دیپ‌گرم با خرید دیلی، لایه ارکستراسیون بی‌درنگ را به مدل‌های گفتار خود الحاق کرد و پای‌کت (Pipecat) را برای همیشه باز نگه داشت. این توافق، پروتکل استاندارد زمینه بی‌درنگ (RCS) را به عنوان زبان مشترک عامل‌های صوتی (Voice Agents) متولد کرد.
زیرساخت هوش مصنوعی صوتی (Voice AI) — مانند جاده‌ها و چراغ‌های راهنمایی که عامل‌های صوتی بر روی آن‌ها می‌چرخند — در سال جاری سرمایه‌گذاری‌های سنگینی را به خود اختصاص داده است. شرکت‌هایی چون الون‌لبز (ElevenLabs) و فیش‌اودیو (Fish Audio) میلیون‌ها دلار جذب کرده‌اند، در حالی که پلتفرم‌هایی مانند لایو‌کیت (LiveKit) و واپی (Vapi) دورهای سرمایه‌گذاری چندمیلیونی را بسته‌اند.
دیپ‌گرم (Deepgram) خود در سال ۲۰۲۶ با یک سری سی (Series C) ۱۳۰ میلیون دلاری به وضعیت یونیکورن (Unicorn) رسید. دیلی (Daily) نیز پیش از خرید، بیش از ۶۲ میلیون دلار از تایگر گلوبال (Tiger Global)، هایفیلد کپیتال (Highfield Capital) و فرشتگان سرمایه‌گذار (Angels) از جمله نات فریدمن (Nat Friedman) و کوین وایل (Kevin Weil) جذب کرده بود، بر اساس داده‌های پیک‌بوک (PitchBook).
هر دو استارتاپ از یک دسته وای‌کامبینیتور (Y Combinator) در سال ۲۰۱۶ بودند. کوایندلا کرامر (Kwindla Kramer)، هم‌بنیان‌گذار دیلی، گفت تیم او در زمان انتشار جی‌پی‌تی-۴ (GPT-4) با ارتباط صوتی هوش مصنوعی زاینده (Generative AI) به انسان آزمایش کرد که منجر به تولد پای‌کت شد.
پای‌کت جریان‌های صوتی و تصویری را در کنار تبدیل گفتار به متن (STT)، مدل‌های زبانی بزرگ (LLM) و تبدیل متن به گفتار (TTS) مدیریت می‌کند — مانند یک رهبر ارکستر که تمام سازها را هماهنگ می‌کند — و تأخیر (Latency) را به حداقل می‌رساند. طراحی پای‌کت از پایه برای ارتباط بی‌درنگ (Real-time Communication) تدوین شده است.
کرامر به تک‌کرانچ (TechCrunch) گفت: «اسکات استیونسون (Scott Stephenson)، مدیرعامل دیپ‌گرم، به طور فوق‌العاده‌ای متعهد بود که پای‌کت برای همیشه باز (Open-source) و بی‌طرف از نظر فروشنده (Vendor-neutral) بماند.» این تعهد عامل تصمیم‌گیری برای خرید بود.
استیونسون اظهار کرد: «ما مدتها بود می‌خواستیم در متن‌باز (Open-source) کار کنیم و چارچوب ارکستراسیون عامل‌ها (Agent Orchestration Framework) را نقطه ورود دیدیم. می‌خواهیم اکوسیستم (Ecosystem) را باز کنیم تا همه بتوانند عامل صوتی بسازند. عالی است اگر از مدل‌های دیپ‌گرم استفاده می‌کنید، اما می‌خواهم بهترین مدل برای مورد استفاده‌تان را به کار بگیرید.»
شرکت‌ها هم‌زمان پروتکل استاندارد زمینه بی‌درنگ (RCS) را رونمایی کردند، پروتکلی باز که توسط تیم پای‌کت هم‌توسعه یافته است. RCS فراداده‌ها (Metadata) مانند زمینه صوتی (Audio Context) — فسیله‌ها، مکث‌ها — و دستورالعمل‌هایی برای مدل‌های زبانی (Language Models) نحوه استفاده از این سیگنال‌ها را تعریف می‌کند.
این پروتکل قصد دارد مشکل تکه‌تکه شدن (Fragmentation) را حل کند که در آن هر پلتفرم صوتی زمینه را به شیوه‌ای متفاوت مدیریت می‌کند. استانداردسازی (Standardization) این سیگنال‌ها می‌تواند به عامل‌ها اجازه دهد بدون از دست دادن ظرافت گفتگو، بین محیط‌ها جابجا شوند — همان‌طور که وب‌آرتی‌سی (WebRTC) ارتباطات بی‌درنگ را استاندارد کرد.
این معامله نشان‌دهنده تغییر رقابت از مدل‌محوری (Model-centric) به زیرساخت‌محوری (Infrastructure-centric) در هوش مصنوعی صوتی است. با مالکیت لایه ارکستراسیون، دیپ‌گرم می‌تواند مدل‌های خود را در نقاط قوت قرار دهد در حالی که توسعه‌دهندگان را برای کارهای دیگر آزاد می‌سازد تا رقبا (Competitors) را جایگزین کنند — روندی که با «آمدن مدل خودتان» (Bring Your Own Model) در چارچوب‌های عامل هم‌جهت است.
برای توسعه‌دهندگان، این خرید ریسک قفل فروشنده (Vendor Lock-in Risk) را کاهش می‌دهد. تضمین متن‌باز پای‌کت به تیم‌ها اجازه می‌دهد بدون ترس از تغییر ناگهانی مجوز، بر روی چارچوب بسازند. پروتکل RCS می‌تواند به عنوان زبان مشترک عامل‌های صوتی در سراسر پلتفرم‌ها عمل کند.
گام بعدی شما
- پذیرش پروتکل RCS توسط لایو‌کیت و واپی را رصد کنید؛ اگر رواج یابد، عامل‌های صوتی قابل‌ترکیب تسریع می‌شوند.
- پای‌کت را با مدل‌های غیر دیپ‌گرم آزمایش کنید تا آزادی انتخاب مدل را بسنجید.
- ریسک قفل فروشنده در پروژه‌های فعلی عامل صوتی خود را با تضمین متن‌باز جدید ارزیابی کنید.
گفتگو