Deepgram شرکت Pipecat-maker Daily را خریداری کرد تا زیرساخت هوش مصنوعی صوتی خود را تقویت کند

بخش هوش مصنوعی صوتی داغ است و بازیکنان برتر در تلاش هستند تا موقعیت خود را تثبیت کنند زیرا مدل‌های تجاری بیشتری از طریق مشارکت و خرید به میدان می‌آیند. دیپگرام جدیدترین شرکتی است که چنین اقداماتی را انجام داده است: این شرکت روز پنجشنبه اعلام کرد که Daily، سازنده و نگهدارنده یکی از محبوب‌ترین زیرساخت‌های هوش مصنوعی صوتی منبع باز، Pipecat، را خریداری می‌کند.

این شرکت ها مبلغ معامله را فاش نکردند اما گفتند که Pipecat را منبع باز نگه می دارند.

برای افراد ناآشنا، Pipecat چارچوبی است که جریان‌های صوتی و ویدیویی را همراه با سایر قطعات در خط لوله مدیریت می‌کند، مانند گفتار به متن (STT)، مدل‌های زبان بزرگ، و مدل‌های تبدیل متن به گفتار (TTS) و در عین حال تأخیر را کاهش می‌دهد. سازنده آن، Daily، زیرساخت میزبانی را برای تماس های صوتی و تصویری از هر نوعی فراهم می کند.

با Pipecat، دیپگرام احتمالا درک عمیق تری از زیرساخت های صوتی و تصویری بلادرنگ به دست خواهد آورد.

کویندلا کرامر، یکی از بنیانگذاران Daily، گفت: در زمانی که GPT-4 منتشر شد، این شرکت شروع به آزمایش ارتباط هوش مصنوعی با انسان از طریق صدا و متن کرد که در نهایت منجر به چارچوب Pipecat شد. او خاطرنشان کرد که در حالی که علاقه زیادی به خرید وجود دارد، او از تعهد اسکات استفنسون، مدیرعامل دیپگرام به حفظ منبع باز Pipecat برای همیشه حمایت می‌کند و فرهنگ مهندسی هر دو سازمان مطابقت دارد و به تیم Daily این آزادی را می‌دهد تا روی بخش‌های مختلف پشته در یک سازمان بزرگ‌تر کار کنند.

کرامر گفت: "اسکات بسیار متعهد بود که Pipecat برای همیشه منبع باز و فروشنده خنثی باشد. من فکر می کنم یک تعهد شخصی و یک محرک تجاری وجود دارد. اگر در وسط اکوسیستمی بنشینید که بسیار سریع در حال رشد است و بخش های زیادی از آن اکوسیستم را دارید که واقعا بهترین های شرکت شما هستند، پس هرچه باز بودن تا حد امکان مانند یک مزیت تجاری است."

استفنسون گفت که دیپگرام برای مدت طولانی می‌خواهد به صورت متن باز کار کند و این شرکت متوجه شد که چارچوب ارکستراسیون برای عوامل یک حوزه بالقوه است که تصمیم به شراکت با Daily را به همراه داشت.

"ما می‌خواهیم اکوسیستم را باز کنیم تا همه بتوانند عوامل صوتی بسازند. اگر از مدل‌های Deepgram استفاده می‌کنید عالی است، اما من از شما می‌خواهم که از بهترین مدل‌ها برای مورد استفاده خود استفاده کنید. و اگر Deepgram متوجه شد که ما زمینه‌ای برای رسیدن به یک منطقه خاص برای مدل‌ها و محصولات خودمان داریم، خیلی خوب است. ما می‌خواهیم شما از شرکای آن‌ها نیز استفاده کنید، سپس او نیز گفت، بهتر است."

استفنسون گفت که این خرید به توسعه‌دهندگان اجازه می‌دهد تا با اتصال مدل‌های مختلف و یک گذرگاه متنی که همه قسمت‌ها را به هم متصل می‌کند، عامل‌هایی با بیان و سیستم‌های گفتاری سرتاسر بسازند.

برای Deepgram، این قرارداد همچنین به آن اجازه می‌دهد مناطقی فراتر از صدا را از طریق Pipecat کاوش کند، زیرا این چارچوب به ارتباطات بلادرنگ در قالب‌های مختلف کمک می‌کند.

کرامر گفت: "ما هرگز در مورد Pipecat به عنوان یک جعبه ابزار صوتی فکر نکردیم. ما به آن به عنوان ابزاری که برای ساختن این نوع جدید از نرم افزار بومی هوش مصنوعی نیاز داشتیم فکر می کردیم. به دلیل اینکه از کجا آمده ایم، همیشه زمان واقعی را فرض می کردیم."

Deepgram همچنین در حال راه‌اندازی Real-Time Context Standard (RCS) است، یک پروتکل باز برای عوامل صوتی که با همکاری تیم Pipecat توسعه داده است. این پروتکل ابرداده‌هایی مانند زمینه صدا، مانند زمزمه، دستورالعمل‌هایی برای یک مدل زبان در مورد نحوه استفاده از آن سیگنال‌ها، و راهنمایی در مورد نحوه صدا دادن پاسخ را تعریف می‌کند.

هوش مصنوعی صوتی سرمایه گذاری زیادی را هم از طرف مدل و هم از طرف زیرساخت انجام داده است. سازندگان مدل مانند ElevenLabs، Gradium و Fish Audio میلیون ها دلار جمع آوری کرده اند. از سوی دیگر، شرکت‌های زیرساختی مانند LiveKit و Vapi امسال دورهای مالی چند میلیون دلاری را جمع‌آوری کرده‌اند.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

ایوان در TechCrunch تحولات جهانی فناوری مصرف کننده را پوشش می دهد. او در خارج از هند مستقر است و قبلا در نشریاتی از جمله هافینگتون پست و نکست وب کار کرده است.

می‌توانید با ارسال ایمیل به [email protected] یا از طریق پیام رمزگذاری‌شده به نشانی ivan.42 در سیگنال، با ایوان تماس بگیرید یا آن را تأیید کنید.

One Pass بخرید، جلد دوم رایگان را در بوت کمپ نهایی سال TechCrunch با آوردن هم بنیانگذار یا شریک خود به صورت کتاب رایگان قبل از انقضای قرارداد BOGO دریافت کنید.

VCها در IPO Anthropic میلیاردها دلار به دست خواهند آورد، اما آمازون قرار است مارینا تمکین بسیار (بسیار) بیشتری بسازد.

میلیاردر پالمر لاکی کالیفرنیا را بخاطر مالیات بر ثروت جولی بورت ترک نمی کند

مایکروسافت به حدود 60000 کارمند عایشه مالک خرید می دهد

Grok هفت دقیقه اول «Odyssey» آنتونی ها را که توسط هوش مصنوعی ساخته شده است را منتشر می کند

گورستان هوش مصنوعی: فهرستی از پروژه‌ها و استارت‌آپ‌هایی که به لورن فوریستال تبدیل نشدند

داغ ترین اسباب بازی برای کریسمس؟ مدیر عامل انویدیا با ربات های دوست داشتنی Microduck بازی می کند، جولی بورت 20000 فروخته است.