-Live a beszélgetést viszi, a Think-Fast a háttérmunkát.

Mit jelent ez neked?

Ha Pipecatre építesz voice agentet, rövid távon semmi nem változik: a licenc marad, a framework pedig továbbra is bármilyen modellel működik. Hosszabb távon a Deepgram mögötte álló pénz és csapat gyorsíthatja a fejlesztést, az alapítvány pedig védőháló a vendor lock-in ellen. Az RCS-t érdemes figyelni, mert ha a modellszolgáltatók átveszik, a hangkontextus végre szabványosan mehet át STT, LLM és TTS között.

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek