Голосовий AI цікавий бізнесу не тому, що бот навчився говорити приємніше. Власнику важливіше інше: чи прийме агент дзвінок, зрозуміє запит, не зависне на п’ять секунд між фразами й передасть дані в CRM. Тут новина про Deepgram і Daily вже має практичну вагу.

Як пише TechCrunch AI, Deepgram купує Daily, компанію, яка створила й підтримує Pipecat, один із популярних open-source фреймворків для голосової AI-інфраструктури. Суму угоди не розкривають. Обидві компанії заявили, що Pipecat залишиться відкритим.

Жива розмова з AI тримається не на одному модулі

Pipecat цікавий тим, що зшиває кілька складних речей: голосові й відеопотоки, розпізнавання мовлення, LLM, синтез голосу та роботу із затримкою. Це не красива обгортка для чатбота. Це інженерна основа, без якої розмова з AI швидко перетворюється на незручний експеримент.

Уявімо службу доставки. Клієнт телефонує й питає, де його замовлення. Агент має розпізнати мову, витягнути номер замовлення, звернутися до системи, скласти відповідь і вимовити її природно. Якщо кожна частина живе окремо, розмова ламається: паузи, повтори, неправильні уточнення. Саме тому інфраструктура, яка керує всім ланцюжком, стає цінною.

Deepgram після угоди отримає глибший доступ до роботи з голосом і відео в реальному часі. Компанія раніше досягла статусу єдинорога після раунду Series C на 130 млн доларів. Daily, за даними PitchBook, залучила понад 62 млн доларів. Є й цікава деталь з історії: обидві компанії були в одному наборі Y Combinator у 2016 році.

Daily почала експериментувати з голосовою та текстовою комунікацією AI з людьми приблизно після появи GPT-4. Звідси й виріс Pipecat. За словами співзасновника Daily Квіндли Крамера, для нього було принциповим, щоб Pipecat залишався відкритим і нейтральним до постачальників. Для ринку це добрий сигнал. Розробники не хочуть будувати голосові продукти на закритій коробці, з якої потім складно вийти.

Бізнесу не треба бігти за ботом завтра. Але варто придивитися

Для малого й середнього бізнесу ця угода не означає, що контакт-центр треба терміново міняти вже в понеділок. Вона показує інше: голосові агенти стають платформою, а не разовою інтеграцією в стилі “поставимо бота на дзвінки”.

Починати краще з вузьких сценаріїв, де багато повторів і зрозуміло, що вважати успіхом:

  • первинний запис у клініці або салоні;
  • відповіді на типові питання інтернет-магазину;
  • кваліфікація лідів для агенції чи B2B-команди;
  • перевірка статусу замовлення у службі доставки.

Проблеми теж нікуди не зникають. Затримка в голосовій розмові дратує сильніше, ніж повільна відповідь у чаті. Погане розпізнавання української або змішаного мовлення може зламати весь сценарій. Ще один ризик — залежність від одного провайдера моделей. Тому відкритий Pipecat і можливість підключати різні моделі виглядають здорово з погляду архітектури.

Контекст розмови стає частиною продукту

Deepgram також запускає Real-Time Context Standard, відкритий протокол для голосових агентів, створений разом із командою Pipecat. Він описує, як передавати метадані з аудіо, наприклад шепіт, як LLM може використати такі сигнали і як має звучати відповідь.

І тут починається найцікавіше. Голосовий агент зможе реагувати не лише на слова, а й на контекст розмови. Для бізнесу це може бути різницею між “бот відчитав скрипт” і “агент зрозумів, що клієнт нервує, і відповів м’якше”. Звучить просто, але технічно це складна робота.

Наша позиція в Artica така: не купуйте “голосовий AI” як магічну кнопку. Опишіть один процес, порахуйте, скільки часу він забирає у людей, і протестуйте агента на обмеженому потоці. Якщо інфраструктура відкрита, модульна й не замикає вас в одному вендорі, шансів отримати користь значно більше.