Deepgram przejmuje Daily i zobowiązuje się utrzymać Pipecat jako projekt open source

29 października 2026 roku Deepgram poinformował o przejęciu Daily, firmy stojącej za frameworkiem agentów głosowych Pipecat, rozwijanym na zasadach open source. Transakcję ogłoszono podczas pierwszej konferencji Deepgram Speak w San Francisco. Zespół Daily dołączy do Deepgram, a Pipecat pozostanie w pełni otwartym i bezpłatnym dla deweloperów projektem na dotychczasowej licencji BSD V2.

Deepgram poinformował, że Pipecat i globalna infrastruktura sieciowa Daily działająca w czasie rzeczywistym będą stanowić podstawę nowej platformy agentów głosowych firmy, wraz z jej własnymi modelami mowy. W ten sposób powstanie — jak określiła to firma — pierwsza kompletna, otwarta platforma klasy produkcyjnej do konwersacyjnej AI głosowej. Deepgram nazwał Pipecat najpopularniejszym na świecie frameworkiem agentów głosowych typu open source i dodał, że sieć Daily łączy użytkowników końcowych z agentami głosowymi, zapewniając bardzo niskie opóźnienia i wysoką niezawodność.

Współzałożyciel Daily, Kwindla Hultman Kramer, dołącza do Deepgram jako szef ds. open source. „Utrzymanie Pipecat jako projektu otwartego miało fundamentalne znaczenie dla naszej decyzji o dołączeniu do Deepgram” — powiedział Kramer w ogłoszeniu o przejęciu. Dyrektor generalny i współzałożyciel Deepgram, Scott Stephenson, stwierdził, że Kramer i zespół Daily wiedzą, co jest potrzebne, by rozmowa na żywo przebiegała niezawodnie. Dodał, że przejęcie Daily łączy tę wiedzę z doświadczeniem Deepgram, co pozwoli zająć się całym systemem głosowym i zapewnić deweloperom szybszą drogę od prototypu do wdrożenia produkcyjnego.

Zobowiązania dotyczące open source i fundacja Pipecat

Deepgram poinformował, że oprócz utrzymania frameworka jako bezpłatnego projektu na licencji BSD V2 będzie inwestować w dalszy rozwój Pipecat i jego społeczność, a cały projekt pozostanie otwarty i niezależny od dostawców. Dzięki temu deweloperzy będą mogli wybierać i łączyć modele, narzędzia, transport sieciowy oraz interfejsy API od różnych dostawców. Obie firmy powołują też niezależną Fundację Pipecat wraz z wieloma organizacjami, które przyczyniły się do rozwoju frameworka i z niego korzystają.

W osobnym wpisie na blogu Daily Kramer napisał, że fundacją będzie zarządzać komitet sterujący reprezentujący cały ekosystem AI działającej w czasie rzeczywistym, w tym firmy konkurujące z Deepgram. Dodał, że dla klientów Daily i ekosystemu Pipecat nic się nie zmieni: Deepgram będzie sprzedawać, wspierać i rozwijać wszystkie obecne produkty i usługi Daily, w tym WebRTC, telefonię i biblioteki wieloplatformowe, a Pipecat pozostanie niezależny od dostawców. Kramer napisał również, że Deepgram przyjmuje Pipecat jako podstawę nowych produktów i usług firmy w dziedzinie głosowej AI.

Kramer napisał, że Pipecat ma ponad 200 integracji i prawie 400 współtwórców. Wyróżnił 18 inżynierów, którzy stworzyli framework, i szczególnie podziękował Markowi, który — jak powiedział — od premiery napędza rozwój Pipecat. Podziękował także inwestorom, którzy przewodzili rundom finansowania Daily: Davidowi Waxmanowi z TenOneTen, Avidanowi Rossowi z Root, Jenny Lefcourt z Freestyle, Lachy’emu Groomowi oraz Roseanne i Renacie z Renegade Partners, a także członkom rady Lee Edwardsowi i Roseanne Wincek.

Wspólna historia firm

Kramer przypomniał, że wraz z Niną założył Daily, aby tworzyć infrastrukturę do przesyłania dźwięku i obrazu w czasie rzeczywistym. Wymagało to napisania zoptymalizowanego oprogramowania do routingu pakietów, zaprojektowania i wdrożenia wyspecjalizowanych klastrów obliczeniowych w kilkudziesięciu lokalizacjach na świecie oraz stworzenia bibliotek klienckich, które pozwalają deweloperom osadzać transmisję dźwięku i obrazu w czasie rzeczywistym w aplikacjach internetowych, desktopowych i natywnych aplikacjach mobilnych. Kramer napisał, że Daily i Deepgram wspólnie uczestniczyły w programie Y Combinator w 2016 roku, a od 2019 roku Deepgram obsługuje transkrypcję w interfejsach API Daily do dźwięku i obrazu.

