Deepgram model avança com compra da Daily e aposta em open-source

Tech Desk

Aquisição da Daily fortalece Deepgram com tecnologia open-source e novo padrão para agentes de voz em tempo real.

Leia também: IA derruba hipótese chave da computação teórica após 27 anos

A Deepgram anunciou nesta quinta-feira a aquisição da Daily, empresa responsável pelo Pipecat, framework open-source voltado à orquestração de voz e vídeo em tempo real. O acordo, de valor não revelado, consolida a estratégia da Deepgram de ampliar a infraestrutura para agentes de voz e comunicação multimídia com baixa latência, sem abrir mão de um ecossistema aberto para desenvolvedores.

Deepgram incorpora Pipecat e reforça foco em tempo real

Com a compra, o Pipecat passa a integrar o portfólio da Deepgram, mas seguirá como projeto open-source e vendor-neutral, segundo as empresas. Na prática, o framework funciona como uma espécie de trilho que conecta e gerencia, em tempo real, componentes como sistemas de reconhecimento de fala (speech-to-text), modelos de linguagem — como os usados em chatbots — e tecnologias de síntese de voz (text-to-speech), além de streams de vídeo, com foco em reduzir atrasos e travamentos nas interações.

Esse tipo de infraestrutura é a base para construir assistentes de voz mais naturais, sistemas de atendimento automatizado que respondem na hora, plataformas de colaboração com áudio e vídeo inteligentes e novas experiências imersivas em tempo real. Ao se apoiar no Pipecat, a Deepgram mira não só melhorar seus próprios produtos, baseados em Deepgram model de voz, mas também tornar mais simples a combinação de diferentes tecnologias no mesmo agente.

A Daily, que oferece infraestrutura hospedada para chamadas de voz e vídeo, havia captado mais de US$ 62 milhões em investimentos de fundos como Tiger Global e Highfield Capital, além de nomes como Nat Friedman, Lachy Groom e Kevin Weil. A Deepgram, por sua vez, impulsionou sua expansão após levantar US$ 130 milhões em rodada Série C, atingindo status de unicórnio.

Entenda o contexto

Deepgram e Daily se conhecem de longa data: as duas passaram pela mesma turma da Y Combinator, o que ajudou a aproximar as culturas de engenharia e produto. Nos últimos anos, o avanço de modelos de linguagem e o uso de voz em interfaces conversacionais aqueceram o mercado de IA de voz e infraestrutura em tempo real, atraindo rodadas robustas para empresas focadas tanto em modelos quanto em back-end de comunicação.

Foi nesse cenário que a Daily começou a experimentar, a partir do lançamento de modelos mais avançados, formas de mediar a comunicação entre humanos e IA por voz e texto — caminho que resultou no Pipecat. O framework ganhou tração por permitir que desenvolvedores conectem diversos serviços de IA, sem ficarem presos a um único fornecedor, e construam aplicações conversacionais que respondem quase instantaneamente.

Kwindla Kramer, cofundador da Daily, diz que a decisão de vender a empresa para a Deepgram passou tanto pelo alinhamento técnico quanto pelo compromisso com o software aberto. “Scott foi super comprometido com o Pipecat sendo open-source e vendor-neutral para sempre. Acho que há tanto um compromisso pessoal quanto um motor comercial aí. Se você está no meio de um ecossistema que está crescendo muito rápido, e tem muitas partes desse ecossistema que são genuinamente as melhores da sua empresa, então tudo ser o mais aberto possível é como uma vantagem comercial”, afirma.

Protocolo aberto RCS quer padronizar agentes de voz

Além da aquisição, a Deepgram apresentou o Real-Time Context Standard (RCS), um protocolo aberto desenvolvido em conjunto com a equipe do Pipecat para padronizar a forma como agentes de voz interpretam e usam sinais contextuais do áudio. A ideia é que o RCS funcione como uma “língua franca” entre os componentes de um sistema de voz em tempo real.

O padrão define metadados e instruções sobre o que está acontecendo no áudio — por exemplo, se a pessoa está sussurrando, interrompendo, mudando de tom — e orienta os modelos de linguagem sobre como usar esses sinais e como deve soar a resposta. Isso permite que diferentes modelos e serviços “conversem” entre si com mais precisão, o que tende a reduzir ruídos e tornar as interações mais naturais.

Para desenvolvedores, o RCS é uma camada adicional de interoperabilidade: um agente construído sobre o protocolo pode, em tese, trocar o modelo de linguagem ou o serviço de síntese de voz com menos retrabalho, preservando o entendimento comum sobre contexto e intenção.

Open-source como estratégia de mercado

Na visão da Deepgram, manter o Pipecat aberto não é apenas uma concessão à comunidade, mas uma peça central da disputa no mercado de infraestrutura de IA de voz. Ao abrir o ecossistema, a empresa se posiciona como ponto de conexão entre desenvolvedores e múltiplos fornecedores, inclusive concorrentes diretos.

“Queremos abrir o ecossistema para que todos possam construir agentes de voz. É ótimo se você estiver usando modelos da Deepgram, mas quero que use os melhores modelos para seu caso de uso. E se a Deepgram perceber que temos que evoluir em alguma área para nossos próprios modelos e produtos, ótimo. Queremos que você use parceiros, e então também vamos trabalhar para melhorar nessas áreas”, afirma Scott Stephenson, CEO da Deepgram.

A aposta é que, ao se tornar uma camada neutra e flexível de orquestração, a empresa ganhe relevância e tração mesmo em cenários em que nem todos os blocos tecnológicos são seus. Ao mesmo tempo, o uso de Deepgram model para voz e transcrição dentro desse ecossistema tende a crescer se os produtos mantiverem qualidade e preço competitivos.

Impacto para o mercado de IA de voz

A consolidação de Pipecat e RCS sob o guarda-chuva da Deepgram deve pressionar concorrentes que apostam em soluções mais fechadas. Um framework amplamente adotado, neutro e com protocolo aberto incentiva a migração para arquiteturas modulares, em que empresas escolhem separadamente quem faz a transcrição, quem gera texto, quem sintetiza a voz e quem cuida do vídeo — e o que conecta tudo isso.

Setores como atendimento ao cliente, centrais telefônicas, assistentes virtuais, plataformas de reuniões e jogos online devem ser os primeiros a se beneficiar de agentes mais expressivos e de latência ultrabaixa, tanto em voz quanto em vídeo. Para startups e times de produto, a combinação de Pipecat, RCS e Deepgram model de voz promete encurtar o tempo entre ideia e protótipo funcional.

Kwindla Kramer reforça que o objetivo desde o início foi mirar esse novo tipo de software nativo de IA em tempo real. “Nunca pensamos no Pipecat como uma caixa de ferramentas de voz. Pensamos nele como a caixa de ferramentas que precisávamos para construir esse novo tipo de software nativo de IA. Por onde viemos, sempre assumimos tempo real”, diz.

Os próximos passos envolvem a consolidação do RCS como padrão de mercado, a integração total das equipes de Deepgram e Daily e a expansão das soluções para além da voz, com mais recursos de vídeo e outras formas de comunicação em tempo real. A movimentação também deve alimentar novas rodadas de investimento e parcerias em torno de projetos open-source no setor, à medida que a corrida pela melhor infraestrutura de IA conversacional se intensifica.