NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Deepgram、Pipecat開発元Dailyの買収を発表――オープンソース維持と音声コンテキスト標準「RCS」を公開

音声AI基盤のDeepgramは2026年10月29日、オープンソースの音声エージェントフレームワークPipecatを開発するDailyの買収を発表しました。契約金額は非公表です。PipecatはBSD V2ライセンスのまま無償で維持され、独立したPipecat Foundationの設立方針も示されました。あわせて、モデル間で音声の文脈を渡すオープン仕様Real-Time Context Standard(RCS)と会話向けの2つのLLMを公開しています。

Deepgramは2026年10月29日、リアルタイム通信基盤を運営するDailyの買収を発表しました。Dailyは、音声認識、言語モデル、音声合成、通話接続をつなぐオープンソースフレームワークPipecatの開発元です。契約金額とクロージング日は公表されていません。買収後もPipecatは既存のBSD V2ライセンスで無償・オープンソースのまま維持され、両社は利用企業などとともに独立したPipecat Foundationを設立するとしています。DailyのチームはDeepgramに加わり、共同創業者のKwindla Hultman Kramer氏はHead of Open Sourceに就任します。

図解RCSと2つのLLMを含む音声エージェントの処理の流れ
  1. 01 接続

    音声の入出力

    Dailyのリアルタイムネットワーク(75拠点)が利用者とエージェントを低遅延でつなぐ

  2. 02 聴き取り

    音声認識

    言葉とともに、ささやきや不明瞭な語といった音声の状態をRCSのメタデータとして記録する

  3. 03 会話の判断

    Think-Live LLM

    相手が話し終えたか、待つべきかを判断し、言葉の途中で話し合わせない。Voice Agent APIで一般提供中

  4. 04 タスク実行

    Think-Fast LLM

    業務ルールに従い、会話の途中でツールを呼び、話して伝わる文を書く。LLM APIで早期アクセス

  5. 05 応答

    音声合成

    RCSの話し方の指示に従ってTTSが応答する。Flux TTSは日本語を含む9言語で一般提供

Deepgram公式ブログ2本(2026-10-29)とPipecatのRCSデモ実装による構成の説明。

会社の説明では、従来の音声エージェントは音声認識から言語モデル、音声合成へと文字だけを渡すため、話し方の情報が各段階で落ちていました。このため相手がささやいても聞き取れないふうに応答したり、確認すべき曖昧さを無視して先へ進んだりします。RCSはこの部分を補うオープン仕様で、音声の状態(ささやき、不明瞭な語)、言語モデルへの指示、応答の話し方という3種のメタデータを定義するものです。モデルごとのアダプターが信号を翻訳するため、開発者は同じ書き方を異なる提供元のモデルに使えます。PipecatのリポジトリにはRCS Alphaを使ったデモ実装が公開されています。

図解会話向けの2つのLLMの役割と提供状況
  • Think-Live

    担当する仕事
    会話の進行。聞く、待つ、応じるを判断
    提供状況
    Voice Agent APIで一般提供
  • Think-Fast

    担当する仕事
    業務ルール、ツール呼び出し、応答文の作成
    提供状況
    LLM APIで早期アクセス

Deepgram CPO Ed Anuff氏の公式ブログ(2026-10-29)による。

会社はPipecatの上に統合版のDeepgram Voice Agent Platformを構築する構想も示しました。Pipecatで作ったエージェントを書き換えずに本番へ移せることを目指すもので、提供時期は今後公開します。CPOのEd Anuff氏は、プラットフォームはDeepgramホストでも利用者のクラウドでも動かせると説明しています。

「Pipecatをオープンのままにすることが、Deepgramに加わる決断の根幹でした。」

Keeping Pipecat open was fundamental to our decision to join Deepgram.

Kwindla Hultman Kramer氏(Daily共同創業者、Deepgram Head of Open Source)、Deepgram公式ブログ(2026年10月29日)より

読む際の注意です。契約金額、評価額、クロージング日は未公表で、買収は発表段階です。TechCrunchがDailyの累計調達額をPitchBookデータに基づき6,200万ドル超と伝え、両社が2016年のY Combinator同期である点も同紙が伝えています。Pipecatのオープンソース維持は発表時点の当事者の約束であり、Foundationの理事構成や中立性の実効性は今後の確認事項です。RCSはAlphaのデモ実装が存在する段階で、正式仕様の発行や第三者モデルの対応実績はまだありません。「世界で最も普及したPipecat」といった表現は当事者の主張です。5,000以上の組織が本番利用しているという数値もDeepgramの会社資料に帰属します。統合Voice Agent Platformは提供前で、料金は未公表です。

出典

  1. Deepgram公式ブログ「Deepgram is acquiring Daily, makers of Pipecat, to offer the first complete, production-ready, open stack for conversational voice AI」(2026-10-29)買収発表、BSD V2維持、Pipecat Foundation設立、Kramer氏のHead of Open Source就任、75拠点、RCSの3メタデータ、5,000組織を確認
  2. Deepgram公式ブログ「Voice agents that keep the thread」(CPO Ed Anuff、2026-10-29)Think-Liveの一般提供、Think-Fastの早期アクセス、統合プラットフォームが提供前、Flux TTSの日本語一般提供、Flux STT Multilingualの10言語と31言語、Nova-3 Multilingualの55言語、地域エンドポイントを確認
  3. Pipecat「Real-time Context Standard Demo」GitHubリポジトリ(2026-10-30確認)RCS Alphaのデモ実装、感情と皮肉の読み取り表記、応答への発話タグ付与、RTVI 2.3.0での転送を確認
  4. TechCrunch「Deepgram acquires Pipecat-maker Daily to bolster its voice AI infrastructure」(2026-10-29)買収額非公表、Pipecatの中立性、Dailyの累計調達6,200万ドル超(PitchBook引用)、2016年のYC同期、DeepgramのSeries C 1億3,000万ドルを確認

出典の確認日 2026.10.30

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. Deepgramの音声認識Nova-3をAWS Trainium2へ移植、バッチ処理のドル当たり音声処理量が11〜70%増

    AWSは2026年10月19日、Deepgramの音声認識モデル「Nova-3」をAWS Trainium2に移植した結果を技術ブログで公開しました。DeepgramのForward Deployed Engineeringとの協業で、オフラインのバッチ推論において、Deepgramが従来使っていた計算環境と比べて1ドル当たりに処理できる音声量が11〜70%増加しています。EC2 trn2.3xlargeインスタンス1台で8つのモデルレプリカを動かす構成で、測定は評価時点のインスタンス価格に基づきます。

    記事を読む
  2. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  3. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む