Kramer napisał, że w 2023 roku Daily zaczęło tworzyć agentów głosowych działających w czasie rzeczywistym i eksperymentować z oprogramowaniem zaprojektowanym z myślą o AI, a w 2024 roku udostępniło na zasadach open source wszystkie elementy Pipecat: podstawowy framework do orkiestracji, zestawy SDK po stronie klienta dla każdej platformy i każdego języka, standard komunikatów i zdarzeń RTVI, natywny model wykrywania tur wypowiedzi w dźwięku Pipecat Smart Turn, transport SmallWebRTC oraz bibliotekę inżynierii kontekstu Pipecat Flows. Opisał Pipecat jako najczęściej używany framework agentów głosowych i multimodalnej AI, który rozwiązuje takie problemy jak przełączanie między modelami, niskolatencyjny transport sieciowy, przesyłanie strumieniowe danych między modelami, wykrywanie tur wypowiedzi i obsługa przerwań.

Według ogłoszenia Deepgram infrastruktura Daily to globalna sieć obejmująca 75 punktów obecności, zaprojektowana z myślą o wymaganiach dotyczących opóźnień i niezawodności w przypadku systemów AI działających na żywo. Deepgram poinformował, że jego własne modele mowy i infrastruktura czasu rzeczywistego obsługują produkcyjne wdrożenia konwersacyjnej AI głosowej w ponad 5000 organizacji na całym świecie, a z usług Deepgram do przetwarzania ponad 200 000 lat nagrań audio skorzystało ponad 650 000 deweloperów.

Standard kontekstu czasu rzeczywistego i kolejne kroki

Podczas konferencji Speak Stephenson przedstawił również Standard kontekstu czasu rzeczywistego (RCS) — otwarty protokół opracowany wspólnie z zespołem Pipecat. Według Deepgram RCS rozwiązuje problem występujący w obecnych systemach głosowej AI: słowa są przekazywane z jednego modelu do kolejnego, ale towarzyszący im kontekst dźwiękowy, na przykład ton głosu, informacja o tym, kto mówi, i odgłosy tła, po drodze ginie. RCS definiuje trzy nowe rodzaje metadanych: kontekst dźwiękowy, na przykład szept lub niewyraźne słowo; instrukcje dotyczące tego, jak model językowy ma wykorzystać te sygnały; oraz wskazówki określające, jak powinno brzmieć wygenerowane nagranie. Adaptery przekształcają te sygnały i instrukcje dotyczące sposobu przekazania odpowiedzi na potrzeby poszczególnych modeli, dzięki czemu deweloperzy mogą stosować to samo podejście z modelami różnych dostawców.

W repozytorium demonstracyjnym standardu Real-Time Context Standard opisano RCS jako otwarty standard, który przenosi ten kontekst w tym samym strumieniu tekstowym, w formatach możliwych do generowania i odczytywania przez każdy model w łańcuchu. Demonstracyjny agent głosowy obsługuje klientów sklepu ze sprzętem turystycznym Northwind Outfitters, łącząc Deepgram Flux do rozpoznawania mowy, analizator tonu oceniający każdą wypowiedź użytkownika pod kątem emocji i sarkazmu, model językowy PhoneLLM Mini oraz ElevenLabs do syntezy mowy; agent jest wdrażany w Pipecat Cloud. Deepgram zaprosił deweloperów, dostawców modeli oraz zespoły tworzące aplikacje głosowe do testowania RCS we własnych systemach, dzielenia się opiniami i współtworzenia specyfikacji.

Później tego samego dnia, podczas wydarzenia Speak, dyrektor ds. produktu Ed Anuff miał przedpremierowo zaprezentować nadchodzącą platformę Deepgram Voice Agent Platform oraz przedstawić dwa nowe modele stworzone z myślą o rozmowach na żywo, rozszerzoną obsługę języków i Global API zaprojektowane w celu zwiększenia niezawodności połączeń i zmniejszenia opóźnień. Deepgram poinformował, że pełne szczegóły techniczne, prezentacje i informacje o dostępności pozostałych zapowiedzi produktowych z tego dnia zostaną opublikowane na blogu firmy po wystąpieniu Anuffa.