شرکت Deepgram با خرید استارتاپ Daily، زیرساخت هوش مصنوعی صوتی خود را تقویت کرد

بازار هوش مصنوعی صوتی روزبه‌روز داغ‌تر می‌شود و بازیگران اصلی این عرصه می‌کوشند با همکاری‌ها و ادغام‌های استراتژیک، جایگاه خود را در این حوزه تحکیم کنند. در تازه‌ترین رویداد، شرکت Deepgram اعلام کرد که استارتاپ Daily، خالق و پشتیبان یکی از محبوب‌ترین زیرساخت‌های متن‌باز صوت و تصویر یعنی فریمورک Pipecat را خریداری کرده است.

طرفین هنوز جزئیات مالی این معامله را فاش نکرده‌اند، اما به صراحت متعهد شده‌اند که Pipecat همچنان پروژه‌ای متن‌باز باقی بماند.

فریمورک Pipecat ابزاری کاربردی است که جریان‌های صوتی و تصویری را در کنار زنجیره پردازشی شامل تبدیل گفتار به متن (STT)، مدل‌های زبانی بزرگ و تبدیل متن به گفتار (TTS) مدیریت می‌کند و تاخیر زمانی را به حداقل می‌رساند. شرکت Daily نیز زیرساخت‌های ابری میزبانی ارتباطات صوتی و تصویری را ارائه می‌دهد.

با تصاحب Pipecat، شرکت Deepgram به تخصص و دید فنی عمیق‌تری در زمینه زیرساخت‌های ارتباطات آنی صدا و تصویر دست پیدا خواهد کرد.

بر پایه آمارهای منتشرشده، استارتاپ Daily تا امروز بیش از ۶۲ میلیون دلار سرمایه از صندوق‌های خطرپذیر نظیر Tiger Global و Highfield Capital و چهره‌های سرشناس جذب کرده است. از طرفی دیگر، شرکت Deepgram اوایل سال جاری میلادی پس از جذب ۱۳۰ میلیون دلار سرمایه در دور سری C به ارزش‌گذاری بیش از یک میلیارد دلار رسید و تبدیل به یونیکورن شد؛ جالب اینکه هر دو شرکت در سال ۲۰۱۶ عضوی از دوره شتاب‌دهی Y Combinator بوده‌اند.

کویندلا کرامر (Kwindla Kramer)، هم‌بنیان‌گذار Daily، می‌گوید این مجموعه از زمان رونمایی مدل GPT-4 آزمایش‌های ارتباط صوتی و متنی میان انسان و ماشین را کلید زد؛ فرآیندی که در نهایت به‌شکل‌گیری فریمورک Pipecat ختم شد. او خاطرنشان کرد که با وجود پیشنهادهای گوناگون برای خرید استارتاپ، تعهد پایدار اسکات استفنسون (Scott Stephenson)، مدیرعامل Deepgram، مبنی بر متن‌باز ماندن همیشگی Pipecat عامل کلیدی این توافق بود و همخوانی فرهنگ مهندسی دو تیم موجب شد مهندسان Daily بتوانند آزادانه روی لایه‌های گوناگون این پلتفرم در ابعادی بزرگ‌تر فعالیت کنند.

کرامر در این باره می‌گوید: «اسکات تعهدی واقعی داشت تا فریمورک Pipecat برای همیشه متن‌باز و مستقل از سرویس‌دهنده‌ها بماند. من فکر می‌کنم در کنار انگیزه شخصی، یک محرک تجاری روشن هم در میان است؛ زیرا وقتی در مرکز زیست‌بومی با رشد شتابان قرار دارید و اجزای سیستم شما از بالاترین کیفیت برخوردار است، باز نگه داشتن دسترسی به کل اکوسیستم یک مزیت تجاری ارزشمند محسوب می‌شود.»

استفنسون نیز توضیح داد که Deepgram از گذشته برنامه داشت حضوری جدی در دنیای نرم‌افزارهای متن‌باز داشته باشد و به این نتیجه رسید که ساخت فریمورکی هماهنگ‌کننده برای ایجنت‌های هوش مصنوعی، فرصتی حیاتی است؛ موضوعی که در نهایت سبب همکاری و خرید Daily شد.

او اضافه می‌کند: «ما می‌خواهیم فضا را چنان باز کنیم که همه بتوانند ایجنت‌های صوتی توسعه دهند. کار با مدل‌های اختصاصی Deepgram اتفاق خوبی است، اما ترجیح می‌دهیم شما بهترین مدل را بر پایه نیاز پروژه خود برگزینید. اگر ما در بخشی متوجه شویم مدل‌هایمان جای پیشرفت دارند، عالی است؛ از شما دعوت می‌کنیم مدل‌های همکار را امتحان کنید و ما هم برای بهبود کیفیت تلاش خواهیم کرد.»

استفنسون بر این باور است که این خرید به برنامه‌نویسان امکان می‌دهد با اتصال مدل‌های مختلف و بهره‌گیری از مسیرهای ارتباطی مشترک کانتکست، سیستم‌های گفتاری یکپارچه‌ای بسازند که ایجنت‌ها در آن لحن طبیعی و بیان رسا داشته باشند.

معامله اخیر برای Deepgram امکان کاوش در کارکردهای فراتر از صوت را نیز از طریق Pipecat هموار می‌کند، زیرا این فریمورک برای ارتباطات زنده در فرمت‌های متنوع چندرسانه‌ای طراحی شده است.

کرامر می‌گوید: «ما هیچ‌وقت Pipecat را صرفاً یک ابزار صوتی نمی‌دانستیم، بلکه آن را جعبه‌ابزاری برای ساخت نوع جدیدی از نرم‌افزارهای متولدشده با هوش مصنوعی تصور می‌کردیم؛ چراکه با توجه به ریشه فعالیت ما، پردازش آنی همیشه پیش‌فرض کار بوده است.»

شرکت Deepgram در کنار این رویداد از پروتکل متن‌باز تازه‌ای با عنوان Real-Time Context Standard (به اختصار RCS) پرده برداشت که با همراهی تیم Pipecat توسعه پیدا کرده است. این استاندارد فراداده‌هایی مانند لحن صحبت یا حالت زمزمه را در صوت شناسایی می‌کند و نحوه واکنش مدل‌های زبانی به این فاکتورها و نحوه صدادهی پاسخ را سامان می‌بخشد.

بخش هوش مصنوعی صوتی اخیراً شاهد جریان چشمگیر سرمایه در هر دو زمینه توسعه مدل‌ها و لایه‌های زیرساختی بوده است. سازندگان مدل مانند ElevenLabs و Gradium و Fish Audio جذب سرمایه‌های میلیونی داشته‌اند و از طرف دیگر، شرکت‌های تأمین زیرساخت مثل LiveKit و Vapi نیز در ماه‌های اخیر دورهای سرمایه‌گذاری چند ده میلیون دلاری را با موفقیت پشت سر گذاشته‌اند.